SOWINDIC

Rund 11% des österreichischen Strommix werden durch Windkraft bereitgestellt und ist damit nach der Wasserkraft die wichtigste nachhaltige Energiequelle in Österreich. Wegen der alpinen Charakteristik des österreichischen Klimas tritt an vielen aktuellen und zukünftig möglichen Standorten von Windenergieanlagen (WEA) eine teils signifikante Vereisung der Rotorblätter auf. Dabei ist die Windenergie gerade in den Wintermonaten mit geringer zu erwartender Energie aus Photovoltaik und Wasserkraft bestens als alternative Energiequelle geeignet. Allerdings schränkt Vereisung die Zuverlässigkeit und den Ertrag von Windturbinen unter winterlichen Verhältnissen teils erheblich ein.

Um die vereisungsbedingten Produktionsverluste von Windturbinen zukünftig zu minimieren, wurde im Projekt SOWINDIC eine Entscheidungs-Algorithmik zum intelligenten Heizen der Rotorblätter von Windturbinen basierend auf Echtzeit- und Vorhersagedaten erforscht. Die zentralen Bausteine dafür sind: 

• Ein Datenarchiv zum langfristigen Speichern und zur Verfügung stellen der gesammelten Daten.
• Eine echtzeitfähige Datenplattform - Edge-Device - als Laufzeitumgebung für die SOWINDIC-Algorithmen zum Aktivieren der Rotorblattheizung einer Windturbine.
• Forschungsturbinen mit Betriebserlaubnis, Eingriffsmöglichkeiten in die Rotorblattheizungssteuerung und Zusatzsensorik zum Erfassen hintergründiger Informationen.
• In Echtzeit ausführbare Algorithmen zur intelligenten Ansteuerung der Rotorblattheizung. 
   

Im Zuge des Forschungsprojekts SOWINDIC wurde eine Datenplattform zur optimierten Steuerung der Rotorblattheizung von Windturbinen entwickelt. Auf dem Edge-Device werden mehrere Modelle parallel ausgeführt, wobei modular ausgewählt werden kann, welches Modell die Rotorblattheizung steuern soll. Die Modelle umfassen einerseits physikalisch motivierte Entscheidungslogik und andererseits verschiedene Neuronale Netzwerke, die neben der Ansteuerung der optimierten Rotorblattheizung auch interpretierbare Zwischenergebnisse liefern. Beide Ansätze wurden zu einem Hybridmodell kombiniert, um die Performance der intelligenten Rotorblattheizung weiter zu verbessern. 

Datenplattform

Die eingesetzte Datenplattform wurde spezifisch für SOWINDIC entwickelt und besteht aus einer echtzeitfähigen Linux-Laufzeitumgebung mit einer angepassten Version unserer industriell erprobten Kommunikationsmiddleware CDES (C Data Exchange Platform) zur Algorithmusausführung und Datenerfassung, sowie einem hochverfügbaren Datenarchiv zur langfristigen Aufbewahrung und zur Verfügungstellung der gesammelten Daten.

Datenarchiv

Bei der Auslegung des Datenarchivs wurde besonders Wert auf eine reibungslose Datenverarbeitung, redundante Speicher- und Übertragungswege sowie einfache Integration neuer Datenquellen gelegt. Im Archiv befinden sich die Betriebsdaten von drei Windturbinen, standortkalibrierte Wettervorhersagen sowie die Messungen einer Wetterstation und die Daten von an der Rotorblattoberfläche montierten Eiserkennungssensoren. Die Betriebsdaten reichen bis in das Jahr 2016 zurück, während die restlichen Daten ab 04/2022 automatisiert durch die SOWINDIC-Datenplattform erhoben wurden. 

Echtzeit-Datenplattform

Die vollständige Modularisierung von CDES durch Software-Container ermöglicht es gleichzeitig Daten zu erfassen, synchronisieren und latenzarm bereitzustellen. Darüber hinaus ist es möglich Softwareteile spezifisch zu entwickeln, testen und zu deployen – egal ob auf einem Edge-Gerät oder in der Cloud. In den an die jeweilige Datenquelle angepassten Datenkonnektoren wird der jeweilige Datenstrom entgegengenommen und zunächst auf ein einheitliches Datenformat und Abtastrate normalisiert. Anschließend werden die Daten in ein für den jeweiligen Algorithmus erforderliches internes Datenformat konvertiert und die Algorithmen entsprechen mit Daten versorgt und ausgeführt. Bei Verbindungsstörungen werden verlorengegangene Datenpunkte bei erfolgreichem Reconnect erneut übertagen und so die langfristige Datenqualität im Archiv erheblich gesteigert. Ein optionaler, separater Datenspeicher loggt dabei sämtliche Datenströme innerhalb der CDES-Datenplattform für Entwicklungszwecke mit. 
 

Physikalische Entscheidungslogik

Der physikalische Algorithmus basiert auf Wettervorhersagen, dem als Leistungskurvenabweichung berechneten Vereisungszustand der Turbine sowie den Betriebsdaten einer Turbine und wurde unter Zuhilfenahme von historischen Daten manuell parametriert. Heizzyklen werden meist korrekt prädiziert, jedoch treten vermehrt Fehlalarme bei niedrigen und hohen Windgeschwindigkeiten auf. In diesen Arbeitspunkten kann der Vereisungszustand der Turbine nur unzureichend genau geschätzt werden.

Um die zu häufige Aktivierung der Rotorblattheizung von beiden Modellierungsansätzen gegenseitig zu unterdrücken, wurde ein Hybridmodell durch Filterung und Verknüpfung des physikalisch motivierten Ansatzes und der datengetriebenen Modelle durchgeführt und bewertet. Es zeigt sich, dass dadurch Fehlalarme reduziert werden können, jedoch der Implementierungsaufwand steigt. 
 

Machine Learning & Hybridmodellierung

Das Phänomen Vereisung von Windturbinen ist für datenbasierte Ansätze deshalb besonders herausfordernd, da statt tausenden und abertausenden Datenpunkten trotz umfangreicher Datenbasis nur wenige hundert verwertbare zur Verfügung stehen. Für das Lernen der Neuronalen Netze wurde die bereinigte Datenbasis unter Verwendung der Statuscodes der Turbinen gelabelt. Dadurch konnte eine binäre Klassifikation in „Turbine vereist“ und „Turbine eisfrei“ getroffen werden. Aus physikalischen Überlegungen heraus wurde das Modell in drei sequenzielle Submodelle zerlegt. Diese Submodelle umfassen „ICING (30min)“, „HEATING (30min)“ und „HEATING (now)“. Das Modell „ICING (30min)“ liefert bei winterlichen Verhältnissen den Vereisungszustand der Turbine in 30 Minuten. Durch das Modell „HEATING (30min)“ wird bestimmt, ob es vorteilhaft ist in 30 Minuten die Rotorblattheizung zu aktivieren. Dieses Modell wird erst dann ausgeführt, wenn „ICING (30min)“ eine bevorstehende Vereisung bescheinigt. Das Modell „HEATING (now)“ wird ausgeführt, sobald sich die Turbine in einem vereisungsbedingten Stillstand befindet und evaluiert, ob ein jetzt beginnender Heizzyklus in der Lage wäre, die Turbine abzutauen und wieder in den Normalbetrieb überzugehen. Darüberhinausgehend wurden drei verschieden umfangreiche Feature-Sets für diese Modelle gebildet, deren Spezifität und Genauigkeit bewertet wurde. 

Der Machine-Learning-Algorithmus kann die meisten Vereisungsevents korrekt vorhersagen, jedoch führen hohe/niedrige Windgeschwindigkeiten sowie abrupte Temperaturabfälle gehäuft zu Fehlalarmen. Die Nutzung von Wettervorhersagen und Sensoren verbessert die Genauigkeit. Außerdem zeigen sich Schwächen bei aufeinanderfolgenden Vereisungsevents.

Projektpartner

Meteotest AG
Universität Wien, Data Science @ Uni Vienna
Verbund Green Power GmbH

Förderung

Das Projekt SOWINDIC (Smart operation of wind turbines under icing conditions) wurde vom Bundesministerium für Klimaschutz, Umwelt, Energie, Mobilität, Innovation und Technologie (BMK) im Rahmen des Programms „Energieforschung“ mit der Projektnummer 885057 gefördert.
 

Links
energieforschung.at/projekt/smart-operation-of-wind-turbines-under-icing-conditions-2/
https://projekte.ffg.at/projekt/4032457
 

Publikationen

•    Fritze G., Gruber D., Gerber F., Froidevaux P., Gruber M., Kloiber S., Sedlmayer M., Bot R.: „Data Management and Real-time Algorithm Deployment for Advancing Anti-Icing Rotor Blade Heating In Wind Turbines“, International Wind Energy Conference Winterwind (2024). 
•    IGW Wind Industry Stakeholder Meeting: “A Smart Algorithm for Wind Turbine Controlling
•    IEA (International Energy Agency) Wind Task54 on Wind Energy in Cold Climate, insbesondere im Subtask “Blade Heating Envelope”, inklusive Workshop bei der Winterwind 2023, Åre, 27.3.2023 und Winterwind 2024, Åre, 18.3.2024 
•    Gerber, F., Froidevaux, P., Sedlmayer, M., Bot, R., Gruber, D., Glück, T., Burchhart, T., Kloiber, S.: “A smart algorithm for wind turbine controlling under icing conditions”, International Wind Energy Conference Winterwind (2022). 
•    Gerber, F., Froidevaux, P., Sedlmayer, M., Bot, R., Gruber, D., Fritze, G., Glück, T., Burchhart, T., Kloiber, S.: “A smart algorithm for wind turbine controlling under icing conditions”, IGW Wind Industry Stakeholder Meeting, Wien (2022). 
•    Gerber, F., Froidevaux, P.: “Can we make better use of ice protection systems?”, International Wind Energy Conference Winterwind (2023). 
•    Gerber, F., Froidevaux, P., Sedlmayer, M., Bot, R., Gruber, M., Kloiber, S., Gruber, D., Fritze, G.: “Smart control for blade heating systems – physics or machine learning?”, International Wind Energy Conference Winterwind (2024). 
•    Kooperation mit dem Projekt SOPWICO, welches durch VGBE finanziert wird, bei Entwicklung des Algorithmus sowie geplante Anwendung und Verfeinerung des Algorithmus für drei weitere Windparks. 
•    FGP‘22 – French German Portuguese Conference on Optimization 2022: „A Relaxed Inertial Forward-Backward-Forward Algorithm for Solving Monotone Inclusions with Application to GANs“; Porto, Portugal, 05.05.2022; basierend auf Bot et al. 2023a. 
•    15th Viennese Conference on Optimal Control and Dynamic Games: „Two (Forward) Steps at a Time – Training GANs with Tseng’s Method“; Wien, 14.07.2022; basierend auf Böhm et al. 2022. 
•    ICCOPT 2022 – International Conference on Continuous Optimization 2022: „An Accelerated Minimax Algorithm for Convex-concave Saddle Point Problems with Nonsmooth Coupling Function“; Bethlehem, Pennsylvania, USA, 27.07.2022; basierend auf Bot et al. 2023b. 
•    ICML 2023 - 40th International Conference on Machine Learning: “A Fast Optimistic Method for Monotone Variational Inequalities”, Honolulu, Hawaii, USA, 23.07.2023; basierend auf Sedlmayer et al. 2023. 
•    The OR Society Annual Conference 2023 (OR 65): “A Fast Optimistic Method for Monotone Variational Inequalities”, Bath, UK, 13.09.2023; basierend auf Sedlmayer et al. 2023. 
•    Winterwind 2023: “Challenges for a smart algorithm controlling wind turbines under icing conditions”, Åre, 29.3.2023 (VERBUND) 
•    VGB Webinar "Operation of Wind Power Plants in Cold Climate 2021“ (27.10.2021 – 28.10.2021) 
•    Böhm, A., Sedlmayer, M., Csetnek, E.R., and Bot, R.I.: "Two steps at a time--taking GAN training in stride with Tseng's method." SIAM Journal on Mathematics of Data Science 4 (2), 750-771, 2022 
•    Bot, R.I., Sedlmayer, M., and Vuong, P.T.: “https://scholar.google.com/citations?view_op=view_citation&hl=de&user=696L6cEAAAAJ&citation_for_view=696L6cEAAAAJ:u-x6o8ySG0sC.” Journal of Machine Learning Research 24 (8), 1-37, 2023a 
•    Bot, R.I., Csetnek, E.R., and Sedlmayer, M.: "An accelerated minimax algorithm for convex-concave saddle point problems with nonsmooth coupling function." Computational Optimization and Applications 86 (3), 925-966, 2023b 
•    Sedlmayer, M., Nguyen, D.K., and Bot, R.I.: “A Fast Optimistic Method for Monotone Variational Inequalities.“ Proceedings of the 40th International Conference on Machine Learning, PMLR 202:30406-30438, 2023
 

Offizielle Unterstützer

APG Austrian Power Grid AG (https://www.apg.at/) 
EVN Energieversorgung Niederösterreich AG (https://www.evn.at/) 
eologix sensor technology GmbH (https://www.eologix-ping.com/) 
Universität Bremen (https://www.uni-bremen.de/) 
KELAG-Kärntner Elektrizitäts AG (https://www.kelag.at/) 
Windkraft Simonsfeld AG (https://www.wksimonsfeld.at/) 
Energie Steiermark AG (https://www.e-steiermark.com/) 
ImWind Erneuerbare Energie GmbH (https://www.imwind.at/) 
Burgenland Energie AG (https://www.burgenlandenergie.at/) 
Österreichische Bundesforste AG (https://www.bundesforste.at/) 
vgbe energy e.V. (https://www.vgbe.energy/) 
Austro Control Digital Services GmbH (https://www.austrocontrol.at/)