SOWINDIC

Rund 11% des österreichischen Strommix werden durch Windkraft bereitgestellt. Sie 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 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 bei 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. 
   

Intelligente Rotorblattheizung

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

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/)