KI-gestützte Windkraft-Automatisierung: Echtzeitschätzung des Blattanstellwinkels als Teil der Anlagensteuerung
Wie lassen sich Windkraftanlagen effizienter steuern und gleichzeitig höhere Erträge erzielen? Diese Frage stellte sich die Bewind GmbH, die sich auf die Entwicklung von Windenergieanlagen spezialisiert hat. Gemeinsam mit dem KI.SH-Team wurde in einer sechsmonatigen Prototypentwicklung untersucht, wie Künstliche Intelligenz (KI) zur präzisen Schätzung von Windangriffswinkeln direkt auf der Anlagensteuerung eingesetzt werden kann.
"KI.SH ist ein vom Land gefördertes Projekt, bei dem richtig viel konkreter Mehrwert für die Unternehmen entsteht."
„Wir fanden es sehr angenehm, wie die Zusammenarbeit mit KI.SH funktioniert hat. Das große Team hat zielführend zusammengearbeitet und sich immer auf das große Ganze fokussiert. Wir finden es großartig, wie weit wir gekommen sind und würden gerne noch weiter mit KI.SH zusammenarbeiten."
Die Herausforderung: KI-Modelle in Echtzeit vor Ort
Die Bewind GmbH ist ein auf Windenergieanlagen spezialisiertes Ingenieurunternehmen mit rund 30 Mitarbeiter:innen und bietet Dienstleistungen wie Struktur‑ und Rotorblattdesign, Last‑ und Ertragsoptimierung, Regelungsstrategien sowie komplettes Systemengineering an.
Für die optimale Anlagensteuerung bietet die präzise Kenntnis des Windangriffswinkels bislang ungenutztes Potential. Bei einer Windkraftanlage können alle Rotorblätter individuell an den Wind angepasst werden, um die Erträge zu optimieren. Dies kann pro Anlage signifikante Ertragssteigerungen - oder bei Fehlstellungen auch Verluste - bedeuten. Angesichts der Vielzahl an Anlagen ist dies ein potenziell großer Faktor für die Erzeugung erneuerbarer Energien in Schleswig-Holstein und darüber hinaus.
In einer vorangegangenen Machbarkeitsstudie im Sommer 2024 konnte bereits nachgewiesen werden, dass ein Entscheidungsbaum-Modell den Windangriffswinkel zuverlässig vorhersagen kann. Die zentrale Herausforderung bestand nun darin, diese Modelle auf einer speicherprogrammierbaren Steuerung (SPS) – der Steuerungseinheit der Windkraftanlagen – zum Laufen zu bringen und ggf. noch schnellere und zuverlässigere KI-Modelle zu testen. Auf Pytorch oder TensorFlow basierende Modelle sind auf solchen Systemen nicht direkt nutzbar. Gleichzeitig mussten strenge Anforderungen erfüllt werden: Die Vorhersagegenauigkeit sollte erhalten bleiben, und die maximale Rechenzeit pro Vorhersage durfte 20 Millisekunden nicht überschreiten.
SPS
Eine SPS (Speicherprogrammierbare Steuerung) ist ein digitales Steuergerät, das in industriellen Anlagen zur Automatisierung und Echtzeitsteuerung von Prozessen eingesetzt wird. Im Fall von Windkraftanlagen steuert die SPS zentrale Parameter wie die Rotorblattstellung.
TensorFlow
TensorFlow ist eine Open-Source-Bibliothek von Google zum Erstellen und Trainieren von KI-Modellen. Sie vereinfacht die Entwicklung von neuronalen Netzen und ermöglicht das Training auf verschiedenen Geräten – vom Laptop bis zur Cloud.
Python
Python ist eine Programmiersprache, die einfach zu lernen und zu lesen ist. Sie wird häufig für KI, Datenanalyse und Automatisierung genutzt, weil sie viele spezialisierte Bibliotheken bietet und eine schnelle Entwicklung ermöglicht.
Das Ziel: Edge-AI für Windkraftanlagen
Das Projektteam von KI.SH, bestehend aus Daniel Mansfeldt, Lasse Päplow, Keno Teppris und Rachana Niranjan-Murthy, verfolgte drei zentrale Ziele: Erstens sollte untersucht werden, ob neuronale Netze eine brauchbare Alternative zu dem schon guten Modell darstellen, das während der Machbarkeitsstudie trainiert wurde. Zweitens galt es, die Machine-Learning-Modelle auf der SPS ausführbar zu machen. Drittens sollte die Echtzeittauglichkeit der Modelle geprüft werden, also ob sie schnell genug für den Dauerbetrieb in der Anlagensteuerung sind.
Die Vision von Bewind ist es, eine KI-gestützte Steuerung direkt vor Ort, ohne aufwendige Cloud-Anbindungen umzusetzen, eine sogenannte Edge-AI.
Vorgehen: Von neuronalen Netzen bis zur Konvertierung in C-Code
Das Team testete verschiedene Ansätze. Es wurden mehrere neuronale Netze trainiert, evaluiert und miteinander verglichen. Dabei zeigte sich, dass das beste entwickelte Modell gute Ergebnisse lieferte – vergleichbar mit dem zuvor genutzten Entscheidungsbaum-Modell.
Der entscheidende Schritt war die Konvertierung der trainierten Modelle in statischen C-Code, der auf der SPS direkt ausgeführt werden kann. Dafür entwickelte das Team ein automatisiertes Verfahren, das etablierte Open-Source-Converter nutzt. Die Modelle wurden in ein C-Paket überführt, das alle relevanten Dateien enthält und ohne externe Bibliotheken auskommt.
Machine-Learning
Machine Learning ist ein Bereich der KI, bei dem Algorithmen auf Grundlage von Daten so trainiert werden, dass sie spezifische Aufgaben auch für neue Daten ausführen können, z.B. ob auf einem Bild ein Hund oder eine Katze gezeigt wird. Das System erkennt Muster und Zusammenhänge in den Daten und kann damit Vorhersagen treffen oder Entscheidungen fällen.
Edge-AI
Edge-AI bedeutet, KI-Modelle direkt auf lokalen Geräten auszuführen statt auf großen Servern oder in der Cloud. Daten werden lokal verarbeitet, was schneller, sicherer und datenschutzfreundlicher ist, ideal für Smartphones, Kameras oder IoT-Geräte.
Ergebnisse: Echtzeittauglich und präzise
Die Tests zeigten vielversprechende Ergebnisse. Beide Modelltypen – Entscheidungsbaum und neuronales Netz – erreichten Rechenzeiten deutlich unter der geforderten Grenze von 20 Millisekunden. Im Dauerbetrieb lag die durchschnittliche Rechenzeit des MLP-Modells bei rund 619 Mikrosekunden, das Entscheidungsbaum-Modell war mit durchschnittlich 215 Mikrosekunden noch schneller.
Vereinzelte Ausreißer mit längeren Rechenzeiten waren im Dauerbetrieb weitgehend vernachlässigbar. Die Vorhersagegenauigkeit der Modelle blieb dabei erhalten. Das neuronale Netz erreichte vergleichbare Fehlerquoten wie das Entscheidungsbaum-Modell aus der Machbarkeitsstudie.
Besonders bemerkenswert: Die Modelle funktionierten bereits in dieser prototypischen Form auch in ersten Ausnahmesituationen, die Bewind testete.
Potenzial für Betreiber: Effizienzgewinne mit potenziell hohem Ertrag
Für Windkraftanlagenbetreiber bedeutet eine Verbesserung der Winkelschätzung um ein bis zwei Grad einen signifikanten Mehrwert. Auch wenn die prozentuale Steigerung im einstelligen Bereich liegt, kann dies wirtschaftlich einen Unterschied im mittleren bis hohen fünfstelligen Bereich ausmachen, so eine erste Schätzung des Bewind-Teams.
Vorerst wird sich Werkstudent Maximilian Hilsky in seiner Masterthesis mit den Ergebnissen aus Machbarkeitsstudie und Prototyp befassen.
Fazit und Ausblick
Das Projekt hat gezeigt, dass die Implementierung von ML-Modellen auf SPS-Steuerungen erfolgreich möglich ist und wie dies umgesetzt werden kann. Die Echtzeittauglichkeit der Modelle ist gegeben, die Vorhersagegenauigkeit bleibt erhalten, und das entwickelte Automatisierungsskript bietet Flexibilität für den Einsatz alternativer Converter.
Ein nächster Schritt ist die Bereitstellung der Modelle auf realen Anlagen im Betrieb. Dieser Test steht noch aus. Zudem könnten weitere Optimierungen vorgenommen werden, etwa die Klärung der vereinzelt auftretenden längeren Rechenzeiten.
Das Projekt verdeutlicht, wie Edge-AI im Bereich erneuerbarer Energien eingesetzt werden kann: direkt vor Ort, ohne Cloud-Anbindung, und mit messbarem wirtschaftlichem Nutzen. Für die Windenergie in Schleswig-Holstein, einem zentralen Transformationsthema der Region, eröffnet dies neue Perspektiven für eine effizientere und ertragreichere Anlagensteuerung.
