Automatische Selbstoptimierung für Windturbinen

Die Anlage lernt aus vorhandenen Sensordaten wie beispielsweise der Windstärke, selbständig ihre Einstellgrößen so zu verändern, dass sie die bestehenden Verhältnisse bestmöglich nutzt. Gerade bei niedrigen und mittleren Windstärken liefern Windenergieanlagen nicht immer die maximal mögliche Strommenge.

Spezialisten für Lernende Systeme der globalen Siemens-Forschung Corporate Technology (CT) entwickelten dieses Selbstoptimierungs-Verfahren für Windturbinen in dem vom Bundesforschungsministerium geförderten Projekt ALICE (Autonomous Learning in Complex Environments) zusammen mit der TU Berlin und der IdaLab GmbH.

Vom 10. bis 14. März stellen die Forscher ihre Arbeit auf der CeBIT in Hannover vor. Damit kann eine Anlage bei mittleren Windgeschwindigkeiten im Jahr etwa ein Prozent mehr Strom erzeugen und gleichzeitig ihren Verschleiß reduzieren.

Die Forscher zeigen an einem Demonstrator, wie eine Windturbine ihre Betriebsdaten nutzt und schritt­weise ihre Stromproduktion steigert. Dazu verknüpfen sie so genanntes Reinforcement Lernen mit speziellen Neuronalen Netzen. Neuronale Netze sind eine Software, die ähnlich arbeitet wie ein menschliches Gehirn.

Siemens CT entwickelt seit vielen Jahren Neuronale Netze, um das Verhalten von hochkomplexen Systemen – das können Windparks, Gasturbinen, Fabrikanlagen oder auch Börsenmärkte sein – zu modellieren und prognostizieren.

Die Programme lernen anhand von Daten aus der Vergangenheit und können dann zum Beispiel Prognosen für das zukünftige Verhalten eines Systems abgeben. So lässt sich auch ein Modell erstellen, das die Stromproduktion einer Windturbine bei bestimmten Wetterdaten vorhersagt.

Um nun die Effizienz der Windturbine mit Hilfe ihrer Stellgrößen – beispielsweise der Drehzahl der Windturbine – zu verbessern, identifizierten die Forscher aus einer hohen Anzahl sehr verrauschter Daten aussagekräftige Merkmale. Mittels patentierter Neuronaler Netze entstand daraus eine sogenannte Reinforcement Learning Policy.

Für das Ziel einer hohen Stromausbeute erlernt das System, die Einstellungen der Windturbine so zu verändern, dass es in der jeweiligen Situation immer die maximale Strommenge erzielt. Schon nach wenigen Wochen kennt es die optimalen Stellgrößen für häufig auftretende Zustände.

Nach längeren Datenzeiträumen meistert es auch seltene Situationen wie etwa außergewöhnliche Wetterlagen. Vergangenes Jahr wurde die Technik in einem spanischen Windpark erfolgreich erprobt. 

Mit einer fortwährenden Erkundung um lohnende Betriebspunkte kann ein System iterativ immer besser werden. Da die Methoden gut übertragbar sind, können so auch weitere Siemens Produkte lernen, sich zu optimieren. 

http://www.siemens.de/innovationnews