KI4Wind

Auf einen Blick

• Die Steuerung von Windenergieanlagen nimmt bislang die einzelne Turbine lokal in den Fokus. Dadurch bleiben große Optimierungspotenziale, wie sie eine Steuerung der Anlage mit Berücksichtigung der gegenseitigen Beeinflussung im Windpark birgt, ungenutzt.
• Im Projekt KI4Wind entwickeln die Projektpartner ein durch KI optimiertes Verfahren zur Betriebssteuerung von WEA in Windparks, das die Lebensdauer der Anlagen verlängert und gleichzeitig für einen höheren Ertrag sorgt.
• Das Fraunhofer IWES ist dabei unter anderem für die Bereitstellung synthetischer Simulationsdaten verantwortlich, die in Kombination mit Felddaten zur Trainingsgrundlage des ML‑Algorithmus werden.

Herausforderung

Zur Erreichung der Klimaneutralität ist neben dem Ausbau erneuerbarer Energien insbesondere die Effizienzsteigerung bestehender Windparks von hoher Bedeutung. Doch moderne Windenergieanlagen (WEA) werden bislang überwiegend lokal optimiert. Das komplexe Zusammenspiel mehrerer Anlagen im Windpark wird dabei bislang außer Acht gelassen, obwohl eine umfassende Betrachtung großes Optimierungspotenzial bietet: Lasten können verringert und damit die Lebensdauer der Anlagen verlängert werden. Zudem lassen sich der Parkwirkungsgrad und damit der Stromertrag steigern.

Jedoch ist das dynamische Verhalten in Windparks mit zahlreichen WEA sehr komplex. Ein Optimum zwischen Lasten und Leistung zu finden, ist in der Strömungssimulation eine herausfordernde Aufgabe. Maschinelles Lernen kann hier vielversprechende Ansätze bieten, doch wurden diese bislang vor allem für das vorausschauende Erkennen von Fehlern und Schäden an einzelnen Windenergieanlagen eingesetzt. Eine KI-gestützte Regelung von Betriebsparametern zur Optimierung der Anlagenleistung sowie der Komponentenlebensdauer ist nach Wissen des Projektkonsortiums im Feld noch nicht umgesetzt worden.

Lösung

Hier setzt das Forschungsprojekt KI4Wind an. In diesem Vorhaben wird der Einsatz maschineller Lernverfahren zur Identifikation spezifischer Betriebs- und Lastsituationen von WEA erforscht, um physikalische Lasten zu reduzieren und gleichzeitig die elektrische Leistung zu optimieren.

Um dieses Ziel zu erreichen, werden synthetische Simulationsdaten und Serienversuche mit Messdaten aus Dehnungssensoren am Rotorblatt sowie weiteren Anlagendaten kombiniert. Diese kombinierten Daten werden zum Training eines KI-basierten Agenten zur Betriebsführung verwendet, der daraufhin in der Lage ist, optimale Betriebszustände zu identifizieren und diese anzusteuern. Die entwickelten Modelle sollen perspektivisch als Module in lokale WEA-Steuerungen integriert oder zentral in einem Cloud-basierten Optimierungsansatz eingesetzt werden.

Das Fraunhofer IWES bringt sein langjähriges Know-how aus den Bereichen Simulation von WEA, Automatisierungstechnik und Echtzeitsysteme zur realitätsgetreuen Testdurchführung in der eigenen Prüfinfrastruktur in das Projekt ein. Die vom IWES entwickelte, echtzeitfähige Simulationsplattform für die ganzheitliche Simulation von Windparks dient als Testplattform für die in diesem Vorhaben entwickelten Methoden. Es werden repräsentative Simulationsdaten für den Windparkbetrieb, für die offline Entwicklung und Validierung bereitgestellt. Zudem entwickelt das IWES im Rahmen des Projektes Algorithmen zur KI-basierten Windgeschwindigkeitsschätzung und Nachbildung von Simulationsergebnissen.

Mehrwert

Innovative KI-Lösungen zur Optimierung der Betriebsparameter von WEA und Windparks stellen einen Entwicklungssprung in der Anlagensteuerung dar: Einerseits wird die jährliche Energieproduktion maximiert, andererseits die Gesamtlebensdauer der Anlagen durch den lastenverminderten Betrieb über die typischen Genehmigungszeiträume hinaus verlängert. Allein durch eine Verlängerung der Lebensdauer um ein Jahr könnten in Deutschland 5,28 Millionen Tonnen CO2 eingespart werden. Mittelfristig stärkt das Vorhaben die Wettbewerbsfähigkeit deutscher Unternehmen im Windenergiebereich. 

Link zum Abschlussbericht:
https://doi.org/10.34657/28955