-
Die Erfindung betrifft ein Verfahren zum Betreiben einer Windenergieanlage in einem Windpark, welcher an ein elektrisches Versorgungsnetzwerk angeschlossen ist, in welches die von der Windenergieanlage erzeugte elektrische Leistung eingespeist wird sowie einen Windparkmanager und ein Trainingsverfahren.
-
Vor allem im Zusammenhang mit den Folgen des Klimawandels und dem damit einhergehenden Drang zur Nachhaltigkeit, spielen erneuerbare Energiequellen wie Windenergie eine zentrale Rolle, um eine Klimaneutralität bei der Energiegewinnung erreichen zu können.
-
Der Anteil der erneuerbaren Energien am deutschen Stromverbrauch wächst beständig: von rund sechs Prozent im Jahr 2000 auf rund 46 Prozent im Jahr 2020.
-
Für eine maximale Effizienz in der Gesamtbetrachtung der Stromproduktion, ist eine möglichst exakte Vorhersage der Leistungsabgabe von Windenergieanlagen oder Windparks unerlässlich. Nur so kann eine effiziente Bereitstellung anderer Träger Kraftwerke, wie Kohlekraftwerke zur Grundlastabdeckung, gewährleistet werden ohne zusätzliche Kraftwerke zur Spitzenlastabdeckung hochfahren zu müssen.
-
Es ist, wie im anschließenden Stand der Technik aufgezeigt, bekannt, Windenergieanlagen abhängig von gegebenen Windverhältnissen zu regeln beziehungsweise einzelne Bauteile der Windenergieanlage abhängig von den Windverhältnissen anzusteuern. Es ist beispielsweise bekannt, an dem hinteren Ende einer Gondel einer Windenergieanlage, also auf der windabgewandten Seite der Windenergieanlage, eine Windfahne anzuordnen. Abhängig von der mittels der Windfahne bestimmten Windrichtung wird dabei insbesondere der sogenannte Windnachführmechanismus der Windenergieanlage geregelt.
-
Für mittel- und langfristige Vorhersagen in nicht-turbulenten Umweltzuständen können bereits mit einfachen physikalischen oder statistischen Modellen gute Ergebnisse erzielt werden. Allerdings ist besonders im Kurzfristbereich die Genauigkeit bekannter Methoden limitiert. Eine weitere Erschwernis stellen verschiedenste Unsicherheiten dar, wie beispielsweise turbulente Wetterverhältnisse oder Sensorausfälle.
-
Generell basieren aktuelle Lösungen auf simplen Methoden, die sich auf Klimatologie oder Durchschnittswerte vergangener Produktionswerte stützen z.B. Vorhersage von Wettervariablen der Windenergieanlage mittels NWP-Modellen (Numerical Weather Prediction) oder auf einfachen Optimierungsverfahren. Diese sind nur optimal für nicht-turbulente und stetige Wetterverhältnisse geeignet.
-
Die
DE 10 2017 105 165 A1 offenbart ein Verfahren zum Bestimmen einer verfügbaren Leistung eines Windparks, wobei der Windpark mehrere Windenergieanlagen mit einem Rotor mit in ihrem Blattwinkel verstellbaren Rotorblättern umfasst, wobei das Verfahren umfasst: Bereitstellen oder Verwenden einer Abschattungsmatrix, die wenigstens eine wirksame Windgeschwindigkeit jeder der Windenergieanlagen des Windparks als Funktion zumindest einer Windgeschwindigkeit und Windrichtung sowie einer Windparkdrosselung unter Verwendung eines Park-Nachlauf-Modells bestimmt, wobei die verfügbare Leistung des Windparks basierend auf der wirksamen Windgeschwindigkeit bestimmt wird.
-
Die
EP 2326835B1 offenbart ein Verfahren zur Regelung eines Windparks, bestehend aus mehreren Windenergieanlagen, wobei der Windpark an ein elektrisches Versorgungsnetzwerk angeschlossen ist, in welches die von dem Windpark erzeugte elektrische Leistung eingespeist wird, und der Windpark über einen Steuereingang verfügt, mittels dem Sollregelgrößen des Windparks eingestellt werden können, wobei jede Windenergieanlage dezentral geregelt wird, um mindestens eine Sollregelgröße des Windparks einzuhalten, wobei in Abhängigkeit der Sollregelgröße für den Windpark windenergieanlagenseitig jeweils mindestens eine Regeleingangsgröße für die Windenergieanlage berechnet wird.
-
Die
DE 10 2016 121961 A1 offenbart ein Verfahren zum Steuern einer Windenergieanlage, umfassend: Bereitstellen einer Windgeschwindigkeit und einer Anströmrichtung, die von einer Windmessvorrichtung der Windenergieanlage bestimmt werden, Bereitstellen eines Korrekturwertes der Anströmrichtung in Abhängigkeit der Windgeschwindigkeit, Durchführen eines Lernverfahrens des Korrekturwertes der Anströmrichtung in Abhängigkeit der Windgeschwindigkeit, wobei das Lernverfahren mehrere Optimierungsschritte umfasst, wobei eine Ausführung der Optimierungsschritte von den bereits für die bereitgestellte Windgeschwindigkeit durchgeführten Optimierungsschritten abhängt.
-
Es ist daher eine Aufgabe der vorliegenden Erfindung, ein Verfahren anzugeben, welches den Betrieb einer Windenergieanlage gegenüber dem Stand der Technik verbessert sowie einen Windparkmanager und ein computerimplementiertes Trainingsverfahren anzugeben.
-
Die Aufgabe wird gelöst durch ein Verfahren zum Betreiben einer Windenergieanlage mit den Merkmalen des Anspruchs 1 sowie einem Windparkmanager mit den Merkmalen des Anspruchs 11 und ein Trainingsverfahren mit den Merkmalen des Anspruchs 12.
-
Weitere Einzelheiten und Ausführungen der Erfindung ergeben sich aus der nachfolgenden Beschreibung von Ausführungsbeispielen und / oder in Verbindung mit den Unteransprüchen.
-
Die Aufgabe wird gelöst durch ein Verfahren zum Betreiben einer Windenergieanlage in einem Windpark, welcher an ein elektrisches Versorgungsnetzwerk angeschlossen ist, in welches die von der Windenergieanlage erzeugte elektrische Leistung eingespeist wird, mit den Schritten:
- - Erfassen aktueller Maschinendaten der Windenergieanlage durch Maschinensensoren, wobei die Maschinendaten Daten in Bezug auf mechanische Komponenten der Windenergieanlage beschreiben,
- - Erfassen aktueller Umfelddaten durch Umfeldsensoren, wobei die Umfelddaten die dynamischen Wetterdaten in Bezug auf die Umgebung der Windenergieanlage beschreiben,
- - Einspeisen der aktuell erfassten Maschinendaten und der aktuell erfassten Umfelddaten in ein trainiertes erstes maschinelles Lernverfahren, welches dazu konfiguriert ist, eine Leistungsabgabe der Windenergieanlage zumindest über ein vorabdefiniertes Zeitfenster vorherzusagen, wobei das erste maschinelle Lernverfahren anhand von Maschinendaten, welche Daten in Bezug auf die mechanischen Komponenten aller zumindest baugleichen und/oder funktionsgleichen Windenergieanlagen des gesamten Windparks beschreiben, trainiert wurde und anhand von Umfelddaten, welche die dynamischen Wetterdaten in Bezug auf die Umgebung aller Windenergieanlagen des gesamten Windparks beschreiben trainiert wurde,
- - Vorhersagen der Leistungsabgabe der Windenergieanlage über das vorabdefinierte Zeitfenster durch das trainierte erste maschinelle Lernverfahren,
- - Betreiben der Windenergieanlage unter Berücksichtigung der vorhergesagten Leistungsabgabe in dem Zeitfenster.
-
Unter Windpark kann eine Gruppe von Windenergieanlagen an einem einzelnen Standort verstanden werden.
-
Funktionsgleiche Windenergieanlagen sind Windenergieanlagen welche beispielsweise nahezu baugleich oder ähnlich sind oder bei denen wesentliche Parameter beispielsweise übereinstimmen.
-
Unter Umfelddaten sind Daten, welche durch Umfeldsensoren aufgenommen werden, zu verstehen, wobei die Umfelddaten die dynamischen Wetterdaten in Bezug auf die Umgebung, insbesondere die unmittelbare Umgebung der Windenergieanlage beschreiben. Vorzugsweise können die Daten sowohl von den Windenergieanlagen bzw. angeordneten Sensoren selbst, und von anderen Windenergieanlagen im Windpark stammen, aber auch von weiteren externen Sensoren stammen z.B. Windmesser von umliegenden Häusern/Gebäuden. Durch Betrachtung mehrerer Quellen können die dynamischen Informationen so zusätzlich in einen räumlichen Zusammenhang gebracht werden. Solche dynamischen Daten sind insbesondere die Windgeschwindigkeit, die Temperatur, die Windrichtung, Niederschlag, die Wettervorhersage, oder Unwetterwarnungen.
-
Die Daten können über verschiedene Edge-Devices, Onlinedienste, lokale Dateien als auch aus bereits installierten Systemen bezogen werden, oder selbst generiert werden.
-
Maschinendaten beschreiben Daten der Windenergieanlage, welche durch Maschinensensoren erfasst werden, wobei die Maschinendaten Daten in Bezug auf die mechanischen Komponenten der Windenergieanlage sind, d.h. insbesondere aller mechanischen Komponenten. Der Begriff Maschine kann dabei unter anderem Generator, Getriebe, Lager, Rotorblätter etc. umfassen. Solche Maschinendaten sind beispielsweise Erregerstrom, Nennleistung, Rotorstellung, Ausrichtung, Drehzahl, eingelegter Gang, Spannung, Temperaturen, Drücke, etc.
-
Erfindungsgemäß wurde erkannt, dass durch ein maschinelles Lernverhalten, welches anhand des gesamten Grids, d.h. des gesamten Windparks antrainiert wurde, eine genaue Vorhersage der Leistungsabgabe jeder einzelnen Windenergieanlage bewerkstelligt werden kann.
-
Dabei werden unter Einbezug der Daten mehrerer vernetzter Anlagen mittels des maschinellen Lernverfahrens Unsicherheiten, wie sie beispielsweise durch volatile Wetterverhältnisse oder Sensorausfälle verursacht werden, minimiert.
-
Durch sowohl der Betrachtung des individuellen Verhaltens der Windenergieanlage als auch der Gesamtbetrachtung eines kompletten Windparks mittels des trainierten maschinellen Lernverfahrens können daher die genannten Unsicherheiten minimiert werden, was sich wiederum positiv auf die Vorhersagegüte des Verfahrens auswirkt. Das bedeutet, dass anhand des Einbezugs der Daten mehrerer vernetzter Windenergieanlagen aller im Windpark vorhandener Windenergieanlagen, welche durch das Training des maschinellen Lernverfahrens gesamtheitlich miteinbezogen sind, Unsicherheiten minimiert werden. Ebenso werden Unsicherheiten, wie sie durch partielle Beobachtung lediglich einer Windenergieanlage erhalten werden, minimiert.
-
Durch das Anlernen des maschinellen Lernverfahrens anhand aller Windenergieanlagen im Windpark sind genügend hochqualitative Trainingsdaten vorhanden, so dass ein trainiertes hochqualitatives maschinelles Lernverfahren erzielt werden kann.
-
Somit kann die Vorhersage für die zukünftige Leistungsabgabe einer Windenergieanlage und somit des gesamten Windparks wesentlich verbessert werden, was wiederum zu einer verbesserten, vorausschauenden Betriebsweise führt.
-
In weiterer Ausgestaltung werden zusätzlich aktuelle Sensordaten von Sensoren erfasst, welche an einer oder mehreren Komponenten der Windenergieanlage angebracht sind und zumindest die entsprechende Komponente überwachen, und in das erste trainierte maschinelle Lernverfahren eingespeist, wobei das erste maschinelle Lernverfahren zusätzlich anhand von Sensordaten von Sensoren, welche an einer oder mehreren Komponenten der baugleichen und/oder funktionsgleichen Windenergieanlagen des Windparks angebracht sind und zumindest die entsprechende Komponente überwachen, trainiert wurde und wobei die Leistungsabgabe der Windenergieanlage über das vorabdefinierte Zeitfenster durch das so trainierte erste maschinelle Lernverfahren vorhergesagt wird.
-
Dabei können unter Sensordaten diejenigen Daten verstanden werden, die sich durch Anbringen zusätzlicher Sensorik aufzeichnen lassen und mit deren Informationsgewinn sich unter anderem die Maschinen- oder Umfelddaten ergänzen lassen. Solche Sensordaten können beispielsweise den Körperschall einer Komponente oder der kompletten Windenergieanlage und/oder Vibration und/oder Windgeräusche erfassen und beispielsweise durch Dehnungsmessstreifen als Sensoren in den Rotorblättern erfasst werden.
-
Durch die Verwendung der Sensordaten lässt sich die Vorhersage der Leistungsabgabe verbessern.
-
Ferner ist das trainierte erste maschinelle Lernverfahren dazu ausgelegt, die Wahrscheinlichkeit mit welcher die vorhergesagte Leistungsabgabe in dem Zeitfenster eintritt, anzugeben, wobei die Windenergieanlage in dem Zeitfenster unter Berücksichtigung der vorhergesagten Leistungsabgabe unter Einbeziehen der Wahrscheinlichkeit des Eintritts der Leistungsabgabe betrieben wird. Durch die Angabe einer solchen Wahrscheinlichkeit kann die Planungssicherheit erhöht werden.
-
Somit kann zusätzlich zur Vorhersage der Leistungsabgabe auch die zugehörige Wahrscheinlichkeit ausgegeben werden, wie sicher ein Eintreten einer entsprechenden zukünftigen Leistungsabgabe ist. Da nicht aus jeder Situation heraus eine perfekte Vorhersage möglich ist, kann die Wahrscheinlichkeit daher als ein gewichtiger Indikator für das weitere Betreiben der Windenergieanlage anhand der vorhergesagten Leistungsabgabe sein.
-
In weiterer Ausbildung wird eine Güte, mit welcher die vorhergesagte Leistungsabgabe in dem Zeitfenster eintritt und bedarfsweise die Güte von dessen Wahrscheinlichkeit, bestimmt, wobei die Güte anhand eines Gütekennwertes bestimmt wird.
-
Beispielsweise wird zur Überprüfung der Vorhersageergebnisse ein Gütekennwert bestimmt, wie der Mean Squared Error (MSE), der den Fehler zwischen der vorhergesagten Leistungsabgabe und der dazugehörigen tatsächlichen Leistungsabgabe berechnet. Außerdem sind eigens für bestimmte Sachverhalte definierte Werte zur Bewertung der Güte möglich. Ein Beispiel bei der Vorhersage von Ausfällen bestimmter Maschinenkomponenten ist die „False Positive Rate“ also das Verhältnis von vorhergesagten Ausfällen, die tatsächlich nicht eintreten zur Anzahl der insgesamt vorhergesagten Ausfälle.
-
So wird anhand der Güte der Vorhersageergebnisse auch die Güte des ersten trainierten maschinellen Lernverfahrens bestimmt.
-
In weiterer Ausbildung ist zusätzlich ein physikalisches Modell vorgesehen, wobei zumindest die Leistungsabgabe durch eine Verrechnung der vorhergesagten Leistungsabgabe bzw. dessen physikalischen Größen aus dem physikalischen Modell und dem ersten trainierten maschinellen Lernverfahren bestimmt wird.
-
Dies bedeutet, dass eine Leistungsabgabe bzw. die die Leistungsabgabe bestimmenden physikalischen Größen zum einem anhand des ersten trainierten maschinellen Lernverfahrens als auch durch das physikalische Modell bestimmt wird.
-
Anhand einer Verrechnung beispielsweise einer Kombination der Ausgaben des ersten trainierten maschinellen Lernverfahrens und des physikalischen Modells kann nun eine genauere oder eine schnellere Leistungsabgabe vorhergesagt werden. Auch kann insbesondere das gleiche oder ein ähnliches physikalisches Modell für die Bestimmung der Wahrscheinlichkeit verwendet werden. Beispiele für physikalische Modelle sind Strömungssimulationen oder die Bestimmung der Drehzahl eines Windrades aus der Rotorstellung und der Windgeschwindigkeit.
-
Dadurch müssen Größen, welche anhand von physikalischen Modellen einfach bestimmt werden können, nicht durch ein trainiertes maschinelles Lernverfahren bestimmt werden.
-
In einer weiteren Ausgestaltung werden zusätzlich aktuelle Sensordaten von Sensoren, welche an einer oder mehreren Komponenten der Windenergieanlage angebracht sind und zumindest die entsprechende Komponente überwachen, erfasst und in ein trainiertes zweites maschinelles Lernverfahren eingespeist, zum Bestimmen eines Maschinenzustandes zumindest einzelner Komponenten der Windenergieanlage anhand des zweiten trainierten maschinellen Lernverfahrens mittels zumindest der aktuell erfassten Sensordaten und der aktuell erfassten Maschinendaten, wobei das zweite trainierte maschinelle Lernverfahren anhand der Maschinendaten, welche Daten in Bezug auf die mechanischen Komponenten aller zumindest baugleichen und/oder funktionsgleichen Windenergieanlagen des gesamten Windparks beschreiben, trainiert wurde, und zusätzlich anhand von Sensordaten von Sensoren, welche an einer oder mehreren Komponenten der baugleichen und/oder funktionsgleichen Windenergieanlagen des Windparks angebracht sind, trainiert wurde, um einen Maschinenzustand zumindest einzelner Komponenten der Windenergieanlage zumindest über das vorabdefinierte Zeitfenster vorherzusagen und Betreiben der Windenergieanlage unter Berücksichtigung der vorhergesagten Leistungsabgabe und des vorhergesagten Maschinenzustandes in dem vorabdefinierten Zeitfenster.
-
Dabei kann unter einer Vorhersage des Maschinenzustandes eine Vorhersage des zukünftigen mechanischen Zustands der Windenergieanlage verstanden werden. Somit kann ein Betreiben der Windenergieanlage unter der vorhergesagten Leistungsabgabe und des vorhergesagten Maschinenzustandes erfolgen. Somit kann die Lebensdauer einzelner Windenergieanlagen verlängert werden, bzw. ein Betreiben so erfolgen, dass die Lebensdauer verlängert wird. Ebenfalls können anhand des vorhergesagten Maschinenzustandes entsprechende Maßnahmen zur Schadensvermeidung erkannt und behoben werden, unter Berücksichtigung der zu erwartenden vorhergesagten Leistungsabgabe in dem vorabdefinierten Zeitfenster.
-
Auch können aktuelle Umfelddaten miteinfließen, wobei das zweite trainierte maschinelle Lernverfahren unter Berücksichtigung von Umfelddaten zur Vorhersage des Maschinenzustandes trainiert wurde.
-
In einer weiteren Ausgestaltung kann anhand der vorhergesagten Leistungsabgabe in dem Zeitfenster als auch des vorhergesagten Maschinenzustandes in dem Zeitfenster mittels eines Optimierungsverfahrens ein Wartungsplan zur Durchführung von Wartungsarbeiten in dem vorabdefinierten Zeitfenster generiert werden.
-
Durch die gesamtheitliche Betrachtung von Leistungsabgabe und Maschinenzustand in Verbindung mit Wartungsaspekten kann die Gesamteffizienz der einzelnen Windenergieanlage als auch des gesamten Windparks gefördert werden.
-
Die Wartung von Windenergieanlagen wird dadurch in einen direkten bidirektionalen Zusammenhang mit der Vorhersage der Leistungsabgabe und des Maschinenzustandes gesetzt.
-
Einerseits kann während der Durchführung von Wartungsarbeiten keine elektrische Leistung abgegeben werden, andererseits bieten Perioden mit einer wahrscheinlich niedrigen Leistungsausbeute potenzielle Zeitfenster, um Wartungen einzuplanen. Beim genannten bidirektionalen Zusammenhang zwischen Leistungsvorhersage und Wartungsaspekten bietet der gesamtheitliche Ansatz den Vorteil, dass Wartungspläne ausgegeben werden, die hinsichtlich vorhergesagten Zeitfenstern mit niedriger Leistungsausbeute und dem aktuellen und zukünftigen technischen Zustand der Windenergieanlagen optimal sind.
-
Anstehende Wartungen lassen sich in Kombination mit der so gewonnenen Information effizienzorientiert planen, wie z.B. in Perioden ungünstiger Umweltbedingungen und somit eingeschränkter Produktivität der Windenergieanlage.
-
In weiterer Ausgestaltung wird mittels der erfassten aktuellen Maschinendaten, der erfassten aktuellen Umfelddaten und der erfassten aktuellen Sensordaten anhand eines dritten maschinellen Lernverfahrens ein Sicherheitszustand der Windenergieanlage zumindest über das vorabdefinierte Zeitfenster vorhergesagt, wobei das dritte maschinelle Lernverfahren anhand von Maschinendaten, welche Daten in Bezug auf die mechanischen Komponenten aller zumindest baugleichen und/oder funktionsgleichen Windenergieanlagen des gesamten Windparks beschreiben, und anhand von Umfelddaten, welche die dynamischen Wetterdaten in Bezug auf die Umgebung der Windenergieanlage beschreiben trainiert wurde und anhand von Sensordaten von Sensoren, welche an einer oder mehreren Komponenten der baugleichen und/oder funktionsgleichen Windenergieanlagen des Windparks angebracht sind und zumindest die entsprechende Komponente überwachen, trainiert wurde.
-
Somit kann eine Prognose für die Beanspruchung des Materials hergeleitet werden und es können ggf. frühzeitig Sicherheitsmaßnahmen zum Schutz der Windenergieanlage empfohlen oder durch Ansteuern einer Sicherheitsaktuatorik direkt eingeleitet werden. Wenn beispielsweise das Herannahen einer starken Windböenfront vorherzusehen ist, können frühzeitig Sicherungsmaßnahmen, wie z.B. das Abbremsen oder Verringern der Anströmfläche eingeleitet werden.
-
Vorzugsweise sind das erste und/oder das zweite maschinelle Lernverfahren und/oder das dritte maschinelle Lernverfahren identisch.
-
Je nach Ausgabetyp können verschieden oder identische maschinelle Lernverfahren zum Einsatz kommen, z.B. in Form von Regression für die zukünftige Leistungsabgabe oder Unsupervised-Learning Methoden zur Vorhersage des Maschinenzustands. Ebenfalls möglich ist der Einsatz verschiedener Architekturen von neuronalen Netzwerken, wie beispielsweise MLP (Multi-Layer Perceptron) oder LSTM-Netzwerken (Long short-term Memory), die vor allem bei der Berücksichtigung zeitlicher Zusammenhänge Vorteile bieten. Weiter sind unter anderem z.B. Autoencoder und Encoder-Decoder Architekturen für die Vorhersage des Maschinenzustandes einsetzbar.
-
In weiterer Ausgestaltung werden zusätzlich aktuelle Trenddaten erfasst, und in das erste trainierte maschinelle Lernverfahren und/oder das zweite trainierte maschinelle Lernverfahren und / oder das dritte trainierte maschinelle Lernverfahren eingespeist, wobei die Trenddaten zumindest saisonale Informationen beinhalten und wobei das erste maschinelle Lernverfahren trainiert wurde, unter zusätzlicher Verwendung der Trenddaten die Leistungsabgabe in dem vorabdefinierten Zeitfenster vorherzusagen und/oder das zweite maschinelle Lernverfahren trainiert wurde, unter zusätzlicher Verwendung der Trenddaten den Maschinenzustand in dem vorabdefinierten Zeitfenster vorherzusagen und/oder das dritte maschinelle Lernverfahren trainiert wurde, unter zusätzlicher Verwendung der Trenddaten den Sicherheitszustand in dem vorabdefinierten Zeitfenster vorherzusagen.
-
Dabei können Trenddaten Informationen zu Sachverhalten, die entweder die Windenergieanlage oder deren Komponenten global beeinflussen oder davon beeinflusst werden, beinhalten. Trenddaten sind beispielsweise die aktuelle Netzauslastung, saisonale Informationen wie Leistungsbedarf an Weihnachten etc., allgemeines Windverhalten beispielsweise im Dezember /Januar etc., oder allgemeine Lebensdauer einzelner Komponenten etc.
-
Durch die Verwendung solcher Trenddaten kann die Genauigkeit der vorhergesagten Leistungsabgabe und/oder des vorhergesagten Maschinenzustandes und/oder des vorhergesagten Sicherheitszustandes erhöht werden. Ferner kann somit auch eine verbesserte Optimierung zur Generierung des Wartungsplans erzielt werden.
-
Ferner können zusätzlich aktuelle Standortdaten erfasst werden, und in das erste trainierte maschinelle Lernverfahren und/oder das zweite trainierte maschinelle Lernverfahren und / oder das dritte trainierte maschinelle Lernverfahren eingespeist werden, wobei die Standortdaten zumindest den Standort der Windenergieanlage zumindest in Bezug auf das Höhenprofil und die umliegende Vegetation beschreiben und wobei das erste maschinelle Lernverfahren trainiert wurde, unter zusätzlicher Verwendung der Standortdaten die Leistungsabgabe in dem vorabdefinierten Zeitfenster vorherzusagen und/oder das zweite maschinelle Lernverfahren trainiert wurde, unter zusätzlicher Verwendung der Standortdaten den Maschinenzustand in dem vorabdefinierten Zeitfenster vorherzusagen und/oder das dritte maschinelle Lernverfahren trainiert wurde, unter zusätzlicher Verwendung der Standortdaten den Sicherheitszustand in dem vorabdefinierten Zeitfenster vorherzusagen.
-
Solche Standortdaten können stationäre Daten sein, die den Standort der Windenergieanlage beschreiben und die sich im Vergleich zu den Umfelddaten als konstante Daten darstellen lassen, und durch welche es z.B. ermöglicht wird, mehrere Windenergieanlagen beispielsweise in verschiedenen Windparks miteinander zu vergleichen. Solche Standortdaten sind beispielsweise das Höhenprofil / topographische Karte der Umgebung, ein Strömungsverhalten (Wind), sowie weitere konstante Standortinformationen wie z.B. eine umliegende Vegetation.
-
Durch die Verwendung solcher Standortdaten kann die Genauigkeit der vorhergesagten Leistungsabgabe und/oder des vorhergesagten Maschinenzustandes und/oder des vorhergesagten Sicherheitszustandes erhöht werden. Ferner kann somit auch eine verbesserte Optimierung zur Generierung des Wartungsplans erzielt werden.
-
In einer weiteren Ausgestaltung werden aktuelle Maschinendaten und aktuelle Umfelddaten und aktuelle Sensordaten und Standortdaten und aktuelle Trenddaten für die Windenergieanlage erfasst und mittels einer Selektoreinheit bedarfsweise auf das erste trainierte maschinelle Lernverfahren und/oder das zweite trainierte maschinelle Lernverfahren und/oder das dritte trainierte maschinelle Lernverfahren aufgeteilt.
-
Anhand der Selektoreinheit werden die einmal aufgenommenen Eingabedaten gefiltert, um die Eingabedaten in jeweils für die einzelnen trainierten maschinellen Lernverfahren relevante Teilmengen aufzuteilen. Dadurch kann eine Datenreduktion erzielt werden.
-
Ferner wird die Aufgabe gelöst durch einen Windparkmanager für einen Windpark aufweisend mehrere Windenergieanlagen, welche mit einem wie oben beschriebenen Verfahren betrieben werden.
-
Durch einen solchen Windparkmanager kann eine gesamtheitliche Betrachtung verknüpfter Zusammenhänge, wie z.B. Wartung, bei der Vorhersage der zukünftigen Leistungsabgabe des Windparks erzielt werden. Ferner können Unsicherheiten bei der Vorhersage der Leistungsabgabe durch die Angabe einer Wahrscheinlichkeit/Konfidenz berücksichtigt werden. Auch können Wartungspläne auf Basis von Vorhersagen für Leistungsabgabe, Maschinenzustand und weiteren Rahmenbedingungen (Sicherheitszustand) erstellt werden.
-
Ferner wird die Aufgabe gelöst durch ein computerimplementiertes Trainingsverfahren zur Vorhersage zumindest einer Leistungsabgabe einer Windenergieanlage eines Windparks, umfassend der Schritte:
- - Bereitstellen von Maschinendaten von zumindest baugleichen und/oder funktionsgleichen Windenergieanlagen des gesamten Windparks, wobei die Maschinendaten Daten in Bezug auf mechanische Komponenten einer Windenergieanlage beschreiben,
- - Bereitstellen von Umfelddaten, wobei die Umfelddaten die dynamischen Wetterdaten in Bezug auf die Umgebung aller Windenergieanlagen des gesamten Windparks beschreiben,
- - Bereitstellen eines maschinellen Lernverfahrens,
- - Trainieren des maschinellen Lernverfahrens anhand der bereitgestellten Maschinendaten und Umfelddaten zur Vorhersage der Leistungsabgabe einer Windenergieanlage über ein vorabdefiniertes Zeitfenster.
-
Ferner kann das maschinelle Lernverfahren zusätzlich anhand bereitgestellter Sensordaten von Sensoren, welche an einer oder mehreren Komponenten der baugleichen und/oder funktionsgleichen Windenergieanlagen des Windparks angebracht sind und zumindest die entsprechende Komponente überwachen und/oder anhand bereitgestellter Standortdaten, welche als stationäre Daten den Standort zumindest in Bezug auf das Höhenprofil und die umliegende Vegetation beschreiben, und/oder anhand von Trenddaten, welche zumindest saisonale Informationen beinhalten, trainiert werden.
-
Weiterhin kann das maschinelle Lernverfahren zusätzlich anhand von Maschinendaten und/oder Sensordaten von zumindest baugleichen und/oder funktionsgleichen Windenergieanlagen aus einem zweiten Windpark, wobei der zweite Windpark vergleichbare Standortdaten aufweist, trainiert werden. Dadurch können mehr qualitativ hochwertige Trainingsdaten erzeugt werden.
-
Dabei kann es sich bei dem maschinellen Lernverfahren auch um das zweite maschinelle Lernverfahren zur Ausgabe des Maschinenzustandes und das dritte maschinelle Lernverfahren zur Ausgabe des Sicherheitszustandes handeln, wobei hier die entsprechenden Trainingsdaten eingegeben werden müssen.
-
Je nach Ausgabetyp können verschiedene maschinelle Lernverfahren zum Einsatz kommen, z.B. in Form von Regression für die zukünftige Leistungsabgabe oder Unsupervised-Learning Methoden zur Vorhersage des Maschinenzustands.
-
Ebenfalls möglich ist der Einsatz verschiedener Architekturen von neuronalen Netzwerken, wie beispielsweise MLP (Multi-Layer Perceptron) oder LSTM-Netzwerken (Long short-term Memory), die vor allem bei der Berücksichtigung zeitlicher Zusammenhänge Vorteile bieten. Weiter sind unter anderem z.B. Autoencoder und Encoder-Decoder Architekturen für die Vorhersage des Maschinenzustandes einsetzbar.
-
Zur Überprüfung der Vorhersageergebnisse eines jeweiligen maschinellen Lernverfahrens können verschiedene Gütekennzahlen erzeugt werden, wie z.B. der Mean Squared Error (MSE), der den Fehler zwischen vorhergesagtem Wert und dem dazugehörigen tatsächlichen Wert berechnet. Außerdem sind eigens für bestimmte Sachverhalte definierte Kennzahlen zur Bewertung der Güte möglich. Ein Beispiel bei der Vorhersage von Ausfällen bestimmter Maschinenkomponenten ist die „False Positive Rate“ also das Verhältnis von vorhergesagten Ausfällen, die tatsächlich nicht eintreten zur Anzahl der insgesamt vorhergesagten Ausfälle.
-
Ferner kann das maschinelle Lernverfahren anhand von Merkmalen trainiert werden, wobei die Merkmale unter Verwendung zumindest der Maschinendaten und zumindest der Umfelddaten durch Feature Engineering generiert werden und/oder die Merkmale als Ausgabe physikalischer Modelle, welche Zusammenhänge zwischen Maschinendaten und /oder Umfelddaten beschreiben, generiert werden.
-
Dies bedeutet, dass eine Extraktion und Berechnung von Merkmalen anhand von Feature Engineering aus der eingegebenen Datenmenge vorgenommen werden kann, um Zusammenhänge zu verschiedenen Einflüssen abzuleiten. Unter Merkmalen kann eine individuell messbare Eigenschaft oder Eigenschaft eines beobachteten Phänomens verstanden werden. Ein Merkmal zur Vorhersage der Leistungsabgabe ist beispielsweise die aktuelle Temperatur oder die Temperatur in einer Stunde laut Wettervorhersage. Die Merkmale können somit aus den Eingabedaten durch Feature Engineering gewonnen werden, oder können auch Ergebnisse oder Zwischenergebnisse physikalischer Modelle sein.
-
Anhand solcher hochqualitativen Merkmale mit großem Informationsgehalt kann die/das maschinelle Lernverfahren mit hohem Erfolg besser trainiert werden.
-
Weitere Eigenschaften und Vorteile der vorliegenden Erfindung ergeben sich aus der nachfolgenden Beschreibung unter Bezugnahme auf die beiliegenden Figuren. Darin zeigen schematisch:
- 1: ein computerimplementiertes Trainingsverfahren in einer ersten Ausgestaltung,
- 2: ein computerimplementiertes Trainingsverfahren in einer zweiten Ausgestaltung,
- 3: ein Verfahren zum Betreiben einer Windenergieanlage in einem Windpark in einer ersten Ausgestaltung,
- 4: das Verfahren zum Betreiben einer Windenergieanlage in einem Windpark in einer zweiten Ausgestaltung,
- 5: das Verfahren zum Betreiben einer Windenergieanlage in einem Windpark in einer dritten Ausgestaltung,
- 6: einen erfindungsgemäßen Windparkmanager.
-
1 zeigt ein computerimplementiertes Trainingsverfahren für ein maschinelles Lernverfahren in einer ersten Ausgestaltung. Dabei kann das Lernverfahren unter Verwendung von Maschinendaten und/oder Sensordaten /und/oder Trenddaten und/oder Umfelddaten und/oder Standortdaten je nach Ausgabe trainiert werden. Vorzugsweise werden die Daten aus bau- oder funktionsgleichen Windenergieanlagen zumindest des gesamten Windparks und ggf. vergleichbaren Windparks gewonnen, so dass eine Vielzahl von hochwertigen Trainingsdaten zur Verfügung steht, durch welche das maschinelle Lernverfahren hochqualitativ angelernt werden kann.
-
Dabei beschreiben die Maschinendaten diejenigen Daten in Bezug auf die mechanischen Komponenten einer Windenergieanlage, wie Generator, Getriebe, Lager, Rotorblätter etc. Diese können über entsprechende Sensorsysteme erfasst werden. Solche Maschinendaten sind beispielsweise Erregerstrom, Leistungsabgabe, Rotorstellung, Ausrichtung, Drehzahl, eingelegter Gang, Spannung, Temperaturen, Drücke oder der Komponentenzustand.
-
Dabei beschreiben die Umfelddaten vor allem dynamische Wetterdaten mit Bezug auf die unmittelbare Umgebung der Windenergieanlage. Diese Daten können sowohl von einer Windenergieanlage selbst, von anderen Windenergieanlagen im Windpark, aber auch von weiteren externen Sensoren stammen z.B. Windmesser von umliegenden Häusern/Gebäuden als auch durch Wettersatelliten. Durch Betrachtung mehrerer Quellen können die dynamischen Informationen so zusätzlich in einen räumlichen Zusammenhang gebracht werden. Umfelddaten sind beispielsweise Windgeschwindigkeit, Temperatur, Windrichtung, Niederschlag, Wettervorhersage, und beispielsweise Unwetterwarnungen.
-
Dabei beschreiben Sensordaten vor allem jene Daten, die sich durch Anbringen zusätzlicher Sensorik, wie beispielsweise Dehnungsmessstreifen in den Rotorblättern, aufzeichnen lassen und mit deren Informationsgewinn sich unter anderem die Maschinen- oder Umfelddaten ergänzen lassen. Sensordaten können beispielsweise den Körperschall, Vibration, und Windgeräusche betreffen.
-
Dabei beschreiben die Standortdaten vor allem stationäre Daten, die den Standort der Windenergieanlage beschreiben und sich im Vergleich zu den Umfelddaten als konstante Daten darstellen lassen, und welche es z.B. ermöglichen, mehrere Windenergieanlagen miteinander zu vergleichen. Standortdaten können beispielsweise das Höhenprofil / die topographische Karte der Umgebung, das dortige Strömungsverhalten im Allgemeinen, sowie beispielsweise eine z.B. umliegende Vegetation sein.
-
Dabei beschreiben Trenddaten vor allem Informationen zu Sachverhalten, die entweder die Windenergieanlage oder deren Komponenten global beeinflussen oder davon beeinflusst werden. Diese können beispielsweise die aktuelle Netzauslastung, saisonale Informationen wie Leistungsbedarf an Weihnachten etc. und Windverhalten zu verschiedenen Jahreszeiten betreffen.
-
Aus den Trenddaten, Standortdaten, Maschinendaten, Umfelddaten und Sensordaten wird nun das maschinelle Lernverfahren antrainiert, eine Vorhersage der Leistungsabgabe sowie dessen Wahrscheinlichkeit (erstes maschinelles Lernverfahren) oder des Maschinenzustandes (zweites maschinelles Lernverfahren) oder des Sicherheitszustandes (drittes maschinelles Lernverfahren) in einem vorabdefinierten Zeitfenster abzugeben.
-
Ferner können aus diesen Rohdaten mittels Feature Engineering zudem Merkmale extrahiert werden. Durch Feature Engineering werden Merkmale aus der entsprechenden Datenmenge extrahiert und berechnet, um Zusammenhänge zu verschiedenen Einflüssen abzuleiten. Merkmale stellen vorzugsweise eine individuell messbare Eigenschaft oder Eigenschaft eines beobachteten Phänomens dar.
-
Die maschinellen Lernverfahren werden nun anhand dieser Merkmale und der für die Vorhersage jeweiligen benötigten (Roh)daten trainiert.
-
Je nach Vorhersage, wie Leistungsabgabe sowie deren Wahrscheinlichkeit, der Maschinenzustand und Sicherheitszustand werden verschiedene Daten verwendet, um daraus Merkmale zu generieren. Ein Merkmal zur Vorhersage der Leistungsabgabe ist beispielsweise die aktuelle Temperatur oder die Temperatur in einer Stunde laut Wettervorhersage.
-
Je nach Ausgabetyp können verschiedene maschinelle Lernverfahren zum Einsatz kommen, z.B. in Form von Regression für die zukünftige Leistungsabgabe oder Unsupervised-Learning Methoden zur Vorhersage des Maschinenzustands.
-
Ebenfalls möglich ist der Einsatz verschiedener Architekturen von neuronalen Netzwerken, wie beispielsweise MLP (Multi-Layer Perceptron) oder LSTM-Netzwerken (Long short-term Memory), die vor allem bei der Berücksichtigung zeitlicher Zusammenhänge Vorteile bieten. Weiter sind unter anderem z.B. Autoencoder und Encoder-Decoder Architekturen für die Vorhersage des Maschinenzustandes einsetzbar.
-
Ferner werden für die durch ein jeweiliges trainiertes maschinelles Lernverfahren getroffenen Vorhersagen, also die Leistungsabgabe sowie deren Wahrscheinlichkeit, der Maschinenzustand und der Sicherheitszustand die Güte anhand verschiedener Gütekennzahlen bestimmt, wie z.B. der Mean Squared Error (MSE), der den Fehler zwischen vorhergesagtem Wert und dem dazugehörigen tatsächlichen Wert berechnet. Außerdem sind eigens für bestimmte Sachverhalte definierte Kennzahlen zur Bewertung der Güte möglich. Ein Beispiel bei der Vorhersage von Ausfällen bestimmter Maschinenkomponenten ist die „False Positive Rate“ also das Verhältnis von vorhergesagten Ausfällen, die tatsächlich nicht eintreten, zur Anzahl der insgesamt vorhergesagten Ausfälle.
-
Anhand der Güte können die trainierten maschinellen Lernverfahren bewertet werden.
-
2 zeigt ein weiteres Trainingsverfahren für die/das maschinelle Lernverfahren. Neben den Eingangsgrößen als Rohdaten, d.h. den Trenddaten, Sensordaten, Maschinendaten und Umfelddaten sowie Standortdaten sowie die durch Feature Engineering erhaltene Merkmale, können hier noch Ausgaben aus physikalischen Modellen als Merkmale zum Lernen herangezogen werden. Ein Beispiel hierfür ist die Bestimmung der Drehzahl eines Windrades aus der Rotorstellung als physikalisches Modell.
-
Dadurch können weitere hochqualitative Trainingsdaten erhalten werden.
-
3 zeigt ein Verfahren zum Betreiben einer Windenergieanlage 1 in einem Windpark in einer ersten Ausgestaltung.
-
Dabei werden durch Sensorsysteme / Sensoren und Aktoren aktuelle Trenddaten und aktuelle Standortdaten und aktuelle Maschinendaten sowie aktuelle Umfelddaten und aktuelle Sensordaten der Windenergieanlage 1 aufgenommen.
-
Diese werden anschließend durch eine Selektoreinheit 3 aufgeteilt. Diese teilt die aktuellen Eingabedaten/Rohdaten in jeweils für die entsprechenden Vorhersagen benötigten relevanten Teilmengen auf.
-
Anschließend werden entsprechend für das erste trainierte Lernverfahren die angelernten Merkmale extrahiert und die extrahierten Merkmale und Eingabedaten in das erste trainierte maschinelle Lernverfahren eingegeben. Das erste maschinelle Lernverfahren ist trainiert eine zukünftige Leistungsabgabe in einem vorabdefinierten Zeitfenster vorherzusagen.
-
Zusätzlich wird eine Wahrscheinlichkeit, mit der die Leistungsabgabe in dem Zeitfenster eintritt, anhand des ersten trainierten maschinellen Lernverfahrens bestimmt. Hintergrund dafür ist, dass nicht aus jeder Situation heraus eine perfekte Vorhersage möglich ist und eine Wahrscheinlichkeit daher ein gewichtiger Indikator für die weitere Betrachtung der vorhergesagten Leistungsabgabe sein kann.
-
Zudem werden entsprechend für das zweite trainierte Lernverfahren die Merkmale extrahiert und die extrahierten Merkmale und Eingabedaten in das zweite trainierte maschinelle Lernverfahren eingegeben. Das zweite maschinelle Lernverfahren ist trainiert, einen zukünftigen Maschinenzustand, in dem vorabdefinierten Zeitfenster vorherzusagen. Dabei entspricht der Maschinenzustand einer Vorhersage des zukünftigen mechanischen Zustands der Windenergieanlage.
-
Ferner ist zumindest ein Optimierungsverfahren zur Erstellung von Wartungsplänen anhand der Eingabe aus der vorhergesagten zukünftigen Leistungsabgabe und des vorhergesagten zukünftigen Maschinenzustandes vorgesehen. Dieses Optimierungsverfahren erstellt unter weiteren Randbedingungen, wie Verfügbarkeit von Wartungspersonal, einen Wartungsplan, der beispielsweise die Leistungsausbeute maximiert. Das Optimierungsverfahren kann beispielsweise ein Constraint-Verfahren sein, welches zudem als Randbedingung auch die Wahrscheinlichkeit des Eintretens der zukünftigen Leistungsabgabe berücksichtigt.
-
Durch das Optimierungsverfahren kann eine gesamtheitliche Betrachtung von Leistungsabgabe in Verbindung mit Wartungsaspekten vorgenommen werden, welches für die Gesamteffizienz der Windenergieanlage / des Windparks förderlich ist. Der so erstellte Wartungsplan berücksichtigt, dass während der Durchführung von Wartungsarbeiten keine elektrische Leistung abgegeben werden kann, und daher Perioden mit einer wahrscheinlich niedrigen Leistungsausbeute potenzielle Zeitperioden bieten, um Wartungen durchzuführen.
-
Anschließend werden entsprechend für das dritte trainierte Lernverfahren die angelernten Merkmale extrahiert und die extrahierten Merkmale und Eingabedaten in das dritte trainierte maschinelle Lernverfahren eingegeben. Das dritte maschinelle Lernverfahren ist trainiert, einen zukünftigen Sicherheitszustand in dem vorabdefinierten Zeitfenster vorherzusagen.
-
Aus der Erfassung der aktuellen Maschinendaten, sowie weiterer Daten, wie beispielsweise Umfelddaten und Sensordaten /Standortdaten/Trenddaten und daraus extrahierten/generierten Merkmalen lässt sich eine Prognose für die Beanspruchung des Materials herleiten und ggf. frühzeitig Sicherheitsmaßnahmen zum Schutz der Windenergieanlage empfehlen oder durch Ansteuern einer Sicherheitsaktuatorik direkt einleiten. Wenn beispielsweise das Herannahen einer starken Windböenfront vorherzusehen ist, können somit frühzeitig Sicherungsmaßnahmen, wie z.B. das Abbremsen oder Verringern der Anströmfläche eingeleitet werden.
-
Ferner kann auch der vorhergesagte Maschinenzustand berücksichtigt werden. Durch das Verfahren wird für Windenergieanlagen unter gesamtheitlicher Betrachtung die zukünftige Leistungsabgabe inklusiv der damit in Verbindung stehenden Wahrscheinlichkeit/Konfidenz, und der zukünftige Sicherheitszustand und der zukünftige Maschinenzustand in einem vorgegebenen zukünftigen Zeitfenster vorhergesagt. Auf Grundlage dieser Vorhersagen kann ein Betrieb als auch eine Wartungsplanung optimiert werden.
-
Der gesamtheitliche Zusammenhang zwischen Leistungsvorhersage und Wartungsaspekten bietet den Vorteil, dass das Verfahren z.B. Wartungspläne ausgibt, die hinsichtlich vorhergesagten Zeitfenstern mit niedriger Leistungsausbeute und dem aktuellen und zukünftigen technischen Zustand der Windenergieanlagen optimal sind. Parallel zur Vorhersage des Maschinenzustandes können entsprechende Maßnahmen zur Schadensvermeidung empfohlen oder eingeleitet werden. Diese können sich beispielsweise direkt aus einem wahrscheinlich anstehenden Defekt an Bauteilen ergeben, aber auch indirekt als Frühwarnsystem, wenn z.B. bei einigen Windenergieanlagen des Windparks sich gehäuft Ausfälle von ähnlichen Bauteilen ankündigen. Weiter kann eine Abschaltung bei extremen Wetterverhältnissen auch als Frühwarnindikator auf weitere Windenergieanlagen des Windparks übertragen werden. Auch das Einleiten von Sicherheitsmaßnahmen anhand des erkannten zukünftigen Sicherheitszustandes steht im direkten Zusammenhang mit der Leistungsabgabe bzw. deren Vorhersage, da während der Dauer eines Stillstands keine Leistung produziert wird.
-
4 zeigt eine weitere Ausgestaltung des Verfahrens. Dieses weist ein erstes maschinelles Lernverfahren auf, welches sowohl anhand von Merkmalen, welche mittels Feature Engineering als auch durch Merkmale, welche eine Ausgabe eines physikalischen Modells sind, trainiert worden ist.
-
Somit erhält das trainierte erste maschinelle Lernverfahren, neben den notwendigen Eingabedaten als Rohdaten auch Merkmale aus Feature Engineering und physikalischen Modellen zur Vorhersage der Leistungsabgabe sowie deren Wahrscheinlichkeit in dem vorabdefinierten Zeitfenster.
-
Selbiges kann für das zweite als auch das dritte maschinelle Lernverfahren gelten (nicht gezeigt).
-
Dabei können alle maschinellen Lernverfahren identisch sein, d.h. auf denselben Algorithmen beruhen.
-
5 zeigt eine weitere Ausgestaltung des Verfahrens. Dabei ist zusätzlich ein physikalisches Modell parallel zum ersten maschinellen Lernverfahren vorgesehen. Dabei wird die Leistungsabgabe als auch deren Wahrscheinlichkeit durch eine Verrechnung/Kombination der vorhergesagten Leistungsabgabe oder deren physikalischen Größen aus dem physikalischen Modell und dem ersten maschinellen Lernverfahren bestimmt, da einzelne physikalische Zusammenhänge auch durch ein physikalisches Modell darstellbar sind, und diese nicht zwingend aus Eingabedaten gelernt werden müssen.
-
Selbiges kann für die Vorhersage des Maschinenzustandes und des Sicherheitszustandes zutreffen (nicht gezeigt). Auch hier können parallel physikalische Modelle zu dem trainierten maschinellen Lernverfahren eingesetzt werden. Beispiele für die physikalischen Modelle sind Strömungssimulationen oder die Bestimmung der Drehzahl eines Windrades aus der Rotorstellung und Windgeschwindigkeit.
-
6 zeigt einen erfindungsgemäßen Windparkmanager 2 für das Betreiben eines Windparks mit Windenergieanlagen 1. Dabei weist jede Windenergieanlage 1 ein erfindungsgemäßes Verfahren auf.
-
Durch einen solchen Windparkmanager 2 wird eine gesamtheitliche Betrachtung verknüpfter Zusammenhänge, wie z.B. Wartung, bei der Vorhersage der zukünftigen Leistungsabgabe der Windenergieanlagen 1 des gesamten Windparks ermöglicht. Die Vorhersage der Leistungsabgabe jeder Windenergieanlage 1 erfolgt dabei unter Berücksichtigung von Unsicherheiten und der damit verknüpften Wahrscheinlichkeit / Konfidenz.
-
Der Windparkmanager 2 gibt eine Vorhersage der zukünftigen Leistungsabgabe/Sicherheitszustandes/ Maschinenzustandes von Windenergieanlagen 1 bzw. des Windparks ab. Dies geschieht mittels datengetriebener Betrachtung des Verhaltens sowohl des kompletten Windparks als auch relativ dazu das Einzelverhalten von Windenergieanlagen 1 im gesamten Windpark.
-
Ferner erstellt ein solcher Windparkmanager 2 die Wartungspläne auf Basis von Vorhersagen für die Leistungsabgabe und ggf. der Wahrscheinlichkeit, des Maschinenzustandes und weiteren Rahmenbedingungen für jede Windenergieanlage 1 im Windpark.
-
Die Ergebnisse wie beispielsweise Sicherheitszustand und Wartungspläne können vom Windparkmanager beispielsweise an Wartungspersonal und Netzbetreiber sowie Windenergiebetreiber übermittelt werden. Die Kommunikation kann dabei automatisiert drahtlos erfolgen.
-
Bezugszeichenliste
-
- 1
- Windenergieanlage
- 2
- Windparkmanager
- 3
- Selektoreinheit
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
- DE 102017105165 A1 [0008]
- EP 2326835 B1 [0009]
- DE 102016121961 A1 [0010]
