Bei Turbit haben wir uns stets dem Ziel verschrieben, wissenschaftlich validierte, wirkungsstarke Lösungen zur Optimierung von Windenergieanlagen bereitzustellen. Im Laufe der Jahre haben wir erhebliches Know-how in das Verständnis von Yaw-Fehlern und deren Auswirkungen auf die Turbinenleistung investiert. Nach umfangreicher Forschung und realen Tests haben wir jedoch die Weiterentwicklung von Yaw-Fehler-Erkennungsmodulen zurückgestellt. Hier erfahren Sie warum:

Tiefgreifende Expertise bei Yaw-Fehlern – mit wesentlichen Einschränkungen

Unser Team, insbesondere unser Gründer Michael, verfügt über umfangreiche Erfahrung mit Yaw-Fehlern. Er hat an LiDAR-basierten Systemen zur Erkennung von Yaw-Fehlstellungen gearbeitet und sogar eine Methode entwickelt, um Yaw-Fehler mithilfe von Turmschwingungsmessungen zu detektieren. Dieses Fachwissen verschaffte uns einen frühen Vorsprung bei der Erforschung von Lösungen zur Identifikation und Korrektur von Yaw-Fehlstellungen.

Die Komplexität des Nachweises von Leistungsgewinnen

Yaw-Fehlerkorrekturen versprechen Verbesserungen der Leistungsabgabe, doch in der Praxis ist der Nachweis dieser Verbesserungen äußerst schwierig. Bei Turbit sind wir darauf spezialisiert, die Leistungsabgabe von Windenergieanlagen unter verschiedenen Bedingungen vorherzusagen. Wir sind in der Lage, die Leistungsabgabe mit KI in weltweit höchster Präzision zu prognostizieren. Dennoch haben wir festgestellt:

Die natürliche Variabilität der Leistung, bedingt durch Windgeschwindigkeit, Turbulenzintensität, Temperaturabhängigkeit und andere Faktoren, ist weit größer als die systematischen Verbesserungen, die durch die Korrektur von Yaw-Fehlern erzielt werden könnten.

Selbst mit fortschrittlichen KI-Modellen ist das Signal einer Verbesserung schwer von normalen Schwankungen zu isolieren – insbesondere wenn nur 10-Minuten-Mittelwertdaten verfügbar sind.

Theoretische Modelle legen nahe, dass selbst ein Yaw-Fehler von mehr als 15° zu Verbesserungen von weniger als 3 % führen kann – eine Veränderung, die so gering ist, dass sie mit keiner Methode praktisch nachweisbar ist.

SCADA-basierte Yaw-Fehlererkennung – ein teilweiser Erfolg

Wir haben außerdem eine Methode entwickelt, um Yaw-Fehlstellungen ausschließlich anhand von SCADA-Daten zu erkennen, und dabei erfolgreich Fehler identifiziert, die später durch LiDAR-Messungen bestätigt wurden. Obwohl wir Yaw-Fehler detektieren konnten, blieb der Nachweis einer tatsächlichen Verbesserung der Leistungskurve schwer greifbar. Trotz aller Bemühungen konnte keine wissenschaftliche Validierung einen messbaren Leistungsgewinn durch die Korrektur von Yaw-Fehlstellungen unter realen Bedingungen belegen.

Konsequentes Festhalten an wissenschaftlich bewiesenen Lösungen

Bei Turbit gilt ein striktes Prinzip: Wir verkaufen nichts, das nicht wissenschaftlich belegt ist. Wir erkennen zwar an, dass andere Unternehmen alternative Methoden zur Erkennung von Yaw-Fehlern entwickeln mögen, entscheiden uns jedoch dafür, uns auf Lösungen mit einer klaren, messbaren Wirkung zu konzentrieren. Wir widmen unsere Arbeit den Bereichen, in denen wir nachweislich echte Leistungsverbesserungen erzielen können – wie vorausschauende Wartung, die Optimierung von Drosselungsstrategien sowie die Reduzierung von Stillstandsrisiken durch kontinuierliche Überwachung von Turbinenleistung, Hauptkomponenten, Rotorblättern und weiteren Komponenten in der Zukunft, um Betriebsrisiken zu senken. Wir sind überzeugt, dass die größten Potenziale für Leistungsverbesserungen in diesen Bereichen liegen.

Fazit

Wir sind der Überzeugung, dass Windparkbetreiber Lösungen verdienen, die greifbare, wissenschaftlich validierte Vorteile liefern. Indem wir unsere Arbeit auf wirkungsstarke Bereiche konzentrieren, stellen wir sicher, dass unsere Kunden den bestmöglichen Return on Investment aus ihren Investitionen in vorausschauende Wartung und Leistungsoptimierung erzielen.