Leistungsmaximierung eines Windparks mit Hilfe eines digitalen Zwillings sowie Methoden des maschinellen Lernens

Abstract

In der vorliegenden Bachelorthesis wird untersucht, inwieweit eine Leistungsmaximierung eines Windparks anhand eines digitalen Zwillings und Methoden des maschinellen Lernens, speziell künstlichen neuronalen Netzen, stattfinden kann. Ein digitaler Zwilling des Windparks, der die Leistung von diesem in Abhängigkeit von realen Umgebungsparametern berechnen kann, wird in Python entwickelt und anhand realer Windpark-Daten validiert. Für Daten aus dem Jahr 2019 wichen die berechneten Einzelleistungen im Mittel um 24, 05% von den realen ab. Für die Gesamtwindparkleistung beträgt die mittlere Abweichung 17, 27%. Es folgt die Entwicklung eines künstlichen neuronalen Netzes, in welchem der digitale Zwilling als sog. Kostenfunktion integriert wird sowie dessen Validierung anhand von Test-Datensätzen. Es konnte bewiesen werden, dass das entwickelte Netz lernfähig ist. Für vereinzelnde Datensätze konnte bereits eine maximale Leistungserhöhung zwischen 4, 63% und 11, 78% (für verschiedene Netz-Parameter) erzielt werden, im Mittel allerdings noch nicht.

This bachelor thesis investigates the extent to which a wind farm’s performance can be maximized using a digital twin and machine learning methods, specifically artificial neural networks. A digital twin of the wind farm that can calculate its performance as a function of real environmental parameters is developed in Python and validated against real wind farm data. For 2019 data, the calculated individual power deviated from the real one by 24, 05% on average. For the total wind farm output, the mean deviation is 17, 27%. This is followed by the development of an artificial neural network, in which the digital twin is integrated as a so-called cost function, as well as its validation using test data sets. It could be proven that the developed network is capable of learning. For isolated data sets, a maximum performance increase between 4, 63% and 11, 78% (for different network parameters) could already be achieved, but not yet on average.