Hannover (D)
16 mrt. 2014
2 minuten
Siemens ‘leert‘ windturbines om zich automatisch optimaal aan te passen aan de geldende weersomstandigheden. De turbine kan dan zelf de eigen instellingen zodanig optimaliseren, dat de actuele weersomstandigheden zo goed mogelijk worden benut. Daarvoor worden bestaande sensorgegevens, zoals windsterkte gebruikt. Juist bij lage en gemiddelde windsterkte leveren windparken niet altijd de hoeveelheid stroom die in principe mogelijk is.
Specialisten voor zelflerende systemen bij Siemens Corporate Technology (CT) ontwikkelden de slimme software voor windturbines in samenwerking met de Techni-sche Universiteit Berlijn en IdaLab GmbH in het kader van het project ALICE (Auto-nomous Learning in Complex Environments) dat door de Duitse overheid wordt gesubsidieerd.
Meer stroom
Vorige week presenteerden de onderzoekers hun werk op de CeBIT in Hannov er. Met de nieuwe oplossing kan een turbine bij gemiddelde windsnelheden per jaar ongeveer één procent meer stroom opwekken en tegelijk haar slijtage re-duceren. In een gemiddeld windmolenpark op zee met 100 turbines kunnen daar-door 5.000 extra huishoudens van stroom worden voorzien.
De onderzoekers lieten met behulp van een demonstratieturbine zien, hoe een windturbine haar eigen bedrijfsdata benut en stap voor stap haar stroomproductie opvoert. Om dat te bereiken, worden zogeheten reïnforcement leertechnieken ge-combineerd met speciale neuronale netwerken. Een neuronaal netwerk is een software-algoritme dat op vergelijkbare wijze werkt als het menselijk brein. Siemens CT ontwikkelt al vele jaren neuronale netwerken om het gedrag van hoog-complexe systemen, zoals windparken, gasturbines, fabrieken en zelfs effectenbeurzen te modelleren en te prognosticeren.
Weersomstandigheden
De softwareprogramma’s kunnen leren van gegevens uit het verleden. Op basis van die historische gegevens kunnen ze bijvoorbeeld ook prognoses afgeven voor het toekomstige gedrag van een systeem. Op die manier kan ook een model worden gemaakt, dat de stroomproductie van een windturbine bij bepaalde weersgegevens voorspelt. De onderzoekers onderzochten een grote hoeveelheid data met veel ruis, om op die manier zaken te kunnen identificeren waarmee de efficiëntie van een windturbine zou kunnen worden verbeterd door aanpassing van instellingen zoals de rotatiesnelheid.
Met behulp van gepatenteerde neuronale netwerken ontstond daaruit een zogeheten Reinforcement Learning Policy. Om de hoeveelheid opge-wekte stroom te maximaliseren, leert het systeem de instellingen van de windturbi-ne zodanig aan te passen, dat in de geldende situatie altijd de optimale hoeveelheid stroom wordt opgewekt. Al na enkele weken kent het systeem de optimale instellingen voor frequent optredende weersomstandigheden. En na een nog wat langere periode van training kan het systeem ook omgaan met meer uitzonderlijke weerssi-tuaties. Vorig jaar is de techniek in een Spaans windpark met succes getest.
Voortgaande analyse van relevante bedrijfsparameters zorgt ervoor dat het sys-teem zichzelf door middel van iteraties kan blijven verbeteren. Omdat de methoden uitstekend transponeerbaar zijn, kunnen ook andere producten van Siemens leren, zichzelf te optimaliseren.