WO2021013487A1 - Verfahren zur steuerung eines windparks, steuerungsmodul für einen windpark und windpark - Google Patents

Verfahren zur steuerung eines windparks, steuerungsmodul für einen windpark und windpark Download PDF

Info

Publication number
WO2021013487A1
WO2021013487A1 PCT/EP2020/068507 EP2020068507W WO2021013487A1 WO 2021013487 A1 WO2021013487 A1 WO 2021013487A1 EP 2020068507 W EP2020068507 W EP 2020068507W WO 2021013487 A1 WO2021013487 A1 WO 2021013487A1
Authority
WO
WIPO (PCT)
Prior art keywords
wind
energy installation
data
wind energy
control
Prior art date
Application number
PCT/EP2020/068507
Other languages
English (en)
French (fr)
Inventor
Luis VERA-TUDELA
Original Assignee
fos4X GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by fos4X GmbH filed Critical fos4X GmbH
Priority to EP20737396.0A priority Critical patent/EP4004365A1/de
Priority to US17/627,745 priority patent/US20220260054A1/en
Priority to CA3148354A priority patent/CA3148354A1/en
Priority to CN202080051372.0A priority patent/CN114127412A/zh
Publication of WO2021013487A1 publication Critical patent/WO2021013487A1/de

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/048—Automatic control; Regulation by means of an electrical or electronic controller controlling wind farms
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/82—Forecasts
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/82—Forecasts
    • F05B2260/821—Parameter estimation or prediction
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/32—Wind speeds
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/321—Wind directions
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/331—Mechanical loads
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/335—Output power or torque
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/40—Type of control system
    • F05B2270/404—Type of control system active, predictive, or anticipative
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Definitions

  • Embodiments of the present disclosure relate to a method for controlling a wind farm, a control module and a wind farm.
  • Embodiments of the present disclosure relate in particular to a method for controlling a wind park, a control module and a wind park, which can control at least one second wind energy installation on the basis of data from a first wind energy installation with the inclusion of a statistical forecast model.
  • the forecast of wind power can be relevant in order to ensure the right balance between energy supply possibility and energy demand.
  • the development of the forecast has been limited to a macroscopic level with a focus on regions, portfolios and wind farms.
  • Physical (weather) models were mainly used in order to provide a forecast of the wind power.
  • Physical models estimate an “actual” wind speed in front of the rotor of a wind turbine on the basis of measurements obtained using sodar, lidar, radar etc. or corrected data from anemometers arranged on the nacelle. Every measurement approach aims to look in front of the wind turbine (s) of interest.
  • Statistical corrections for the forecast are typically based on data sets on the weather situation created at the park level.
  • embodiments of the present disclosure provide a control module for a wind farm. Furthermore, embodiments of the present disclosure provide a wind farm.
  • Wind farms provided.
  • the method comprises: reading in data from at least one first wind energy installation of the wind farm; Supplying the read-in data from the at least one first wind energy installation to a statistical forecast model for controlling at least one second wind energy installation in the wind park on the basis of the read-in data from the at least one first wind energy installation; and using the statistical prediction model to control the at least one second wind energy installation.
  • a control module for a wind farm is provided.
  • the control module is configured to carry out a method for controlling a wind farm.
  • the method comprises: reading in data from at least one first wind energy installation of the wind farm; Supplying the read-in data from the at least one first wind energy installation to a statistical forecast model for controlling at least one second wind energy installation in the wind park on the basis of the read-in data from the at least one first wind energy installation; and using the statistical prediction model to control the at least one second wind energy installation.
  • a wind farm comprising: at least one first wind energy installation; at least one second wind energy installation; and a control module for controlling the at least one first and / or second wind energy installation.
  • the control module is configured to carry out a method for controlling a wind farm. The method comprises: reading in data from at least one first wind energy installation of the wind farm; Feeding the read-in data from the at least one first wind energy installation to a statistical forecast model for controlling at least one second wind energy installation Wind farms based on the data read in from the at least one first wind energy installation; and using the statistical prediction model to control the at least one second wind energy installation.
  • FIG. 1 shows schematically, by way of example, a wind park with three wind turbines according to embodiments described herein;
  • Fig. 2 shows schematically a wind turbine according to that described herein
  • FIG. 3 shows a flow chart of a method according to embodiments described herein.
  • FIG. 4 schematically shows, by way of example, a wind park with four wind turbines according to the embodiments described herein;
  • Wind power prediction models with a 5 to 10 minute forecast window would be desirable.
  • high frequency signals that describe a wind-to-power interaction that will dominate the range of predictive variables.
  • loads have not been taken into account as a prediction parameter, especially since there has been a lack of systems for continuous monitoring.
  • the present disclosure can provide a cross-turbine prediction of wind energy and possibly also of mechanical loads.
  • the present disclosure can provide a statistical prediction model that can be used to control a wind park and that, based on the data of a wind energy installation, enables optimized control of at least one further wind energy installation, including the entire wind farm.
  • the energy demand can also be used as an optimization variable in order to ensure efficient utilization of the wind farm.
  • individual wind turbines can be taken out of the wind when the energy requirement is low, or they can be operated with overload when the energy requirement is high.
  • a measuring system can be provided that records mechanical loads and / or electrical power from at least one wind energy installation in a wind park at a high sampling rate in order to be able to make a turbine-to-turbine prediction.
  • the mechanical loads in the leaves can be recorded with sensors (fiber optic or otherwise) and the electrical power with a SCADA system.
  • the mechanical loads and / or the electrical power can be estimated using data recorded with sensors in the rotor blades and statistical models.
  • high-frequency data from neighboring turbines can be used to make predictions about the electrical power and mechanical load approximately 1-3 minutes in advance.
  • the forecast time can depend on the average wind speed and the distance between two turbines (Taylor hypothesis).
  • FIG. 1 shows a wind farm 10 with three wind energy installations 200 by way of example.
  • the wind energy installations 200 as shown in FIG. 1 by dashed lines, are networked with one another.
  • the networking enables communication, for example real-time communication, between the individual wind turbines.
  • the networking also enables joint monitoring, control and / or regulation of the wind energy installations.
  • the wind energy installations can also be monitored, controlled and / or regulated individually.
  • a wind park can contain two or more wind energy installations, in particular five or more wind energy installations, such as ten or more wind energy installations.
  • the wind turbines 200 for example the wind turbines from FIG. 1, form the wind park 10 in their entirety.
  • the wind park comprises at least two wind turbines which are spatially arranged at a distance from one another.
  • FIG. 2 shows, by way of example, a wind energy installation 200 of a wind park on which the method described herein can be used.
  • the wind energy installation 200 includes a tower 40 and a nacelle 42.
  • the rotor is attached to the nacelle 42.
  • the rotor includes a hub 44 to which the rotor blades 100 are attached.
  • the rotor has at least two rotor blades, in particular three rotor blades.
  • the rotor i.e. the hub with the rotor blades, rotates around an axis.
  • a generator is driven to generate electricity.
  • at least one sensor 110 is provided on a rotor blade 100.
  • the sensor 110 can be connected to an interface 50 via a signal line.
  • the interface 50 can deliver a signal to a control and evaluation unit 52 of the wind energy installation 200.
  • the interface 50 can in particular be a SCADA (Supervisory Control and Data Acquisition) interface.
  • SCADA Supervisory Control and Data Acquisition
  • the wind energy installation 200 can include a control module 52.
  • the control module 52 is used in particular to control or regulate and / or to read out the interface 50 or the sensor 110 and the wind turbine.
  • the control module 52 can control or regulate the SCADA interface and / or transmit data between the SCADA interface and the control module 52.
  • the control module 52 can communicate with the interface 50.
  • the control module 52 can be permanently connected to the interface 50 or connected wirelessly.
  • the control module 52 can contain a computer program product that can be loaded into a memory of a digital computing device and includes software code sections with which steps according to one or more of the remaining aspects can be carried out when the computer program product is running on the computing device. Furthermore, a computer program product is proposed which can be loaded directly into a memory, for example a digital memory of a digital computing device.
  • a computing device can contain a CPU, signal inputs and signal outputs, and other elements typical of a computing device.
  • a computing device can be part of an evaluation unit, or the evaluation unit can be part of a computing device.
  • a computer program product can contain software code sections with which the steps of the methods of the embodiments described here are at least partially carried out when the computer program product is running on the computing device. Any embodiments of the method can be carried out by a computer program product.
  • the sensor 110 can in particular be a mechanical load sensor.
  • each rotor blade of the wind energy installation can comprise a sensor.
  • the sensor can in particular be an acceleration sensor, a vibration sensor and / or a strain sensor.
  • the sensor can be designed as an electrical or as a fiber optic sensor.
  • the sensor can also be provided on other components of the wind energy installation 200, such as the tower 40, the nacelle 42, the generator, etc., for example.
  • the sensor 110 can also measure a fatigue load.
  • a wind energy installation 200 can also be equipped with several sensors in order to measure data from several components and / or other types of data from the same component in parallel.
  • FIG. 3 shows a flow chart of a method 300 for controlling a wind farm 10 according to the embodiments described herein.
  • a block 310 data from at least a first
  • Wind energy installation 200 of wind park 10 can be read.
  • the read-in data of the at least one first wind turbine 200 can be fed to a statistical forecast model for controlling at least one second wind turbine 200 of the wind farm 10 on the basis of the read-in data of the at least one first wind turbine.
  • the statistical prediction model can be used
  • Control of the at least one second wind energy installation 200 can be used.
  • a short-term wind power and load forecast can be created based on a static model. Additional information can be obtained in particular through a high sampling rate.
  • a performance optimization can be provided, with which, for example, the operation of wind turbines based on an energy demand can be improved.
  • Embodiments Wind turbines are no longer operated purely as passive systems, but are used as active measuring systems that deliver validated information.
  • Hybrid models i.e. models that include a static forecast model as well as a physical forecast model, can further improve the accuracy of weather forecast models on the level of wind turbines and in very short time units.
  • this can be a Bayesian system of continuous learning that further develops and improves the system over time.
  • the method disclosed here can be used to create an optimization based on the energy requirement, the mechanical load and a performance prediction.
  • the read-in data can have at least electrical performance data and / or mechanical load data.
  • the electrical performance data can be read in via a SCADA system.
  • the mechanical loads and / or the electrical power can be estimated using data recorded with sensors in the rotor blades and statistical models.
  • the mechanical load data can for example be read in via the sensor 110 or a plurality of sensors 110. Additionally or alternatively, the mechanical loads can also be estimated from models that were created in another wind energy installation of the same type, which in particular connect the SCADA system and / or the sensor 110.
  • the wind farm 10 shows a wind farm 10 according to the embodiments described herein.
  • the wind farm 10 is shown as an example with a first wind energy installation 200i, a second wind energy installation 200 2 , a third wind energy installation 2OO 3 , and a wind energy installation 2OO 4 .
  • the wind farm 10 can also have any other number of wind energy installations.
  • the wind energy installations 200i to 2OO 4 are shown with a respective mechanical load value h to L and a respective electrical power value pi to p 4 .
  • These values, in particular the respective mechanical load values h to L, can also represent a set of values made up of several values.
  • a respective mechanical load value pi , i to p 4, i can be provided for each sensor 110i.
  • the electrical power values pi and the mechanical load values h can form the electrical power data or mechanical load data.
  • the electrical power value p j and the mechanical load value l j of the jth wind energy installation 200 j can result as a first function f from the weather model and the electrical power value p j and the mechanical load value l j .
  • the electrical power value pi > j and the mechanical load value h > j of the i> j-th wind turbines 200i > j can result as a second function g from the weather model and the electrical power value pi > j and the mechanical load value h > j .
  • the statistical prediction model can make predictions for an expected electrical power and / or mechanical load on the at least one second wind energy installation.
  • a machine learning model can be dominated by statistics for a short time
  • a weather model can be dominated by weather fronts in the medium to long term.
  • Weather models are already used for longer time horizons.
  • the present disclosure can close the gap for short-term forecasts, in particular by a combination of weather models with statistics or simply by statistics (machine learning models).
  • the present disclosure can provide the possibility of combining known physical relationships and direct measurements in a hybrid model in order to continuously improve predictions over time.
  • a distance d between the first wind energy installation 2001 and the second wind energy installation 2002 is shown as an example in FIG. Of course, there is a corresponding distance between each wind turbine pair.
  • the statistical prediction model can take into account a distance d between the at least one first wind energy installation 2001 and the at least one second wind energy installation 2002, a wind direction and / or a wind speed.
  • the system measures, in addition to other variables such as weather, SCADA, energy demand, etc., setpoint values of e.g. power and mechanical loads.
  • a physical model is created a priori to roughly estimate the target variables.
  • the system or method according to embodiments can, however, continuously select the most relevant variables in order to predict a target value for each of the wind turbines (pl, 11, p2, p2, 12, p3, 13, etc.) and can change its selection and its model over time correct (especially via a Bayesian approach to continuous learning).
  • Wind direction and speed can be good parameters, but it usually requires one (corrective calibration), which can lead to increased expenditure, statistically speaking, signals with information.
  • Predictive model have a machine learning method. As a result, the model can adapt itself to the special environment and the structure of the wind farm 10.
  • Prediction model uses data from at least two first wind turbines to control the at least one second wind turbine. This allows the forecast to be further increased. For example, the prediction for the second wind energy installation can also be made using data from all other wind energy installations.
  • the data can be read in at a high sampling rate of 1 Hz or more.
  • the data can also be read in at different sampling rates.
  • the electrical power can be read in with at least 1 Hz and / or the mechanical load can be read in with at least 10 Hz.
  • control of the at least one second wind energy installation 200 2 can be carried out according to the statistical
  • Prediction model a control of an angle of attack of a blade of the at least one second wind energy installation 2OO2, a control of a torque of the at least one second wind energy installation 2OO2, a damping system in a tower structure of the at least one second wind energy installation 2OO2 and / or active mechanisms in one
  • Blade control system active tip, twist, flap, etc.
  • external data can be read in from meteorological sensors and these can be fed to the statistical forecast model. This can further increase the accuracy.
  • data can be fed to a physical prediction model to at least a second Control wind turbine (200).
  • a hybrid model can result from the statistical prediction model and a physical prediction model. This can further increase the accuracy.
  • control module 52 may be configured to perform some, some, or all of the operations of the method 300 described herein.
  • a wind farm 10 can have a control module 52 configured in this way in order to control at least one first and / or second wind energy installation 200.
  • the control of the second wind energy installation 200 can take place in particular according to the method 300.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Wind Motors (AREA)

Abstract

Es ist ein Verfahren (300) zur Steuerung eines Windparks (10) offenbart. Das Verfahren (300) umfasst: Einlesen von Daten von mindestens einer ersten Windenergieanlage (200) des Windparks; Zuführen der eingelesenen Daten der mindestens einen ersten Windenergieanlage an ein statistisches Vorhersagemodell für die Steuerung von mindesten einer zweiten 5 Windenergieanlage (200) des Windparks auf Grundalge der eingelesenen Daten der mindestens einen ersten Windenergieanlage; und Verwenden des statistischen Vorhersagemodells zur Steuerung der mindestens einen zweiten Windenergieanlage (200).

Description

VERFAHREN ZUR STEUERUNG EINES WINDPARKS, STEUERUNGSMODUL FÜR
EINEN WINDPARK UND WINDPARK
TECHNISCHES GEBIET
[0001] Ausführungsformen der vorliegenden Offenbarung betreffen ein Verfahren zur Steuerung eines Windparks, ein Steuerungsmodul sowie einen Windpark.
Ausführungsformen der vorliegenden Offenbarung betreffen insbesondere ein Verfahren zur Steuerung eines Windparks, ein Steuerungsmodul sowie einen Windpark, die unter Einbeziehung eines statistischen Vorhersagemodells mindestens eine zweiten Windenergieanlage auf Grundlage von Daten von einer ersten Windenergieanlage steuern können.
STAND DER TECHNIK
[0002] Die Vorhersage der Windkraft kann relevant sein, um das richtige Gleichgewicht zwischen Energieliefermöglichkeit und Energiebedarf zu gewährleisten. Historisch beschränkt sich die Entwicklung der Vorhersage auf einer makroskopischen Ebene mit Fokus auf Regionen, Portfolios und Windparks.
[0003] Dabei wurden überwiegend physikalische (Wetter-)Modelle verwendet, um eine Vorhersage der Windkraft zu liefern. Physikalische Modell schätzen eine„tatsächliche“ Windgeschwindigkeit vor dem Rotor einer Windenergieanlage auf Grundlage von Messungen, die mittels Sodar, Lidar, Radar etc. oder korrigierten Daten von auf der Gondel angeordneten Anemometer gewonnen werden. Dabei zielt jeder Messansatz darauf ab, vor die Windenergieanlage(n) von Interesse zu schauen. Statistische Korrekturen zur Vorhersage basieren typischerweise auf auf Parkebene erstellte Datensätzen zur Wetterlage.
[0004] Gleichzeitig reift der Markt und entfernt sich von einer reinen Einspeisevergütung hin zu einem flexibleren offenen Markt. Damit einhergehen andere Anforderungen an die Entwicklung von Vorhersage der Windkraft. Beispielsweise werden kürzere Vorhersagefenstern benötigt, die auch von statistischen Ansätzen abhängen und nicht von (physikalischen) Wettermodellen. ZUSAMMENFASSUNG DER ERFINDUNG
[0005] Ausführungsformen der vorliegenden Offenbarung stellen Verfahren zur
Steuerung eines Windparks bereit. Ferner stellen Ausführungsformen der vorliegenden Offenbarung ein Steuerungsmodul für einen Windpark bereit. Ferner stellen Ausführungsformen der vorliegenden Offenbarung einen Windpark bereit.
[0006] Gemäß einer Ausführungsform wird ein Verfahren zur Steuerung eines
Windparks bereitgestellt. Das Verfahren umfasst: Einlesen von Daten von mindestens einer ersten Windenergieanlage des Windparks; Zuführen der eingelesenen Daten der mindestens einen ersten Windenergieanlage an ein statistisches Vorhersagemodell für die Steuerung von mindesten einer zweiten Windenergieanlage des Windparks auf Grundalge der eingelesenen Daten der mindestens einen ersten Windenergieanlage; und Verwenden des statistischen Vorhersagemodells zur Steuerung der mindestens einen zweiten Windenergieanlage.
[0007] Gemäß einer Ausführungsform wird ein Steuerungsmodul für einen Windpark bereitgestellt. Das Steuerungsmodul ist zum Durchführen eines Verfahrens zur Steuerung eines Windparks konfiguriert. Das Verfahren umfasst: Einlesen von Daten von mindestens einer ersten Windenergieanlage des Windparks; Zuführen der eingelesenen Daten der mindestens einen ersten Windenergieanlage an ein statistisches Vorhersagemodell für die Steuerung von mindesten einer zweiten Windenergieanlage des Windparks auf Grundalge der eingelesenen Daten der mindestens einen ersten Windenergieanlage; und Verwenden des statistischen Vorhersagemodells zur Steuerung der mindestens einen zweiten Windenergieanlage.
[0008] Gemäß einer Ausführungsform wird ein Windpark bereitgestellt. Der Windpark umfasst: mindestens eine erste Windenergieanlage; mindestens eine zweite Windenergieanlage; und ein Steuerungsmodul nach zur Steuerung der mindestens einen ersten und/oder zweiten Windenergieanlage. Das Steuerungsmodul ist zum Durchführen eines Verfahrens zur Steuerung eines Windparks konfiguriert. Das Verfahren umfasst: Einlesen von Daten von mindestens einer ersten Windenergieanlage des Windparks; Zuführen der eingelesenen Daten der mindestens einen ersten Windenergieanlage an ein statistisches Vorhersagemodell für die Steuerung von mindesten einer zweiten Windenergieanlage des Windparks auf Grundalge der eingelesenen Daten der mindestens einen ersten Windenergieanlage; und Verwenden des statistischen Vorhersagemodells zur Steuerung der mindestens einen zweiten Windenergieanlage.
KURZE BESCHREIBUNG DER ZEICHNUNGEN
[0001] Ausführungsbeispiele sind in den Zeichnungen dargestellt und in der nachfolgenden Beschreibung näher erläutert. In den Zeichnungen zeigen:
[0002] Fig. 1 zeigt schematisch beispielhaft einen Windpark mit drei Windkraftanlagen gemäß hierin beschriebener Ausführungsformen; [0003] Fig. 2 zeigt schematisch eine Windkraftanlage gemäß hierin beschriebener
Ausführungsformen;
[0004] Fig. 3 zeigt ein Ablaufschema eines Verfahrens gemäß hierin beschriebener Ausführungsformen; und
[0005] Fig. 4 zeigt schematisch beispielhaft einen Windpark mit vier Windkraftanlagen gemäß hierin beschriebener Ausführungsformen;
[0006] In den Zeichnungen bezeichnen gleiche Bezugszeichen gleiche oder funktionsgleiche Komponenten oder Schritte.
WEGE ZUR AUSFÜHRUNG DER ERFINDUNG [0007] Im Folgenden wird detaillierter Bezug genommen auf verschiedene
Ausführungsformen der Erfindung, wobei ein oder mehrere Beispiele in den Zeichnungen veranschaulicht sind.
[0008] Wie oben eingeführt werden die Vorhersagefenstern immer kleiner. Windkraftvorhersagemodelle mit einem 5 bis 10-minütigen Vorhersagefenster wären wünschenswert. Auf dieser Ebene wird davon ausgegangen, dass hochfrequente Signale, die eine Wind-zu -Leistung Interkation beschreiben, das Spektrum an Variablen zur Vorhersage dominieren wird. Zudem wurde bisher Lasten nicht als Vorhersageparameter berücksichtigt, zumal es bisher an Systemen zur kontinuierlichen Überwachung mangelte.
[0009] Die vorliegende Offenbarung kann eine turbinenübergreifende Vorhersage der Windenergie und ggf. auch von mechanische Belastungen bereitstellen. Insbesondere kann die vorliegende Offenbarung ein statistisches Vorhersagemodell bereitstellen, das zur Steuerung eines Windsparks verwendet werden kann und das auf Grundlage der Daten einer Windenergieanlage eine optimierte Steuerung zumindest einer weiteren Windenergieanlage bis hin zum gesamten Windparks ermöglicht.
[0010] Dabei kann insbesondere auch der Energiebedarf als Optimierungsgröße verwendet werden, um so eine effiziente Auslastung des Windparks zu gewährleisten. Beispielsweise können einzelne Windenergieanlagen bei geringem Energiebedarf aus dem Wind genommen werden oder bei hohem Energiebedarf mit Überlast betrieben werden.
[0011] Insbesondere kann ein Messsystem bereitgestellt werden, dass mechanische Lasten und/oder elektrische Leistung von zumindest einer Windenergieanlage in einem Windpark mit hoher Abtastrate aufnimmt, um eine Turbine-zu-Turbine- Vorhersage treffen zu können. Die mechanischen Belastungen in den Blättern kann mit Sensoren (faseroptisch oder anders) und die elektrische Leistung von einem SCADA-System erfasst werden. Zusätzlich oder alternative kann die mechanischen Belastungen und/oder die elektrische Leistung mit Daten, die mit Sensoren in den Rotorblättern aufgezeichnet wurden, und statistischen Modellen geschätzt werden. Abhängig von einem Abstand der Turbinen, der Windrichtung und der Windgeschwindigkeit können Hochfrequenzdaten von benachbarten Turbinen verwendet werden, um Vorhersagen über die elektrische Leistung und die mechanische Belastung in etwa 1-3 Minuten im Voraus zu treffen. Insbesondere kann die Vorhersagezeit von der durchschnittlichen Windgeschwindigkeit und dem Abstand zwischen zwei Anlagen abhängen (Taylor Hypothesis). Dies kann beispielsweise in einer Datenverarbeitungseinheit erfolgen. Mit der vorliegenden Offenbarung kann beispielsweise nur die Vorhersage der elektrischen Leistung und der mechanischen Belastungen der ersten Turbine in Windrichtung basieren auf einer Kombination aus historischen Daten und numerischen Wettervorhersagemodellen erfolgen, wohingegen alle weiteren Turbinen auf Grundlage der Daten der ersten (und auch weiteren) Turbinen gesteuert werden können. [0012] Damit kann die Vorhersage der elektrischen Leistung und der mechanischen Belastungen oder Lasten in allen anderen Turbinen auf einer Kombination aus historischen Daten und Echtzeitmessungen basieren.
[0013] Fig. 1 zeigt einen Windpark 10 beispielhaft mit drei Windenergieanlagen 200. Die Windenergieanlagen 200 sind, wie in Fig. 1 durch gestrichelte Linien dargestellt, unter einander vernetzt. Die Vernetzung ermöglicht eine Kommunikation, zum Beispiel eine Echtzeit-Kommunikation, zwischen den einzelnen Windenergieanlagen. Die Vernetzung ermöglicht ferner eine gemeinsame Überwachung, Steuerung und/oder Regelung der Windenergieanlagen. Zusätzlich können die Windenergieanlagen auch einzeln überwacht, gesteuert und/oder geregelt werden. Gemäß hier beschriebenen Ausführungsformen, kann ein Windpark zwei oder mehr Windenergieanlagen, insbesondere fünf oder mehr Windenergieanlagen, wie zum Beispiel zehn oder mehr Windenergieanlagen beinhalten.
[0014] Die Windenergieanlagen 200, zum Beispiel die Windenergieanlagen aus Fig. 1, bilden in ihrer Gesamtheit den Windpark 10. Der Windpark umfasst mindestens zwei Windenergieanlagen, die räumliche mit einem Abstand zueinander angeordnet sind.
[0015] Fig. 2 zeigt beispielhaft eine Windenergieanlage 200 eines Windparks, an welchem das hierin beschriebene Verfahren zum Einsatz kommen kann. Die Windenergieanlage 200 beinhaltet einen Turm 40 und eine Gondel 42. An der Gondel 42 ist der Rotor befestigt. Der Rotor beinhaltet eine Nabe 44, an der die Rotorblätter 100 befestigt sind. Gemäß typischen Ausführungsformen hat der Rotor zumindest zwei Rotorblätter insbesondere drei Rotorblätter. Beim Betrieb der Windenergieanlage rotiert der Rotor, d.h. die Nabe mit den Rotorblättern um eine Achse. Dabei wird ein Generator zur Stromerzeugung angetrieben. Wie in Fig. 2 dargestellt, ist zumindest ein Sensor 110 an einem Rotorblatt 100 zur Verfügung gestellt. Der Sensor 110 kann über eine Signalleitung mit einer Schnittstelle 50 verbunden sein. Die Schnittstelle 50 kann ein Signal an eine Steuer- und Auswerteeinheit 52 der Windenergieanlage 200 liefern. Die Schnittstelle 50 kann insbesondere eine SCADA (Supervisory Control and Data Acquisition)-Schnittstelle sein.
[0016] Gemäß hierin beschriebener Ausführungsformen kann die Windenergieanlage 200 ein Steuerungsmodul 52 umfassen. Das Steuerungsmodul 52 dient insbesondere der Steuerung bzw. Regelung und/oder dem Auslesen der Schnittstelle 50 bzw. des Sensors 110 und der Windenergieanlage. Zum Beispiel kann das Steuerungsmodul 52 die SCADA- Schnittstelle steuern bzw. regeln und/oder Daten zwischen der SCADA-Schnittstelle und dem Steuerungsmodul 52 übertragen. Das Steuerungsmodul 52 kann mit der Schnittstelle 50 kommunizieren. Das Steuerungsmodul 52 kann mit der Schnittstelle 50 fest verbunden oder drahtlos verbunden sein.
[0017] Das Steuerungsmodul 52 kann ein Computerprogrammprodukt enthalten, das in einen Speicher einer digitalen Rechenvorrichtung, geladen werden kann und Softwarecodeabschnitte beinhaltet, mit denen Schritte gemäß einem oder mehreren der übrigen Aspekte ausgeführt werden können, wenn das Computerprogrammprodukt auf der Rechenvorrichtung läuft. Weiterhin wird ein Computerprogrammprodukt vorgeschlagen, das direkt in einen Speicher, zum Beispiel einen digitalen Speicher einer digitalen Rechenvorrichtung geladen werden kann. Eine Rechenvorrichtung kann neben eines oder mehrerer Speicher, eine CPU, Signaleingänge und Signalausgänge, sowie weitere für eine Rechenvorrichtung typische Elemente enthalten. Eine Rechenvorrichtung kann Teil einer Auswerteeinheit sein, oder die Auswerteeinheit kann Teil einer Rechenvorrichtung sein. Ein Computerprogramprodukt kann Softwarecodeabschnitte beinhalten, mit denen die Schritte der Verfahren der hier beschriebenen Ausführungsformen zumindest teilweise ausgeführt werden, wenn das Computerprogrammprodukt auf der Rechenvorrichtung läuft. Dabei können jegliche Ausführungsformen des Verfahrens durch ein Computerprogrammprodukt ausgeführt werden.
[0018] Der Sensor 110 kann insbesondere ein mechanischer Lastsensor sein.
Beispielsweise kann jedes Rotorblatt der Windenergieanlage einen Sensor umfassen. Der Sensor kann insbesondere ein Beschleunigungssensor, ein Vibrationssensor und/oder eine Dehnungssensor sein. Ferner kann der Sensor als elektrischer oder als faseroptischer Sensor ausgestaltet sein. Ferner kann der Sensor auch an anderen Bauteilen der Windenergieanlage 200, wie beispielsweise dem Turm 40, der Gondel 42, dem Generator etc., vorgesehen sein. Auch kann der Sensor 110 eine Ermüdungsbelastung messen. Ferner kann eine Windenergieanlage 200 auch mit mehreren Sensoren ausgestattet sein, um parallel Daten von mehreren Bauteilen und/oder andere Arten von Daten vom gleichen Bauteil zu messen.
[0019] Fig. 3 zeigt ein Ablaufschema eines Verfahrens 300 zur Steuerung eines Windparks 10 gemäß hierin beschriebener Ausführungsformen. [0020] Gemäß einem Block 310 können Daten von mindestens einer ersten
Windenergieanlage 200 des Windparks 10 eingelesen werden.
[0021] Gemäß einem Block 320 können die eingelesenen Daten der mindestens einen ersten Windenergieanlage 200 an ein statistisches Vorhersagemodell für die Steuerung von mindesten einer zweiten Windenergieanlage 200 des Windparks 10 auf Grundalge der eingelesenen Daten der mindestens einen ersten Windenergieanlage zugeführt werden.
[0022] Gemäß einem Block 320 kann des statistischen Vorhersagemodells zur
Steuerung der mindestens einen zweiten Windenergieanlage 200 verwendet werden.
[0023] In der Praxis kann eine kurzfristige Windkraft- und Lastvorhersage basierend auf einem statischen Modell geschaffen werden. Insbesondere durch eine hohe Abtastrate können zusätzliche Informationen gewonnen werden. Insbesondere durch eine Messung und Vorhersage einer mechanischen Belastung der Rotorblätter kann einen Leistungsoptimierung bereitgestellt werden, womit beispielsweise ein Betrieb von Windenergieanlagen basierend auf einem Energiebedarf verbessert werden kann. [0024] In der Praxis können mittels dem Verfahren gemäß hierein beschriebener
Ausführungsformen Windenergieanlagen nicht mehr rein als passive Systeme betrieben werden, sondern als aktive Messsysteme verwendet werden, die validierte Informationen liefern. Je höher dabei die Anzahl an Windenergieanlagen in einem Windpark ist, umso höher kann die Anzahl an Systemvalidierungen für eine elektrische Leistung und/oder mechanische Belastung sein. Hybridmodelle, also Modell die neben einem statischen Vorhersagemodell auch eine physikalisches Vorhersagemodell einbeziehen, können die Genauigkeit von Wettervorhersagemodellen auf der Ebene von Windenergieanlagen und auf sehr kurzen Zeiteinheiten weiter verbessern. Dies kann insbesondere ein bayesisches System des kontinuierlichen Lernens sein, die das System im Laufe der Zeit weiter entwickelt und verbessert. Insbesondere kann in der Praxis mit dem hier offenbarten Verfahren eine Optimierung basierend auf dem Energiebedarf, der mechanischen Belastung und einer Leistungsvorhersage geschaffen werden.
[0025] Gemäß hierin beschriebener Ausführungsformen können die eingelesenen Daten zumindest elektrische Leistungsdaten und/oder mechanische Lastdaten aufweisen. Die elektrischen Leistungsdaten können über ein SCADA-System eingelesen werden. Zusätzlich oder alternative kann die mechanischen Belastungen und/oder die elektrische Leistung mit Daten, die mit Sensoren in den Rotorblättern aufgezeichnet wurden, und statistischen Modellen geschätzt werden. Die mechanischen Lastdaten können beispielsweise über den Sensor 110 oder mehrere Sensoren 110 eingelesen werden. Zusätzlich oder alternativ kann auch die mechanischen Belastungen aus Modellen geschätzt werden, die in einer anderen Windenergieanlage des gleichen Typs erstellt wurden, die insbesondere das SCADA-System und/oder der Sensor 110 verbinden.
[0026] Die Fig. 4 zeigt einen Windpark 10 gemäß hierein beschriebener Ausführungsformen. Beispielhaft ist der Windpark 10 mit einer ersten Windenergieanlagen 200i, einer zweiten Windenergieanlagen 2002, einer dritten Windenergieanlagen 2OO3, und einer Windenergieanlagen 2OO4 dargestellt. Der Windpark 10 kann jedoch auch jede andere Anzahl an Windenergieanlagen aufweisen.
[0027] Die Windenergieanlagen 200i bis 2OO4 sind mit einem jeweiligen mechanischen Lastwerte h bis L und einem jeweiligen elektrischen Leistungswert pi bis p4 dargestellt. Dabei können diese Werte, insbesondere die jeweiligen mechanische Lastwerte h bis L, auch einen Wertesatz aus mehreren Werten darstellen. Beispielsweise kann für jeden Sensor 110i ein jeweiliger mechanische Lastwert pi,i bis p4,i vorgesehen sein. Die elektrischen Leistungswerte pi und die mechanischen Lastwerte h können die elektrische Leistungsdaten bzw. mechanische Lastdaten bilden.
[0028] Gemäß hierin beschriebener Ausführungsformen können sich der elektrischen Leistungswert pj und der mechanische Lastwert lj der j-ten Windenergieanlage 200j als eine erste Funktion f aus dem Wettermodel und den elektrischen Leistungswert pj und der mechanische Lastwert lj ergeben. Die elektrischen Leistungswert pi>j und der mechanische Lastwert h>j der i>j-ten Windenergieanlagen 200i>j können sich als eine zweite Funktion g aus dem Wettermodel und den elektrischen Leistungswert pi>j und der mechanische Lastwert h>j ergeben. Gemäß hierin beschriebener Ausführungsformen kann das statistische Vorhersagemodell Vorhersagen für eine zu erwartende elektrische Leistung und/oder mechanische Last an der mindestens einen zweiten Windenergieanlage machen. [0029] Insbesondere können verschiedene Modelle anhand ihrer individuellen Vorzüge differenziert werden: ein maschinelles Lernmodell kann kurzfristig von Statistiken dominiert werden; einem Wettermodell kann mittel- bis langfristig von Wetterfronten dominiert werden. Wettermodelle werden bereits für längere Zeithorizonte eingesetzt. Die vorliegende Offenbarung kann die Lücke für kurzfristige Vorhersagen schließen insbesondere durch eine Kombination von Wettermodelle mit Statistiken oder einfach nur durch Statistiken (maschinelle Lernmodelle).
[0030] Insbesondere kann die vorliegende Offenbarung die Möglichkeit bereitstellen, bekannte physikalische Zusammenhänge sowie direkte Messungen in einem Hybridmodell zu kombinieren, um Vorhersagen über die Zeit kontinuierlich zu verbessern.
[0031] In Fig. 4 ist beispielhaft ein Abstand d zwischen der ersten Windenergieanlage 2001 und der zweiten Windenergieanlage 2002 eingezeichnet. Ein entsprechender Abstand besteht natürlich zwischen jedem Windenergieanlagenpaar. Gemäß hierein beschriebener Ausführungsformen kann das das statistische Vorhersagemodell einen Abstand d zwischen der mindestens einen ersten Windenergieanlage 2001 und der mindestens einen zweiten Windenergieanlage 2002, eine Windrichtung und/oder eine Windgeschwindigkeit berücksichtigen.
[0032] In der Praxis misst das System nach der Installation neben anderen Variablen, wie Wetter, SCADA, Energie-Bedarf, etc., Sollwerte von z.B. Leistung und mechanischer Belastungen. Ein physikalisches Modell wird a priori erstellt, um die Zielvariablen grob zu schätzen. Das System oder Verfahren gemäß Ausführungsformen kann jedoch kontinuierlich die relevantesten Variablen auswählen, um einen Zielwert für jede der Windturbinen (pl, 11, p2, p2, 12, p3, 13, etc.) vorherzusagen, und kann seine Auswahl und sein Modell im Zeitverlauf korrigieren (insbesondere über einen bayesischen Ansatz des kontinuierlichen Lernens). In der Pracis kann es saher ist es nicht erforderlich sein, die physikalischen Messungen explizit zu korrigieren, da das System statistisch die Vorhersagen korrigieren kann und somit ein Hybridmodell bilden kann.
[0033] Insgesamt können alle Parameter verwendet werden, die statistisch gesehen Informationen für die Vorhersage enthalten, d.h. die statistisch signifikant ist. Windrichtung und -geschwindigkeit können dabei gute Parameter sein, aber es bedarf meist eine (korrigierenden Kalibrierung), was zu einem erhöhten Aufwand führen kann statistisch gesehen sind Signale mit Informationen.
[0034] Gemäß hierin beschriebener Ausführungsformen kann das statistische
Vorhersagemodell ein maschinelles Lemverfahren aufweisen. Dadurch kann sich das Modell selbst an die spezielle Umgebung und den Aufbau des Windparks 10 anpassen.
[0035] Gemäß hierin beschriebener Ausführungsformen kann das statistische
Vorhersagemodell Daten von mindestens zwei ersten Windenergieanlagen zur Steuerung der mindestens einen zweiten Windenergieanlage verwendet. Dadurch kann die Vorhersage weiter erhöht werden. Beispielsweise kann auch die Vorhersage für die zweite Windenergieanlage durch Daten von allen anderen Windenergieanlagen erfolgen.
[0036] Gemäß hierin beschriebener Ausführungsformen können die Daten mit einer hohen Abtastrate von 1 Hz oder mehr eingelesen werden. Auch können die Daten mit unterschiedlicher Abtastrate eingelesen werden. Beispielsweise kann die elektrische Leistung mit mindestens 1 Hz eingelesen werden und/oder die mechanische Belastung mit mindestens 10 Hz eingelesen werden.
[0037] Gemäß hierein beschriebener Ausführungsformen kann die Steuerung der mindestens einen zweiten Windenergieanlage 2002 gemäß dem statistischen
Vorhersagemodell ein Steuern eines Anstellwinkels eines Blatts der mindestens einen zweiten Windenergieanlage 2OO2, ein Steuern eines Drehmoments der mindestens einen zweiten Windenergieanlage 2OO2, ein Dämpfungssystem in einer Turmstruktur der mindestens einen zweiten Windenergieanlage 2OO2 und/oder aktiven Mechanismen in einem
Blattsteuerungssystem (aktive Tip, Twist, Flap, usw.) der mindestens einen zweiten Windenergieanlage 2OO2 aufweisen.
[0038] Gemäß hierein beschriebener Ausführungsformen können externe Daten von meteorologischen Sensoren eingelesen werden und diese dem statistischen Vorhersagemodell zugeführt werden. Dadurch kann die Genauigkeit weiter erhöht werden.
[0039] Gemäß hierein beschriebener Ausführungsformen können Daten einem physikalischen Vorhersagemodell zugeführt werden, um die mindesten eine zweite Windenergieanlage (200) zu steuern. Dadurch kann sich ein Hybridmodel aus dem statistischen Vorhersagemodell und einem physikalischen Vorhersagemodell ergeben. Dadurch kann die Genauigkeit weiter erhöht werden.
[0040] Gemäß hierein beschriebener Ausführungsformen kann das Steuerungsmodul 52 konfiguriert sein, um einige, manche oder alle der hierein beschriebenen Operationen des Verfahrens 300 durchzuführen.
[0041] Gemäß hierein beschriebener Ausführungsformen kann ein Windpark 10 ein solch konfiguriertes Steuerungsmodul 52 aufweisen, um mindestens eine ersten und/oder zweiten Windenergieanlage 200 zu steuern. Die Steuerung der zweiten Windenergieanlage 200 kann insbesondere gemäß dem Verfahren 300 erfolgen.
[0042] Obwohl die vorliegende Erfindung vorstehend anhand typischer Ausführungsbeispiele beschrieben wurde, ist sie darauf nicht beschränkt, sondern auf vielfältige Weise modifizierbar. Auch ist die Erfindung nicht auf die genannten Anwendungsmöglichkeiten beschränkt. Es sei ferner an dieser Stelle daraufhingewiesen, dass die hierin beschriebenen Aspekte und Ausführungsformen angemessen miteinander kombinierbar sind, und dass einzelne Aspekte dort weggelassen werden können, wo es im Rahmen des fachmännischen Handelns sinnvoll und möglich ist. Abwandlungen und Ergänzungen der hierin beschriebenen Aspekte sind dem Fachmann geläufig.

Claims

PATENTANSPRÜCHE
1. Verfahren (300) zur Steuerung eines Windparks (10), umfassend:
Einlesen von Daten von mindestens einer ersten Windenergieanlage (200) des Windparks;
Zuführen der eingelesenen Daten der mindestens einen ersten Windenergieanlage an ein statistisches Vorhersagemodell für die Steuerung von mindesten einer zweiten Windenergieanlage (200) des Windparks auf Grundalge der eingelesenen Daten der mindestens einen ersten Windenergieanlage; und
Verwenden des statistischen Vorhersagemodells zur Steuerung der mindestens einen zweiten Windenergieanlage.
2. Verfahren nach Anspruch 1, wobei eingelesenen Daten zumindest elektrische Leistungsdaten und/oder mechanische Lastdaten aufweisen.
3. Verfahren nach Anspruch 2, wobei die elektrischen Leistungsdaten über eine SCADA- System und/oder die mechanischen Lastdaten über zumindest einen Sensor (110) eingelesen werden.
4. Verfahren nach einem der Ansprüche 1, 2 oder 3, wobei das statistische Vorhersagemodell einen Abstand (d) zwischen der mindestens einen ersten Windenergieanlage (200) und der mindestens einen zweiten Windenergieanlage (200), eine Windrichtung und/oder eine Windgeschwindigkeit berücksichtig.
5. Verfahren nach einem der Ansprüche 1 bis 4, wobei das statistische Vorhersagemodell ein maschinelles Lernverfahren aufweist.
6. Verfahren nach einem der Ansprüche 1 bis 4, wobei das statistische Vorhersagemodell Daten von mindestens zwei ersten Windenergieanlagen zur Steuerung der mindestens einen zweiten Windenergieanlage verwendet.
7. Verfahren nach einem der Ansprüche 1 bis 6, wobei die Daten mit einer hohen Abtastrate von 1 Hz oder mehr eingelesen werden.
8. Verfahren nach einem der Ansprüche 1 bis 7, wobei das statistische Vorhersagemodell Vorhersagen für eine zu erwartende elektrische Leistung und/oder mechanische Last an der mindestens einen zweiten Windenergieanlage macht.
9. Verfahren nach einem der Ansprüche 1 bis 8, wobei die Steuerung der mindestens einen zweiten Windenergieanlage (200) gemäß dem statistischen Vorhersagemodell ein Steuern eines Anstellwinkels eines Blatts der mindestens einen zweiten Windenergieanlage (200), ein Steuern eines Drehmoments der mindestens einen zweiten Windenergieanlage (200), ein Dämpfungssystem in einer Turmstruktur der mindestens einen zweiten Windenergieanlage (200) und/oder aktiven Mechanismen in einem Blattsteuerungssystem der mindestens einen zweiten Windenergieanlage (200) aufweist.
10. Verfahren nach einem der Ansprüche 1 bis 9, wobei ferner externe Daten von meteorologischen Sensoren eingelesen werden und diese dem statistischen Vorhersagemodell zugeführt werden, was insbesondere ein bayesisches, kontinuierlich lernendes Hybridmodell sein kann, das seine Vorhersagen im Laufe der Zeit verbessert.
11. Verfahren nach einem der Ansprüche 1 bis 10, wobei ferner Daten einem physikalischen Vorhersagemodell zugeführt werden, um die mindesten eine zweite Windenergieanlage (200) zu steuern, was insbesondere ein bayesisches, kontinuierlich lernendes Hybridmodell sein kann, das seine Vorhersagen im Laufe der Zeit verbessert..
12. Steuerungsmodul (52) für einen Windpark (10), das zum Durchführen des Verfahrens nach einem der Ansprüche 1 bis 11 konfiguriert ist.
13. Windpark ( 10), umfassend :
mindestens eine erste Windenergieanlage (200);
mindestens eine zweite Windenergieanlage (200); und ein Steuerungsmodul (52) nach Anspruch 12 zur Steuerung der mindestens einen ersten und/oder zweiten Windenergieanlage.
PCT/EP2020/068507 2019-07-22 2020-07-01 Verfahren zur steuerung eines windparks, steuerungsmodul für einen windpark und windpark WO2021013487A1 (de)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP20737396.0A EP4004365A1 (de) 2019-07-22 2020-07-01 Verfahren zur steuerung eines windparks, steuerungsmodul für einen windpark und windpark
US17/627,745 US20220260054A1 (en) 2019-07-22 2020-07-01 Method for controlling a wind farm, control module for a wind farm, and wind farm
CA3148354A CA3148354A1 (en) 2019-07-22 2020-07-01 Method for controlling a wind farm, control module for a wind farm, and wind farm
CN202080051372.0A CN114127412A (zh) 2019-07-22 2020-07-01 用于控制风电场的方法、风电场的控制模块和风电场

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019119774.0A DE102019119774A1 (de) 2019-07-22 2019-07-22 Verfahren zur Steuerung eines Windparks, Steuerungsmodul für einen Windpark und Windpark
DE102019119774.0 2019-07-22

Publications (1)

Publication Number Publication Date
WO2021013487A1 true WO2021013487A1 (de) 2021-01-28

Family

ID=71527767

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2020/068507 WO2021013487A1 (de) 2019-07-22 2020-07-01 Verfahren zur steuerung eines windparks, steuerungsmodul für einen windpark und windpark

Country Status (6)

Country Link
US (1) US20220260054A1 (de)
EP (1) EP4004365A1 (de)
CN (1) CN114127412A (de)
CA (1) CA3148354A1 (de)
DE (1) DE102019119774A1 (de)
WO (1) WO2021013487A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115822871B (zh) * 2022-11-29 2024-10-15 盛东如东海上风力发电有限责任公司 横向相邻风电机组的功率优化方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040230377A1 (en) * 2003-05-16 2004-11-18 Seawest Holdings, Inc. Wind power management system and method
DE102005033229A1 (de) * 2005-07-15 2007-01-18 Siemens Ag Netzwerk, Verfahren und Recheneinheit zur Steuerung von Windkraftanlagen
EP1790851A2 (de) * 2005-11-29 2007-05-30 General Electric Company Steuerungssystem für einen Windpark
EP2667022A2 (de) * 2012-05-22 2013-11-27 Siemens Aktiengesellschaft Verfahren und System für Windgeschwindigkeitsfeldmessungen in einem Windpark
EP2940296A1 (de) * 2014-04-29 2015-11-04 General Electric Company Systeme und verfahren zur optimierung des betriebs eines windparks

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008039429A1 (de) * 2008-08-23 2010-02-25 DeWind, Inc. (n.d.Ges.d. Staates Nevada), Irvine Verfahren zur Regelung eines Windparks
US8185331B2 (en) * 2011-09-02 2012-05-22 Onsemble LLC Systems, methods and apparatus for indexing and predicting wind power output from virtual wind farms
ES2667818T3 (es) * 2014-04-29 2018-05-14 General Electric Company Sistema y procedimiento de control de un parque eólico
CN109478215A (zh) * 2016-04-25 2019-03-15 英特托拉斯技术公司 数据管理系统和方法
ES2904596T3 (es) * 2016-05-23 2022-04-05 Gen Electric Sistema y procedimiento para pronosticar la salida de potencia de un parque eólico
US10247171B2 (en) * 2016-06-14 2019-04-02 General Electric Company System and method for coordinating wake and noise control systems of a wind farm
DE102017009838A1 (de) * 2017-10-23 2019-04-25 Senvion Gmbh Steuerungssystem und Verfahren zum Betreiben mehrerer Windenergieanlagen
US10605228B2 (en) * 2018-08-20 2020-03-31 General Electric Company Method for controlling operation of a wind turbine
DK201870706A1 (en) * 2018-10-31 2020-06-09 Vattenfall Ab A DYNAMIC OPTIMIZATION STRATEGY FOR IMPROVING THE OPERATION OF A WIND FARM

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040230377A1 (en) * 2003-05-16 2004-11-18 Seawest Holdings, Inc. Wind power management system and method
DE102005033229A1 (de) * 2005-07-15 2007-01-18 Siemens Ag Netzwerk, Verfahren und Recheneinheit zur Steuerung von Windkraftanlagen
EP1790851A2 (de) * 2005-11-29 2007-05-30 General Electric Company Steuerungssystem für einen Windpark
EP2667022A2 (de) * 2012-05-22 2013-11-27 Siemens Aktiengesellschaft Verfahren und System für Windgeschwindigkeitsfeldmessungen in einem Windpark
EP2940296A1 (de) * 2014-04-29 2015-11-04 General Electric Company Systeme und verfahren zur optimierung des betriebs eines windparks

Also Published As

Publication number Publication date
CN114127412A (zh) 2022-03-01
DE102019119774A1 (de) 2021-01-28
CA3148354A1 (en) 2021-01-28
EP4004365A1 (de) 2022-06-01
US20220260054A1 (en) 2022-08-18

Similar Documents

Publication Publication Date Title
EP2861867B1 (de) Windenergieanlage und verfahren zum steuern einer windenergieanlage oder eines windparks
EP1817496B1 (de) Verfahren zum optimieren des betriebs von windenergieanlagen
DE102004051843B4 (de) Windenergieanlage und Verfahren zur automatischen Korrektur von Windfahnenfehleinstellungen
WO2018162706A1 (de) Verfahren zum bestimmen einer verfügbaren leistung eines windparks und zugehöriger windpark
EP1772622A1 (de) Verfahren zum Betreiben einer Windenergieanlage
EP3420226B1 (de) Verfahren zum bestimmen einer äquivalenten windgeschwindigkeit
DE102010016292A1 (de) Kontrolleinrichtung für eine Windkraftanlage
DE102012011210A1 (de) Zielwertabhängige Steuerung eines Windparks
WO2019197680A1 (de) Windenergieanlage, windpark sowie verfahren zum regeln einer windenergieanlage und eines windparks
EP3947964B1 (de) Verfahren und vorrichtung zum erstellen und ausgeben einer erwartungsleistung
DE112018001318T5 (de) Windleistungserzeugungssystem
DE102012011357A1 (de) Windkraftanlagensteuereinrichtung sowie System zum Steuern eines Windparks
EP4004365A1 (de) Verfahren zur steuerung eines windparks, steuerungsmodul für einen windpark und windpark
WO2021122347A1 (de) Verfahren zur bestimmung einer restnutzungsdauer einer windenergieanlage und windenergieanlage
DE102011075337A1 (de) Verfahren und Vorrichtung zur Ansteuerung einer Anlage
DE102021210569B4 (de) Verfahren zum Betreiben einer Windenergieanlage in einem Windpark und Windparkmanager
EP3587805B1 (de) System zur ermittlung der verfügbaren leistung eines windparks
EP4116576A1 (de) Verfahren zum erkennen einer extremlast an einer windenergieanlage
WO2014139614A1 (de) Verfahren zur abschätzung von windgeschwindigkeitsverteilungsprofilen bei windkraftanlagen
EP3499023A1 (de) Verfahren und system zum betreiben einer windenergieanlage
EP3931443B1 (de) Sensorkit für eine windenergieanlage
WO2021074002A1 (de) Verfahren zur steuerung eines windparks, vorrichtung zur steuerung eines windparks
WO2020239706A1 (de) Modellierung und vorhersage von wirbelschleppen und scherwinden mit faseroptischen sensoren in windturbinen
WO2021122865A1 (de) Verfahren zum bestimmen von betriebsdaten einer windenergieanlage
WO2020074331A1 (de) Verfahren und system zum betreiben einer windenergieanlage

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20737396

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 3148354

Country of ref document: CA

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020737396

Country of ref document: EP

Effective date: 20220222