Tools


Siemens Worldwide

Pictures of the Future

Contact

Kontakt

Herr Sebastian Webel
Herr Sebastian Webel

Chefredakteur

Mobil: +49 172-7169762

Werner-von-Siemens-Straße 1
80333

Pictures of the Future
Das Magazin für Forschung und Innovation
 

Von Big Data zu Smart Data

Maschinelles Lernen bei Windturbinen

Mit lernfähiger Software lassen sich Windräder besser einstellen, was ihre Effizienz deutlich erhöht.

Maschinelles Lernen hilft, komplexe Systeme effizienter zu machen: Ob Stahlwerke oder Gasturbinen – sie lernen aus gesammelten Daten, erkennen Gesetzmäßigkeiten und optimieren ihren Betrieb. Siemens-Forscher zeigen, wie auch Windturbinen durch stetiges Dazulernen ihre Stromerzeugung erhöhen können.

Der Regisseur für einen oberbayerischen Heimatfilm hätte keine bessere Bedingungen vorfinden können: strahlender Sonnenschein, tiefblauer Himmel durchmischt mit weißen Cumuluswolken, am Horizont die scherenschnittartige Silhouette der Alpenkette. Auch Volkmar Sterzing ist mit dem Szenario zufrieden. Doch weniger wegen Sonne, Wolken und Panoramablick, sondern vielmehr wegen der ordentlichen Brise, die aus Nordosten kommt. Sterzing ist kein Regisseur, sondern unter anderem Segellehrer am Starnberger See im Süden von München. Vom Ufer aus verfolgt er das Wenden und Halsen seiner Schüler in den kleinen Jollen.

Segeln ist Sterzings Hobby. Doch auch beruflich spielt der Wind für ihn eine entscheidende Rolle. „Zwischen dem Segelunterricht und dem maschinellen Lernen, mit dem wir Produkte optimieren, gibt es durchaus Parallelen“, erklärt er. Denn während Sterzings Schüler lernen, die Kraft des Windes zu verstehen und dabei verinnerlichen, wann sie ihre Segel in den Wind zu stellen haben, untersucht der Ingenieur, wie komplexe Systeme – beispielsweise Windturbinen – selbstständig aus erfassten Daten Gesetzmäßigkeiten erkennen und damit lernen können, ihren Betrieb zu optimieren.

Verbesserungspotenzial: Gerade in Zeiten schwachen Windes will Volkmar Sterzing die Leistung von Windturbinen optimieren.

Maschinelles Lernen steigert die Effizienz

Seit 25 Jahren erforschen Siemens-Ingenieure das maschinelle Lernen. „Die dahinter stehenden Verfahren bieten enorme Möglichkeiten, Systeme intelligenter und effizienter zu machen“, sagt Prof. Dr. Thomas Runkler, Experte für maschinelles Lernen bei Siemens Corporate Technology in München und Professor an der TU München. „Siemens hat mit maschinellem Lernen Industrieanlagen wie Stahlwerke, aber auch Gasturbinen optimiert“. Rohstoff- und Energiepreise möglichst zuverlässig zu prognostizieren oder den Energieverbrauch ganzer Regionen vorherzusagen, ist ebenfalls mit maschinellem Lernen möglich.

Maschinelles Lernen – erfolgreich mit neuronalen Netzen

Die Voraussetzung: Computersysteme, die in der Lage sind, aus verschiedenen Daten zu lernen und eigene Schlussfolgerungen zu ziehen. So erforscht Sterzing unter anderem, wie sich Windturbinen dank maschinellem Lernen an wandelnde Wind- und Wetterverhältnisse anpassen können – und damit ihre Stromerzeugung erhöhen.

„Grundlage für die Selbstoptimierung der Windturbinen ist die Messung ihrer eigenen Betriebsdaten in Verbindung mit Wetterdaten“, sagt Sterzing. Diese Werte werden von Sensoren in und auf der Windenergieanlage ohnehin aufgenommen: Messdaten zu Windrichtung, Windstärke, Temperatur, Strom und Spannung und die Vibrationen an größeren Bauteilen wie Generator oder Rotorblatt. „Bisher dienten die Parameter der Sensoren ausschließlich der Fernüberwachung und Diagnostik im Service. Doch mit ihrer Hilfe können Windturbinen nun mehr Strom als bisher erzeugen“, sagt Sterzing stolz. Vier Jahre lang analysierten und modellierten die Siemens-Forscher Abhängigkeiten und Zusammenhänge mit neuronalen Netzen. Hier liegt der Schlüssel zum erfolgreichen maschinellen Lernen der Windturbinen. „Neuronale Netze sind Computermodelle, die ähnlich wie das menschliche Gehirn funktionieren“, erklärt Sterzing. Sie lernen an Beispielen, erkennen Muster und ermitteln auf der Basis von Messdaten aus der Vergangenheit Prognosen und Idealmodelle für das zukünftige Verhalten komplexer Systeme.

Neuronale Netze: Windturbinen können dank neuronaler Netze aus ihren eigenen Betriebsdaten lernen und sich selbst optimieren.

Dies funktioniert auch für Windturbinen. Die Software errechnet aus den Messdaten der Vergangenheit optimale Einstellungsmuster für verschiedene Wetterszenarien wie Sonnenscheinzeiten, Dunstwetterlagen oder Gewitter. Die Regler der Windturbine erhalten diese Daten und berücksichtigen sie fortan bei der Steuerung der Anlagen. Setzen bereits bekannte Windlagen ein, wählen sie sofort die durch maschinelles Lernen erkannten optimalen Einstellungen und verändern beispielsweise die Rotorblattneigung. „Auf diese Weise werden sie immer effizienter und liefern insgesamt mehr Energie“, fasst Sterzing zusammen und zeigt einer seiner Segelschülerinnen auf dem See mit ausladender Armbewegung die Richtung des Windes an.

Maschinelles Lernen hilft, die Kosten von Windenergie weiter zu senken. Das ist entscheidend, um sie im Vergleich zu konventionellen Methoden der Energieerzeugung wettbewerbsfähig zu machen.
Mit Segeln vergleichbar: Parallelen zwischen Segeln und maschinellem Lernen am Starnberger See.

Warum muss man überhaupt Windturbinen optimieren? Ganz einfach: Sie sind nicht immer voll ausgelastet. Besonders in Zeiten schwachen oder mittleren Winds liefern sie kaum die maximal mögliche Energie. „Genau hier wollen wir noch ein paar Prozent mehr Leistung herauskitzeln“, erklärt Sterzing. So könnten zukünftig die Kosten von Windenergie weiter sinken – was entscheidend ist, damit sie im Vergleich mit konventionellen Energieerzeugungsarten immer wettbewerbsfähiger wird.

Forschungsprojekt ALICE

Im Forschungsprojekt ALICE (Autonomous Learning in Complex Environments) sammelten die Siemens-Forscher gemeinsam mit der Firma IdaLab GmbH und dem Lehrstuhl für maschinelles Lernen an der Technischen Universität Berlin die Erkenntnisse aus der Windturbinen-Optimierung. Im Juni 2014 konnten sie das vom Bundesforschungsministerium geförderte Projekt abschließen. Wie lernfähig Windturbinen sind, haben die Praxistests im Rahmen von ALICE gezeigt. 2013 lernten zeitweise acht Turbinen in einem kleinen Offshore- und einem kleinen Onshore-Windpark in Spanien und Schweden aus ihren eigenen Messdaten. Die Effizienz der Windkraftanlagen stieg dabei merklich an. Um welchen Prozentsatz, ist allerdings noch offen. Hierzu sind weitere, größer angelegte Forschungsprojekte notwendig.

„Fall ab!“, ruft Sterzing plötzlich auf das Wasser hinaus. Ein Schüler versucht, zu hoch segelnd die in Luv – also in Windrichtung – liegende Übungsboje zu erreichen. Zwar segelt er einen kürzeren Weg, kommt aber trotzdem später an, weil er langsamer unterwegs ist. „Die Kinder sammeln bei verschiedenen Wetterlagen Erfahrungswerte, wie sich ihr Boot verhält und wie sie reagieren müssen – ähnlich wie es unsere Windturbinen tun“, sagt Sterzing.

Sterzing blickt auf den See. Zufrieden beobachtet er, wie sein Schüler nun unter den Ersten die Luvboje umrundet. „Lernen zahlt sich aus“, schmunzelt der Pädagoge. Und denkt dabei nicht nur ans Segeln, sondern auch an Siemens. Hobby und Beruf liegen bei Volkmar Sterzing sehr eng beieinander.

Ulrich Kreutzer