KI-gestützte Leistungsoptimierung in Windkraftanlagen: Machbarkeitsstudie mit Bewind
Wie lässt sich die Leistung von Windkraftanlagen weiter optimieren? Diese Frage hat KI.SH gemeinsam mit Bewind, einem Ingenieurbüro aus Rendsburg, in einer Machbarkeitsstudie untersucht. Im Fokus stand dabei die Frage, ob Künstliche Intelligenz (KI) den Anstellwinkel von Rotorblättern präziser abschätzen kann als herkömmliche Verfahren.
Die Herausforderung: Der Anstellwinkel als Schlüsselfaktor
Der Anstellwinkel beschreibt den Winkel, in dem die Rotorblätter im Verhältnis zum Wind stehen. Er ist entscheidend für den Auftrieb und damit für die Effizienz einer Windkraftanlage: Ein optimal eingestellter Anstellwinkel maximiert die Energieausbeute, während ein ungünstiger Winkel zu Leistungsverlusten führt.
Die Bestimmung des tatsächlichen Anstellwinkels ist in der Praxis jedoch nicht trivial. Zwar lässt sich der Pitchwinkel der Rotorblätter und die Windgeschwindigkeit messen, doch beeinflussen zusätzliche Faktoren wie turbulente Strömungen und die Bewegungsrichtung der Rotorblätter den tatsächlichen Anstellwinkel erheblich. Die konkrete Fragestellung an das KI.SH Team, bestehend aus Daniel Mansfeldt, Keno Teppris, Lasse Päplow und Rachana Niranjan-Murthy, lautete daher: Können KI-Modelle den Anstellwinkel auf Basis der verfügbaren Messdaten besser abschätzen als klassische Methoden?
Der Ansatz: Vier KI-Modelle im Vergleich
Um diese Frage zu beantworten, testete das Projektteam von KI.SH vier verschiedene Typen von KI-Modellen. Dabei wurden sowohl klassische als auch moderne Machine-Learning-Verfahren eingesetzt: Lineare Regression, Support-Vector-Machines, einfache Entscheidungsbäume und XGBoost.
Bei der Auswahl der Modelle standen zwei wesentliche Kriterien im Vordergrund: kurze Rechenzeiten und eine hohe Genauigkeit. Diese Anforderungen sind besonders wichtig, da die Modelle später in einem Regelkreis zur Leistungsoptimierung eingesetzt werden sollen. Der angestrebte Regelkreis würde wie folgt funktionieren: Zunächst erfolgt eine Windmessung und Erfassung des Anlagenstatus, anschließend wird der Windangriffswinkel mit dem KI-Modell abgeschätzt, und schließlich wird der Pitchwinkel der Rotorblätter entsprechend eingestellt.
XGBoost
XGBoost steht für Extreme-Gradient-Boosting und ist ein leistungsstarkes Machine-Learning-Verfahren. Es kombiniert mehrere schwache Entscheidungsbäume sequenziell zu einem starken Modell. Jeder neue Baum wird dabei trainiert, um die Fehler des vorherigen Baums zu korrigieren. XGBoost zeichnet sich durch effiziente Parallelverarbeitung, eingebaute Regularisierung zur Vermeidung von Überanpassung und die Fähigkeit aus, auch mit fehlenden Werten umzugehen.
Ergebnisse: XGBoost überzeugt in der Praxis
Die Auswertung der Machbarkeitsstudie zeigte ein klares Ergebnis: Das XGBoost-Modell lieferte für alle untersuchten Lastfälle zusammen die beste Performance. In den Testergebnissen zeigte sich, dass XGBoost die geringsten Abweichungen bei der Vorhersage des Anstellwinkels aufwies – sowohl im Mittelwert als auch bei den maximalen Abweichungen.
Die Machbarkeitsstudie konnte damit nachweisen, dass KI-Modelle grundsätzlich in der Lage sind, den Anstellwinkel präziser abzuschätzen als herkömmliche Verfahren. Dies eröffnet neue Möglichkeiten für die Leistungsoptimierung von Windkraftanlagen durch intelligente Regelungssysteme.
Ausblick: Vom Modell zur Praxis
Die vielversprechenden Ergebnisse sollen zu konkreten Folgeprojekten führen. Aktuell wird in einer Studienarbeit an der weiteren Verbesserung der Genauigkeit gearbeitet. Parallel dazu läuft ein Projekt zur Portierung des KI-Modells auf eine speicherprogrammierbare Steuerung (SPS), um den Einsatz direkt in Windkraftanlagen "on-the-edge" zu ermöglichen.
Die Machbarkeitsstudie von Bewind und KI.SH zeigt: KI-gestützte Steuerungssysteme können einen relevanten Beitrag zur Effizienzsteigerung von Windkraftanlagen und somit zur Energiewende leisten. Durch präzisere Abschätzungen des Anstellwinkels lässt sich die Energieausbeute optimieren und die Wirtschaftlichkeit der Anlagen verbessern.
