Challenge: Steigerung der Performance von Windenergieanlagen durch Datenanalyse
Energie Burgenland hat zur Challenge aufgerufen! Es wurde gefragt, wie die Performance von Windenergieanlagen durch Datenanalyse gesteigert werden kann. Da es für mich nichts spannenderes gibt, als in neue Domänen einzutauchen war ich von der Challenge sofort begeistert. Als Softwareentwickler sind wir Handwerker und durch viel Kommunikation, Zusammenarbeit und Austausch mit Domänenexpert*innen können wir den maximalen Mehrwert aus unserem Handwerk herausholen. Vermutlich kein*e Windenergiedatenexpert*in ist so erfahrene*r Softwareentwickler*in wie wir, dafür habe ich noch nie mit Windenergiedaten gearbeitet. Ad hoc haben Philipp und ich die größte Stärke des Entwicklerkollektivs ausgespielt und ein interdisziplinäres Team um uns versammelt.
Dr. Peter Romirer ist IT-Experte mit knapp 10 Jahren Erfahrung in der Echtzeit-Analyse von Performance Daten in verteilten Mobilfunksystemen und Autor von 18 wissenschaftlichen Publikationen. Er hat Erfahrung in der Umsetzung von innovativen Ideen in marktreife Produkte durch seine fast 5 Jährige Tätigkeit als CTO in einem innovativen Startup im Bereich mobile Advertising.
Max Samhaber ist Masterstudent für Wirtschaftsingenieurwesen-Maschinenbau an der TU-Wien mit Vertiefung im Bereich ECO-Design und Produktentwicklung. Er hat an Entwicklungsprojekten mechatronischer Produkte mitgewirkt, sowie Erfahrungen in der Materialwissenschaft gesammelt. Er hat im Vorfeld Recherche zu bestehenden Pain Points und vorhandenen Lösungen betrieben.
Die Challenge
“Energie Burgenland Windkraft ist Österreichs größter Windstromproduzent und ein Erfolgsbeispiel dafür, wie Windenergienutzung in einer bestimmten Region funktionieren kann. In 19 Ortschaften mit 225 Windenergieanlagen und einer Leistung von insgesamt 522 MW werden jährlich rd. 1 Mrd. kWh Ökostrom produziert. Gleichzeitig produzieren all diese Windanlagen täglich mehrere Tausend Datenpunkte, die zur Optimierung und zum Vergleich der Erträge verschiedener Anlagen genutzt werden sollen. Kenntnisse aus der Analyse der Vergleichsdaten können für die optimale Ausrichtung und Einstellung der Windanlagen genutzt werden, um in Folge die Energiegewinnung aus der Windkraft maximieren zu können.
Zum Lösen dieser Challenge stehen vor allem Daten der Energieerzeugung aus Windkraft, sogenannte Scada Daten, des Windparks der letzten 20 Jahre zur Verfügung. Diese Daten können Unternehmen in 10-minütigem Abstand in CSV Form zur weiteren Verwendung zugeschickt werden. Alternativ können Unternehmen über entsprechende Zugangsberechtigungen Daten auch live über VPN abfragen.
Wie kann Energie Burgenland die gesammelten Daten von Windanlagen nutzen, um die Performance dieser in Zukunft zu steigern und zu optimieren?”
Warum ist Windpark Optimierung schwierig?
Windkraft ist von vielen fluktuierenden und schwer vorhersagbaren Parametern abhängig. Dementsprechend gibt es viele wissenschaftliche Studien, welche sich der Windparkoptimierung durch bessere Prognosemodelle widmen. Diese Modelle werden mit Hilfe von historischen Daten erstellt. Demgegenüber steht die Regelungstechnik, welche in modernen Windkraftanlagen zur Optimierung einzelner Windräder zur Verfügung steht.
Unsere Vision
Unsere Vision ist es, durch die Verbindung von innovativen Optimierungsmodellen mit Sensordaten, welche in Echtzeit erhoben und verarbeitet werden, die Regelungstechnik von Windparks zu verbessern. Eine skalierbare, verteilte Datenverarbeitung ermöglicht es, die Leistung des gesamten Windparks und nicht einzelner Windräder zu optimieren.
Aktuelle Forschung anwenden
In Turbine Control Strategies for Wind Farm Power Optimization wird beschrieben, wie die Leistung eines gesamten Windparks durch die Adjustierung einzelner Windkraftanlagen optimiert werden kann. Um die Ergebnisse dieser und ähnlicher Studien möglichst gut nutzen zu können, müssen Daten live ausgewertet, innovative Modelle angewandt und Aktionen unmittelbar und automatisch gesetzt werden. Um das zu erreichen, wollen wir Sensordaten sammeln, falls notwendig harmonisieren, analysieren und darauf aufbauend den Regelkreis optimieren. Die Azimutwinkel- und Pitch-Einstellungen der einzelnen Turbinen werden dabei auf Basis der im gesamten Windpark gesammelten Sensordaten optimiert.
Neben der Verbesserung der Turbineneinstellungen ist die Optimierung von Wartungsintervallen, wie z.B. in der Studie Real-time Predictive Maintenance for Wind Turbines Using Big Data Frameworks beschrieben, ein weiteres Anwendungsszenario von Big Data. Durch unsere Echtzeit Analyse kann ein automatisiertes Frühwarnsystem für notwendige Service Eingriffe realisiert werden. Dadurch können Wartungsintervalle risikofrei verlängert und Kosten gespart werden.
Architektur und Technologien
Mit state of the art IoT und Streamprocessing Technologien können Sensordaten in Echtzeit ausgewertet werden, um unsere Vision zu erreichen. In der vorgeschlagenen Architektur sollen Sensordaten mit dem MQTT Protokoll an einen Datasink geschickt werden. Als Datasink soll die distributed stream-processing Plattform Apache Kafka verwendet werden um Ausfallsicherheit auch bei großen Mengen an Daten zu gewährleisten. Um die gesammelten Daten zu analysieren wollen wir Flink einsetzen. Die streaming data-flow engine Flink liefert die richtigen Werkzeuge um Daten effizient auszuwerten und darauf aufbauend Aktionen zu setzen. Die Systemarchitektur ermöglicht auch ein lokales Verarbeiten der Daten, wodurch eine niedrige Latenz der Reglerantworten gewährleistet ist. Kafka und Flink ermöglichen ein redundantes Setup, wodurch das System auch in Extremsituationen und Ausfallszenarien weiterarbeiten kann.
Warum diese Lösung besonders wertvoll ist
Die vorgeschlagene Lösung ermöglicht die skalierbare Erhebung und Verarbeitung von Windparksensordaten in Echtzeit. Dadurch wird eine Vielzahl von Szenarien zur Verbesserung der Windparkperformance ermöglicht. Die Zeit für den Roll-out von innovativen Verbesserungsmodellen aus der Wissenschaft in Produktivsysteme wird durch das System erheblich verkürzt.
Die momentan vorhandene Regelungstechnik kann mithilfe von neuen Modellen validiert werden und Verbesserungspotentiale in der Regelungstechnik können erkannt und umgesetzt werden. Dies führt insgesamt zu einer höheren Produktivität von Windparkanlagen.
Innovative Prognosemodelle können in Echtzeit auf wartungsrelevante Messdaten wie Lagertemperaturen, Partikelmessungen in Schmierstoffen oder Lagerlasten angewandt und potentielle Schädigungen bereits früh erkannt werden. Es besteht dadurch ein besserer Schutz vor teurem Bauteilversagen und Wartungsintervalle können verlängert und so weiter Kosten eingespart werden.
Verglichen mit der Optimierung einzelner, isoliert betrachteter Windräder, kann eine ganzheitliche Optimierung auf Basis aller im Windpark verfügbaren Daten zu einem erhöhten Gesamt-Output führen. Die vorgeschlagene Lösung versteht sich als offene Plattform mit der wir auch anderen Partnern aus Industrie und Wissenschaft ermöglichen wollen, Optimierungsmodelle effizient im Windpark validieren und einsetzen zu können. Dadurch kann vorhandenes Optimierungspotential rasch erschlossen werden.
