Künstliche Intelligenz mit neuronalen Netzen für Windkraftanlagen

Im Rahmen der Energiewende steigt in Deutschland die Zahl der dezentralen Windkraftanlagen, die aus Windenergie elektrische Energie gewinnen. Bei der Planung und dem Bau solcher Anlagen sind eine Reihe von Aspekten zu berücksichtigen, die die Effizienz und Wirtschaftlichkeit der Anlagen beeinflussen.

Eine fundierte Wirtschaftlichkeitsbetrachtung der geplanten Investition erfordert eine möglichst genaue Abschätzung der zu erwartenden Energieerträge, um diese in Relation zu den anstehenden Kosten setzen zu können. Durch die komplexen Zusammenhänge zum Beispiel im Bereich der Strömungsmechanik ist es sehr aufwändig, physikalische Modelle hierfür zu entwerfen. Hier können neuronale Netze helfen.

Dieses Pendant zu unserem menschlichen Gehirn verfügt über Neuronen genannte Einheiten, die sich ähnlich ihrer Vorbilder verhalten: In Abhängigkeit der Stärke eines anliegenden Eingangssignals dämpfen oder verstärken diese Neuronen die Signale und geben diese an die mit ihnen verbundenen Nachbarneuronen weiter. Diese wiederum verfahren analog mit dem bereits veränderten Signal. Das Neuronen-Netzwerk eines neuronalen Netzwerks verarbeitet auf diese Weise unterschiedliche Eingangssignale und ist in der Lage, sehr komplexe Sachverhalte zu erkennen und korrekt abzubilden.

Für die zuvor beschriebene Ertragsprognose (oder andere Prognosen) haben die Neuronen-Netzwerke somit die geeigneten Eigenschaften. Das neuronale Netzwerk wird mithilfe von Referenzdaten trainiert und angelernt. Hierbei werden die einzelnen Neuronen und ihre Verbindungen so verändert, dass das Netzwerk in seiner Gesamtheit zu einem Satz von Eingangsdaten das erwartete Ausgangssignal liefert, hier die erwartete Stromerzeugung. Wird diese Lernphase erfolgreich abgeschlossen, ist es zukünftig möglich, dem neuronalen Netzwerk neue, noch nicht interpretierte Daten zu übergeben. Das können zum Beispiel Standort-spezifische Wetterdaten sein. Das angelernte Netz verfügt nun über die Erfahrung, um diese neuen Daten korrekt zu verarbeiten und akute Vorhersagen über die zu erwartenden Winderträge bei den angenommenen meteorologischen Bedingungen.

Diese Kompetenz hat auch unser Partner IS Predict, der dieses in vielen Energie-Optimierungsprojekten bereits unter Beweis gestellt hat.

Quelle: Dr. Fabian Rigoll, DIZ Forschungszentrum Informatik, Karlsruhe