Förderprojekt IntelliWind

  Urheberrecht: © W2E Wind to Energy, 2020

Intelligente Modelle zur selbstoptimierenden Lastreduktion bei Windenergieanlagen

 

Motivation

Als Kernbestandteil der Energiewende sind die Errichtung und der Betrieb von Windenergieanlagen (WEA) in den letzten Jahren in Deutschland stark vorangetrieben worden. Der entwicklungstreibende Faktor ist dabei die Cost-of-Energy (COE), also das Verhältnis von Gesamtkosten zur Jahresenergielieferung. Zur Verringerung des COE steigen die Nennleistungen und damit auch Nabenhöhen und Rotordurchmesser moderner WEA stetig an, wodurch auch die Anforderungen an die strukturelle Integrität hinsichtlich einer maximalen Lebensdauer eine Herausforderung darstellen. Der Einsatz von lastreduzierenden Regelungsstrategien ist daher Gegenstand aktueller Forschungsaktivitäten, um durch elektronische Stelleingriffe eine Reduktion der Lastamplituden in Rotor und Turm und damit Materialeinsparungen zu ermöglichen.

Moderne Regelungs- und Schätzverfahren auf Basis eines mathematischen Modells vermögen gegenüber klassischen, einschleifigen Regelkreisen den Vorteil der expliziten Nutzung von Wissen über das Anlagenverhalten, um mittels regelungstechnischer Eingriffe die dynamischen Belastungen von Rotor und Turm zu reduzieren. Die erreichbare Regelgüte und damit auch die erzielbare Reduktion der mechanischen Belastungen werden vorrangig durch die Abbildungsgenauigkeit des verwendeten mathematischen Modells der WEA begrenzt. Dabei gilt es zu beachten, dass die Rechenzeit aktueller speicherprogrammierbarer Steuerungen (SPS) begrenzt ist, sodass das Modell stark auf die relevanten Dynamiken reduziert sein muss. Untersuchungen an einer realen WEA haben gezeigt, dass die nominellen Modelle Unsicherheiten aufweisen, welche unberücksichtigt nicht nur die Vorteile modellbasierter Regelungsverfahren deutlich verringern, sondern ebenfalls die Stabilitätseigenschaften des Regelkreises gefährden und die Genauigkeit der Lastschätzung beschränken.

Ausgangsfrage dieses Vorhabens ist daher, inwiefern eine datengetriebene, auf künstlicher Intelligenz (KI) basierende Identifikation von Teilmodellen und deren Online-Adaption in Lastschätzung und -regelung die Diskrepanz zwischen Simulation und Realität für diese modellbasierten Ansätze verringert.

 

Projektziele und Methoden

Das Gesamtziel des Projektes ist es, mittels KI-basierter Regression das Systemverhalten von WEA datengetrieben zu identifizieren und die Nutzbarmachung in modellbasierten Regelungsverfahren im Vergleich zur physikalischen Modellierung zu untersuchen. Daraus leiten sich folgende Teilziele ab:

• Ableiten eines Datenkatalogs und entsprechender Vorgaben zur Datenakquisition und Auswertung hinsichtlich datengetriebener Modellierung von WEA
• Automatisiertes Training für ein KI-basiertes Grey-Box Modell mit realen Messdaten auf Basis von Support Vector Machines (SVM), Artificial Neural Networks (ANN), Gauß-Prozessen …
• Erweiterung des statischen Modells zur automatischen Online-Adaption im laufenden Betrieb zur Minimierung von Modellfehlern
• Nutzbarmachung des KI-basierten Modells in Lastschätzung und Regelung zur Verbesserung der Genauigkeit

 

Innovationen und Perspektiven

Die Neuheit des beschriebenen Ansatzes liegt in der Aufwertung des dem Stand der Technik entsprechenden Systemmodells um KI-Methoden. Indem die komplexen und in der Auswertung rechenintensiven Teilmodelle datenbasiert identifiziert werden, die grundsätzliche physikalisch motivierte Struktur jedoch erhalten bleibt, ist die Akzeptanz der Industrie gegenüber der neuartigen Modellierung erhöht.

Weiterhin ist speziell die Adaption des KI-Modells an die sich stetig ändernden Betriebsbedingungen als Neuheit zu erwähnen. So können die Regelungsergebnisse zur Laufzeit nachgeschärft werden und Alterungserscheinungen der WEA explizit berücksichtigt werden.

Zuletzt bietet der Modellierungsansatz die Attraktivität, sich aufgrund der anlagenübergreifend gleichen Struktur von WEA leicht auf verschiedene Anlagen übertragen zu lassen, sofern ein adäquater Datenkatalog vorliegt bzw. erzeugt werden kann.

 

Projektpartner
W2E Wind to Energy GmbH