WO2020120380A1 - Verfahren und system zum parametrieren eines reglers einer windenergieanlage und/oder betreiben einer windenergieanlage - Google Patents

Verfahren und system zum parametrieren eines reglers einer windenergieanlage und/oder betreiben einer windenergieanlage Download PDF

Info

Publication number
WO2020120380A1
WO2020120380A1 PCT/EP2019/084182 EP2019084182W WO2020120380A1 WO 2020120380 A1 WO2020120380 A1 WO 2020120380A1 EP 2019084182 W EP2019084182 W EP 2019084182W WO 2020120380 A1 WO2020120380 A1 WO 2020120380A1
Authority
WO
WIPO (PCT)
Prior art keywords
wind
determined
controller
wind turbine
wind energy
Prior art date
Application number
PCT/EP2019/084182
Other languages
English (en)
French (fr)
Inventor
Martin Von Mutius
Original Assignee
Senvion Gmbh
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Senvion Gmbh filed Critical Senvion Gmbh
Priority to CN201980081586.XA priority Critical patent/CN113168138A/zh
Priority to US17/312,539 priority patent/US20220056882A1/en
Priority to EP19817283.5A priority patent/EP3894964A1/de
Publication of WO2020120380A1 publication Critical patent/WO2020120380A1/de

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/048—Automatic control; Regulation by means of an electrical or electronic controller controlling wind farms
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
    • F03D80/40—Ice detection; De-icing means
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/82—Forecasts
    • F05B2260/821—Parameter estimation or prediction
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/82—Forecasts
    • F05B2260/821—Parameter estimation or prediction
    • F05B2260/8211—Parameter estimation or prediction of the weather
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/84—Modelling or simulation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/303—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/321—Wind directions
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/323—Air humidity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/325—Air temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/335—Output power or torque
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/40—Type of control system
    • F05B2270/404—Type of control system active, predictive, or anticipative
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Definitions

  • the present invention relates to a method for, in particular multi-stage and / or adaptive, parameterization of a controller of a wind power installation, a method for operating the wind power installation, the controller using this method
  • Wind turbines should convert wall energy into electrical power as optimally as possible.
  • Wind turbines manipulated variables such as blade pitch and
  • Generator (braking) moments are set depending on input variables such as in particular the wind speed.
  • Design state - unchanged blade setting angle and generator (braking) moment can lead to reduced performance in particular.
  • the object of the present invention is to improve the parameterization or the operation of wind energy plants.
  • a controller for at least one wind energy installation which is referred to in the present case as the first wind energy installation without restricting generality, is used for one or more different ones
  • Icing states of the wind power plant are parameterized, in particular compared to a non-iced or ice-free one
  • Wind turbine can be reduced.
  • the controller provides a one- or multi-dimensional manipulated variable during operation
  • Wind turbine in particular for one or more actuators
  • Wind turbine depending on a one-dimensional or multi-dimensional
  • IPC Intelligent Pitch Control
  • the input variable can, in particular, depend on a wind speed, in particular its direction and / or amount, and can specify, in particular, it in one embodiment. Additionally or alternatively, the input variable can be designed as a speed and / or electrical and / or mechanical power
  • an adjustment angle (“pitch”) of one or more blades of a rotor of the wind energy installation in particular a so-called blade adjustment angle about a longitudinal axis of the (respective) blade, is entered or dependent on the manipulated variable.
  • a wind tracking of the rotor of the wind energy installation is set or adjusted as a function of the manipulated variable, in one development a rotation of the rotor about a vertical or longitudinal axis of a tower on which the rotor is rotatably mounted.
  • a braking torque of a generator of the wind energy installation is set or adjusted depending on the manipulated variable, which is coupled to the rotor, in one embodiment via a gear.
  • heating of one or more blades of a rotor of the wall energy installation is set as a function of the manipulated variable, in particular (de) activated.
  • the operation of the wall energy installation can be controlled particularly effectively and / or reliably, in particular in combination of two or more of the aforementioned versions.
  • the controller is or is parameterized on the basis of at least one or with at least one parameter value (s) that a (first) artificial intelligence for the (respective, in particular current (determined) icing condition of the wind energy installation or ( each) determined (has) specific ice status based on a power, load and / or flow, which is (is) predicted (with the help of) a mathematical model of the first wind turbine for one or more ice conditions, in particular for this ice condition, if this ice condition
  • the artificial intelligence parameterizes the controller, in another development it only provides a parameter value that is advantageous for this purpose, which, for example, a user can choose to take over in whole or in part, while automatic parameterization by the artificial intelligence advantageously improves efficiency and / or increase reliability, a determination of a parameter value, which is subsequently, in particular optionally, adopted, can advantageously enable a plausibility check and thus increase security.
  • the controller is or is parameterized on the basis of at least one or at least one parameter value (s), and is re-parameterized in a further development which the same or a further artificial intelligence for the (respective, in particular current ( determined)
  • this artificial intelligence parameterizes the controller; in another development, it merely provides an advantageous one
  • the configuration of the controller can advantageously be adapted to an icing condition, in one embodiment to one of several icing conditions, of the wind energy installation, and the operation of the first wind energy installation can thereby be improved.
  • the version of the controller can be adapted particularly precisely to the respective icing condition.
  • the (parameter) value for an icing condition can be determined in one embodiment on the basis of other icing conditions, for which the power, load and / or outflow of the
  • Wind energy plant has been forecast, in particular by interpolation and / or extrapolation or the like. As a result, a larger number of different icing conditions can be covered in one embodiment.
  • the power In one version for determining the (parameter) value for an icing condition, the power,
  • the controller can be adapted particularly precisely to the respective icing condition in one embodiment. Similarly, in one
  • Icing conditions are determined, for which the power, load and / or outflow of the wind energy installation has been determined, in particular by
  • an icing condition is dependent on an ice load or an ice mass adhering to one or more rotor blades of the wind energy installation, in particular its amount and / or distribution, and can in particular indicate or define it.
  • there may be a first icing condition if a first rotor blade has a first ice load and a second rotor blade has a second ice load, and a second icing state different from this, if conversely the first
  • Rotor blade has the second ice load and the second rotor blade has the first ice load. Then, in one embodiment, the controller can be parameterized differently for this first and second icing condition, or a different (parameter) value can be determined, so that the controller individually adjusts the two rotor blades according to their ice load.
  • the corresponding components of the controller can be parameterized differently for this first and second icing condition, or a different (parameter) value can be determined, so that the controller individually adjusts the two rotor blades according to their ice load.
  • (Parameter) value can be swapped, so that the controller adjusts the same iced rotor blades or rotates rotor blades depending on their determined (individual) icing condition (individually).
  • the (respective) artificial intelligence determines the (respective) (parameter) value in one embodiment in such a way that the performance of the wind turbine is optimized in one
  • the (parameter) value is determined in one embodiment in such a way (or also) with the proviso that a stall (“stall”) is avoided.
  • an at least two-stage process is thus carried out, wherein: in one stage at least for at least one icing state
  • Wind energy system a parameter value is determined by means of a mathematical model of the wind energy system, in particular as an initial value
  • Parameter value by means of which the first wind energy installation is determined in particular on the basis of the initial value determined by means of the mathematical model.
  • influences from ambient conditions can be taken into account precisely, in particular free of measurement errors or the like.
  • Model-based (determined parameter values can be particularly advantageous as
  • Wind turbines are used.
  • stochastic fluctuations in the ambient conditions can advantageously be compensated for in one embodiment and / or a type of swarm intelligence can be used.
  • the (first or further) artificial intelligence determines one or more parameter values in situ during operation, which is regular in one embodiment, on the basis of at least one power, load and / or outflow of the first wind energy installation determined by measurement, the controller , in a version by artificial intelligence, re-parameterized on the basis of this parameter value or
  • the controller can be adapted adaptively and the operation of the wind energy installation can be (further) improved.
  • the parameter is or is selected from a set of possible parameters of the controller (pre), for example empirically on the basis of previous icing-specific parameterizations of, in particular different,
  • Wind turbines or the like Wind turbines or the like.
  • the (first and / or further) artificial intelligence determines a power, load and / or outflow, in particular
  • one or more components of the parameter, with respect to which a performance, load and / or outflow is sensitive are selected and in a subsequent stage the (respective) artificial intelligence only determines or varies values for these components.
  • sensitive (re) components can thus be selected using the mathematical model and only these can be determined, in particular adapted, on the basis of at least one power, load and / or outflow of the first wind energy installation and / or at least one second, in particular of the same type, wind energy installation determined by means of measurement .
  • the parameter value can be optimized particularly effectively by the artificial intelligence, in particular in a combination of two or more of the aforementioned versions.
  • Regulation or parameterization are based and are regularly in the range of at least 10 minutes, in particular to average out stochastic fluctuations and the like.
  • At least one icing condition for which a power, load and / or outflow of a wind energy installation is determined, on the basis of which the artificial intelligence determines the (respective) (parameter) value (ie a “learning icing condition”) , and / or an icing status for which the controller is or will be parameterized, if this is determined (ie a current or to be controlled icing status), each with the help of one or more, in one version
  • Wind turbine-side or fixed, wind measuring devices and / or one or more sensors which are arranged in one embodiment in particular in one or more rotor blades, and / or on the basis of a determined power of the (respective)
  • an icing condition can be determined on the basis of a comparison of wind measurements with at least one heated and at least one unheated wind measuring device. This is based in particular on the idea that an unheated wind measuring device, in particular on the wind turbine side, corresponds to an icing condition of one or more rotor blades
  • Wind turbine can be estimated in a simple manner.
  • an icing condition can be determined in one embodiment on the basis of one or more temperature and / or load sensors, in particular in one or more rotor blades of the wind energy installation. This is based in particular on the idea that icing of one or more rotor blades depends on their temperature or changes their load, so that the icing condition of the wind energy installation, in particular individual rotor blades, can be reliably determined. Additionally or alternatively, an icing condition can be determined in one embodiment on the basis of a determined, in particular mechanical and / or electrical, output of the (respective) wind energy installation. This is based in particular on the idea that icing of the wind power plant reduces its output, so that the icing condition of the wind power plant can be determined simply, preferably without additional equipment.
  • an icing condition can be determined in one embodiment on the basis of a temperature and / or humidity determined in one embodiment on the wind energy installation. This is based in particular on the idea that icing of the wind energy installation depends on the meteorological ambient conditions, so that the icing condition of the wind energy installation can be easily determined, in particular predicted. Accordingly, in the present case, a determination can generally include, in particular, determining, in particular estimating, a currently existing icing condition or predicting or estimating a future (presumably existing icing condition).
  • the (first and / or further) artificial intelligence determines the
  • Parameter value (in each case) with the help of machine learning, in particular reinforcing learning (“Reinforced Learning” RL).
  • a system in particular hardware and / or software, in particular program technology, is set up to carry out a method described here and / or has:
  • an artificial intelligence for determining, in particular adapting, at least one value of a parameter of the controller for at least one icing condition of the wind power plant on the basis of a mathematical model of the latter
  • the controller which is parameterized using a method described here.
  • system and its means have:
  • Means for selecting the parameter from a set of possible parameters of the controller
  • Means for determining an icing condition with the aid of at least one, in particular wind turbine-side, wind measuring device and / or at least one sensor, in particular arranged on a rotor blade, and / or on the basis of a determined power of the wind energy installation and / or at least a determined temperature and / or humidity; and or
  • An agent in the sense of the present invention can be designed in terms of hardware and / or software, in particular one, preferably with a memory and / or
  • CPU microprocessor unit
  • GPU graphics card
  • Processing unit can be configured to execute commands as one in one Storage system stored program are implemented to process, capture input signals from a data bus and / or output signals to a data bus.
  • a storage system can have one or more, in particular different, storage media, in particular optical, magnetic, solid-state and / or other non-volatile media.
  • the program can be designed such that it embodies or is capable of executing the methods described here, so that the processing unit can carry out the steps of such methods and thus
  • the computer program product can have, in particular a non-volatile, storage medium for storing a program or with a program stored thereon, an execution of this program prompting a system or a controller, in particular a computer, to do so perform the described method or one or more of its steps.
  • one or more, in particular all, steps of the method are carried out completely or partially automatically, in particular by the system or its means.
  • the system has the first and / or at least a second,
  • Embodiments. Here shows, partly schematically:
  • Fig. 3 Characteristics of the controller determined by artificial intelligence
  • FIG. 1 shows a system for operating a first wind turbine 10 or
  • Fig. 2 a corresponding method.
  • the first wind power plant has, in a manner known per se, a nacelle 11 which is rotatably arranged on a tower 12 and has a rotor with adjustable blades 13 which is coupled to a generator 14.
  • the regulator 2 of the wind energy installation adjusts on the basis of a measured one
  • Integral and / or differential control or another type of control are integral and / or differential control or another type of control.
  • the controller according to an embodiment of the present invention is or is dependent on the determined icing condition of the wind energy plant or
  • Icing condition-specific parameters for example for different ones
  • ICE 0 , ICE ! and ICE 2 each have different, degree of icing-specific (parameter) values for gain coefficients, threshold values or the like.
  • a computer with software for reinforced (machine) learning by means of an interface 31, for example an input menu or the like, start values and / or permissible value ranges for the components of the
  • a mathematical model 10 of the wind energy installation which is used for the artificial
  • predefined parameter values of the modeled controller, predefined virtual wind speed values v and predefined virtual icing conditions each simulate or forecast an electrical power P generated in this way of the modeled wind energy installation and determine how strongly the influence of the different ones Components of the parameter, for example individual gain coefficients or the like, are within their permissible value range on the power.
  • the artificial intelligence determines (in each case) a (multi-dimensional parameter) value which optimizes the performance for the respective icing condition.
  • a load on the wind power installation, in particular on its rotor blades 13, and / or avoidance of a stall may also be taken into account.
  • a third step S30 the controller of the first wind energy installation 10 and the controller of further second type wind energy installations 50-52 are parameterized with the (parameter) values found in this way.
  • step S40 the controllers of these wind energy plants 10, 50-52 are analogous to step S20 described above with the aid of the same or one or more further artificial intelligences, in the exemplary embodiment of the or one or more further computers with software for reinforced (machine) learning , further parameterized in operation.
  • the artificial intelligence uses data from the second wind turbines 50-52 to optimize the controller of the first wind turbine 10
  • the controller is then re-parameterized specifically for the icing condition in step S40 with the (previously) determined (parameter) value, or a (parameter) value determined for this icing condition of the wind turbine is set if this icing condition is determined.
  • the in-situ (parameter) value determined so far is regulated in situ and, at the same time, this is (further) optimized on the basis of the performance determined. If in a modification - for example by means of temperature and / or load sensors in the individual rotor blades - their individual ice load is determined,
  • controller 3 shows, by way of illustration, the characteristic curves of controller 2 determined by artificial learning by means of reinforced learning for different icing conditions ICE 0 , ICE ! or ICE 2 , whereby the reference from ICE 0 to ICE ! and increases from ICEi to ICE 2 each.

Landscapes

  • Engineering & Computer Science (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Wind Motors (AREA)

Abstract

Bei einem erfindungsgemäßen Verfahren zum, insbesondere mehrstufigen und/oder adaptiven, Parametrieren eines Reglers (2) einer ersten Windenergieanlage (10), der eine Stellgröße (ß) der Windenergieanlage in Abhängigkeit von einer Eingangsgröße (λ) einstellt, ist vorgesehen, dass eine künstliche Intelligenz (30) für wenigstens einen Vereisungszustand (ICE0, ICE1, ICE2) der Windenergieanlage wenigstens einen Wert eines Parameters des Reglers auf Basis einer mit einem mathematischen Modell (10') dieser Windenergieanlage für wenigstens einen, insbesondere diesen, Vereisungszustand prognostizierten Leistungskurve (P), Belastung und/oder Abströmung der Windenergieanlage ermittelt, insbesondere anpasst, und/oder eine künstliche Intelligenz (30) für wenigstens einen Vereisungszustand (ICE0, ICE1, ICE2) der Windenergieanlage wenigstens einen Wert eines Parameters des Reglers auf Basis wenigstens eines, insbesondere dieses, ermittelten Vereisungszustandes der Windenergieanlage und einer hierfür, insbesondere mittels Messung, ermittelten Leistung, Belastung und/oder Abströmung dieser Windenergieanlage und/oder wenigstens einer zweiten, insbesondere typgleichen, Windenergieanlage (50-52) ermittelt, insbesondere anpasst.

Description

Verfahren und System zum Parametrieren eines Reglers einer Windenergieanlage und/oder Betreiben einer Windenergieanlage
Die vorliegende Erfindung betrifft ein Verfahren zum, insbesondere mehrstufigen und/oder adaptiven, Parametrieren eines Reglers einer Windenergieanlage, ein Verfahren zum Betreiben der Wndenergieanlage, wobei der Regler mittels dieses Verfahrens
parametriert ist, sowie ein System bzw. Computerprogrammprodukt zur Durchführung eines solchen Verfahrens.
Windenergieanlagen sollen Wndenergie möglichst optimal in elektrische Leistung umsetzen. Hierzu werden nach betriebsinterner Praxis bislang von Reglern der
Windenergieanlagen Stellgrößen wie insbesondere Blatteinstellwinkel und
Generator(brems)momente in Abhängigkeit von Eingangsgrößen wie insbesondere der Windgeschwindigkeit eingestellt.
Vereisen Rotorblätter von Wndenergieanlagen, ändert sich neben deren Gewicht bzw. Trägheitsmoment insbesondere ihre Aerodynamik, so dass sie üblicherweise weniger mechanische Leistung erzeugen, was bei - gegenüber dem nicht vereisten
Auslegungszustand - unveränderten Blatteinstellwinkel und Generator(brems)moment insbesondere zu Leistungseinbußen führen kann.
Aufgabe der vorliegenden Erfindung ist es, das Parametrieren bzw. den Betrieb von Windenergieanlagen zu verbessern.
Diese Aufgabe wird durch ein Verfahren mit den Merkmalen des Anspruchs 1 bzw. 6 gelöst. Ansprüche 8, 9 stellen ein System bzw. Computerprogrammprodukt zur
Durchführung wenigstens eines hier beschriebenen Verfahrens unter Schutz. Die
Unteransprüche betreffen vorteilhafte Weiterbildungen.
Nach einer Ausführung der vorliegenden Erfindung wird ein Regler wenigstens einer Windenergieanlage, die vorliegend ohne Beschränkung der Allgemeinheit als erste Windenergieanlage bezeichnet wird, für einen oder mehrere verschiedene
Vereisungszustände der Windenergieanlage (jeweils vereisungszustandsspezifisch) parametriert, insbesondere also gegenüber einem nicht vereisten bzw. eisfreien
(Auslegungs)Zustand (jeweils vereisungszustandsspezifisch) umparametriert. Hierdurch kann in einer Ausführung einer vereisungsbedingten Änderung von
Masse(nverteilung) und/oder Aerodynamik Rechnung getragen und dadurch vorteilhaft eine Leistung der Windenergieanlage verbessert und/oder eine Belastung der
Windenergieanlage reduziert werden.
Der Regler stellt im Betrieb eine ein- oder mehrdimensionale Stellgröße der
Windenergieanlage, insbesondere für einen oder mehrere Aktoren der
Windenergieanlage, in Abhängigkeit von einer ein- oder mehrdimensionalen,
insbesondere wenigstens teilweise gemessenen, Eingangsgröße ein bzw. ist hierzu eingerichtet bzw. wird hierzu verwendet. Er kann insbesondere mehrere Einzelregler, insbesondere für die individuelle Blattwinkelverstellung („Individual Pitch Control“ IPC) aufweisen.
Die Eingangsgröße kann insbesondere von einer Windgeschwindigkeit, insbesondere deren Richtung und/oder Betrag, abhängen, diese in einer Ausführung angeben, insbesondere sein. Zusätzlich oder alternativ kann die Eingangsgröße in einer Ausführung von einer Drehzahl und/oder elektrischen und/oder mechanischen Leistung der
Windenergieanlage abhängen, diese in einer Ausführung angeben, insbesondere sein.
Diese physikalischen Größen können gut erfasst werden und haben großen Einfluss auf die Funktion einer Windenergieanlage, sie sind daher zur Regelung von
Windenergieanlagen besonders vorteilhaft.
In einer Ausführung wird ein Einstellwinkel („Pitch“) eines oder mehrerer Blätter eines Rotors der Wndenergieanlage, insbesondere ein sogenannter Blatteinstellwinkel um eine Längsachse des (jeweiligen) Blattes, in Abhängigkeit von der Stellgröße einge- bzw.
verstellt, in einer Weiterbildung die Einstellwinkel mehrerer Blätter individuell oder kollektiv.
Zusätzlich oder alternativ wird in einer Ausführung eine Windnachführung des Rotors der Windenergieanlage in Abhängigkeit von der Stellgröße einge- bzw. verstellt, in einer Weiterbildung eine Drehung des Rotors um eine vertikale bzw. Längsachse eines Turms, auf dem der Rotor drehbar gelagert ist. Zusätzlich oder alternativ wird in einer Ausführung ein Bremsmoment eines Generators der Windenergieanlage in Abhängigkeit von der Stellgröße einge- bzw. verstellt, der mit dem Rotor, in einer Ausführung über ein Getriebe, gekoppelt ist.
Zusätzlich oder alternativ wird in einer Ausführung eine Heizung eines oder mehrerer Blätter eines Rotors der Wndenergieanlage in Abhängigkeit von der Stellgröße eingestellt, insbesondere (de)aktiviert. Hierdurch kann der Betrieb der Wndenergieanlage jeweils, insbesondere in Kombination von zwei oder mehr der genannten Ausführungen, besonders effektiv und/oder zuverlässig geregelt werden.
Nach einer Ausführung der vorliegenden Erfindung wird bzw. ist der Regler auf Basis wenigstens eines bzw. mit wenigstens einem Parameterwert(s) parametriert, den eine (erste) künstliche Intelligenz für den (jeweiligen, insbesondere aktuell( ermittelten) Vereisungszustand der Windenergieanlage bzw. (jeweils) vereisungszustandsspezifisch auf Basis einer Leistung, Belastung und/oder Abströmung ermittelt (hat), die mit(hilfe von) einem mathematischen Modell der ersten Windenergieanlage für einen oder mehrere Vereisungszustände, insbesondere für diesen Vereisungszustand, prognostiziert wird bzw. ist, falls dieser Vereisungszustand ermittelt wird. In einer Weiterbildung parametriert die künstliche Intelligenz den Regler, in einer anderen Weiterbildung liefert sie lediglich einen hierfür vorteilhaften Parameterwert, den beispielsweise ein Anwender wahlweise ganz oder teilweise übernehmen kann. Während eine automatische Parametrierung durch die künstliche Intelligenz vorteilhaft die Effizienz und/oder Zuverlässigkeit erhöhen kann, kann eine Ermittlung eines Parameterwertes, der anschließend, insbesondere wahlweise, übernommen wird, vorteilhaft eine Plausibilitätskontrolle ermöglichen und damit die Sicherheit erhöhen.
Zusätzlich oder alternativ wird bzw. ist der Regler nach einer Ausführung der vorliegenden Erfindung auf Basis wenigstens eines bzw. mit wenigsten einem Parameterwert(s) parametriert, in einer Weiterbildung umparametriert, den dieselbe oder eine weitere künstliche Intelligenz für den (jeweiligen, insbesondere aktuell( ermittelten)
Vereisungszustand der Windenergieanlage bzw. (jeweils) vereisungszustandsspezifisch auf Basis eines oder mehrerer, insbesondere in der Vergangenheit, ermittelter
Vereisungszustände der Wndenergieanlage und einer (jeweils) hierfür, insbesondere mittels Messung(en), ermittelten Leistung, Belastung und/oder Abströmung der ersten Windenergieanlage und/oder einer oder mehrerer, in einer Ausführung (jeweils) typgleicher, zweiter Windenergieanlage(n) ermittelt (hat), falls dieser Vereisungszustand ermittelt wird. In einer Weiterbildung parametriert diese künstliche Intelligenz den Regler, in einer anderen Weiterbildung liefert sie lediglich einen hierfür vorteilhaften
Parameterwert.
Hierdurch kann in einer Ausführung die Parametrierung des Reglers vorteilhaft an einen Vereisungszustand, in einer Ausführung an einen von mehreren Vereisungszuständen, der Windenergieanlage angepasst und dadurch der Betrieb der ersten Windenergieanlage verbessert werden.
Indem in einer Ausführung für die Ermittlung des (Parameter)wertes für einen
Vereisungszustand modellbasiert die Leistung, Belastung und/oder Abströmung der Windenergieanlage für diesen Vereisungszustand selber prognostiziert worden ist, kann der Regler in einer Ausführung besonders präzise an den jeweiligen Vereisungszustand angepasst werden. Gleichermaßen kann in einer Ausführung der (Parameter)wert für einen Vereisungszustand auf Basis anderer Vereisungszustände ermittelt werden, für die jeweils modellbasiert die Leistung, Belastung und/oder Abströmung der
Windenergieanlage prognostiziert worden ist, insbesondere durch Inter- und/oder Extrapolation oder dergleichen. Dadurch kann in einer Ausführung eine größere Anzahl unterschiedlicher Vereisungszustände abgedeckt werden. Indem in einer Ausführung für die Ermittlung des (Parameter) wertes für einen Vereisungszustand die Leistung,
Belastung und/oder Abströmung der Windenergieanlage für diesen Vereisungszustand selber ermittelt worden ist, kann der Regler in einer Ausführung besonders präzise an den jeweiligen Vereisungszustand angepasst werden. Gleichermaßen kann in einer
Ausführung der (Parameter)wert für einen Vereisungszustand auf Basis anderer
Vereisungszustände ermittelt werden, für die jeweils die Leistung, Belastung und/oder Abströmung der Windenergieanlage ermittelt worden ist, insbesondere durch
Inter- und/oder Extrapolation oder dergleichen. Dadurch kann in einer Ausführung eine größere Anzahl unterschiedlicher Vereisungszustände abgedeckt werden.
Ein Vereisungszustand ist in einer Ausführung von einer Eislast bzw. einer an einem oder mehreren Rotorblättern der Windenergieanlage anhaftenden Eismasse, insbesondere deren Betrag und/oder Verteilung, abhängig, kann diese insbesondere angeben bzw. definieren. Insbesondere kann ein erster Vereisungszustand vorliegen, wenn ein erstes Rotorblatt eine erste Eislast und ein zweites Rotorblatt eine zweite Eislast aufweist, und ein hiervon verschiedener zweiter Vereisungszustand, wenn umgekehrt das erste
Rotorblatt die zweite Eislast und das zweites Rotorblatt die erste Eislast aufweist. Dann kann in einer Ausführung der Regler für diesen ersten und zweiten Vereisungszustand unterschiedlich parametriert bzw. ein unterschiedlicher (Parameter)Wert ermittelt werden, so dass der Regler die beiden Rotorblätter jeweils entsprechend ihrer Eislast individuell verstellt. Dabei können insbesondere die entsprechenden Komponenten des
(Parameter)Wertes vertauscht werden bzw. sein, so dass der Regler gleich vereiste Rotorblätter gleich bzw. Rotorblätter in Abhängigkeit von ihrem ermittelten (individuellen) Vereisungszustand (individuell) verstellt.
Die (jeweilige) künstliche Intelligenz ermittelt den (jeweiligen) (Parameter)Wert in einer Ausführung so, dass eine Leistung der Windenergieanlage optimiert wird, in einer
Ausführung unter Berücksichtigung einer, insbesondere maximal zulässigen und/oder mittleren, Belastung, insbesondere ihrer Rotorblätter, und/oder einer Abströmung, insbesondere unter bzw. zur Vermeidung eines Strömungsabrisses. Entsprechend wird in einer Ausführung der (Parameter) Wert derart bzw. (auch) mit der Maßgabe ermittelt, dass ein Strömungsabriss („Stall“) vermieden wird.
In einer Ausführung wird somit ein wenigstens zweistufiges Verfahren durchgeführt, wobei: in einer Stufe wenigstens für wenigstens einen Vereisungszustand der
Windenergieanlage ein Parameterwert mittels eines mathematischen Modells der Windenergieanlage ermittelt wird, insbesondere als Ausgangswert; und
in einer, in einer Ausführung anschließenden, Stufe (jeweils) für wenigstens einen, insbesondere diesen, Vereisungszustand der Windenergieanlage ein (neuer)
Parameterwert, mittels der ersten Windenergieanlage ermittelt wird, insbesondere auf Basis des mittels des mathematischen Modells ermittelten Ausgangswerts.
Zusätzlich oder alternativ können in einer Ausführung ein oder mehrere zweite,
insbesondere typgleiche, Windenergieanlage zur Referenzierung genutzt werden, insbesondere, indem die künstliche Intelligenz auch für einen oder mehrere ermittelte Vereisungszustände dieser zweiten Windenergieanlage(n) entsprechend( ermittelte Leistungen, Belastungen, Abströmungen und/oder (Parameter)Werte berücksichtigt, insbesondere verwendet. Auf diese Weise kann vorteilhaft eine Art Schwarmintelligenz genutzt werden. Durch die Ermittlung mittels des mathematischen Modells kann in einer Ausführung vorab eine besonders große Bandbreite möglicher Parameterkomponenten und/oder - werte(bereiche) und/oder möglicher Umgebungsbedingungen untersucht werden.
Zusätzlich oder alternativ können hierbei Einflüsse von Umgebungsbedingungen exakt(er), insbesondere frei von Messfehlern oder dergleichen, berücksichtigt werden.
Modellbasiert( ermittelte Parameterwerte können besonders vorteilhaft als
Ausgangswerte bei der Ermittlung von (neuen) Parameterwerten anhand realer
Windenergieanlagen verwendet werden.
Durch die Ermittlung mittels der eigentlichen ersten Windenergieanlage können in einer Ausführung deren individuelle bzw. konkrete Umgebungsbedingungen erfasst und so deren Einflüsse besser berücksichtigt werden, insbesondere ausgehend von einem mathematischen Modell oder einer prototypenhaften zweiten Windenergieanlage.
Durch eine Ermittlung mittels der ersten sowie einer oder mehrerer weiterer, insbesondere typgleichen, zweiten Windenergieanlagen können in einer Ausführung stochastische Schwankungen in den Umgebungsbedingungen vorteilhaft kompensiert und/oder eine Art Schwarmintelligenz genutzt werden.
In einer Ausführung ermittelt die (erste bzw. weitere) künstliche Intelligenz einen oder mehrere Parameterwerte in situ während des, in einer Ausführung regulären, Betriebs auf Basis wenigstens einer dabei mittels Messung ermittelten Leistung, Belastung und/oder Abströmung der ersten Windenergieanlage, wobei der Regler, in einer Ausführung durch die künstliche Intelligenz, auf Basis dieses Parameterwertes umparametriert bzw.
aktualisiert wird. Hierdurch kann der Regler adaptiv angepasst und so der Betrieb der Windenergieanlage (weiter) verbessert werden.
In einer Ausführung wird bzw. ist der Parameter aus einer Menge möglicher Parameter des Reglers (vor)ausgewählt, beispielsweise empirisch auf Basis vorhergehender vereisungsspezifischer Parametrierungen von, insbesondere andersartigen,
Windenergieanlagen oder dergleichen.
Zusätzlich oder alternativ wird bzw. ist in einer Ausführung der (ersten und/oder weiteren) künstlichen Intelligenz (jeweils) ein einstellbarer Startwert für den Parameterwert vorgegeben bzw. einer von mehreren möglichen, insbesondere zulässigen, Startwerten vorgegeben bzw. eingestellt, von dem ausgehend sie den Parameterwert ermittelt.
Zusätzlich oder alternativ wird in einer Ausführung der (ersten und/oder weiteren) künstlichen Intelligenz (jeweils) ein zulässiger Wertebereich des Parameters,
insbesondere einer oder mehrerer Komponenten des Parameters, vorgegeben, innerhalb dessen sie den Parameterwert ermittelt bzw. variieren darf.
Zusätzlich oder alternativ ermittelt die (erste und/oder weitere) künstliche Intelligenz (jeweils) eine Leistungs-, Belastungs- und/oder Abströmungs-, insbesondere
Strömungsabrisssensitivität bezüglich verschiedener Komponenten des Parameters.
Dann können in einer Ausführung, insbesondere durch die (jeweilige) künstliche
Intelligenz, ein oder mehrere Komponenten des Parameters, bezüglich der eine Leistung, Belastung und/oder Abströmung sensitiv(er) ist, ausgewählt werden und in einer nachfolgenden Stufe die (jeweilige) künstliche Intelligenz nur noch für diese Komponenten Werte ermitteln bzw. variieren. Insbesondere können somit mittels des mathematischen Modells sensitive(re) Komponenten ausgewählt und nur noch diese auf Basis wenigstens einer mittels Messung ermittelten Leistung, Belastung und/oder Abströmung der ersten Windenergieanlage und/oder wenigstens einer zweiten, insbesondere typgleichen, Windenergieanlage ermittelt, insbesondere anpasst werden.
Hierdurch kann der Parameterwert durch die künstliche Intelligenz jeweils, insbesondere in Kombination von zwei oder mehr der genannten Ausführungen, besonders effektiv optimiert werden.
In einer Ausführung wird wenigstens ein Vereisungszustand, für den eine Leistung, Belastung und/oder Abströmung einer Windenergieanlage ermittelt wird, auf deren Basis die künstliche Intelligenz den (jeweiligen) (Parameter)Wert ermittelt (d.h. ein
„Lern-Vereisungszustand“), und/oder ein Vereisungszustand, für den der Regler parametriert ist bzw. wird, falls dieser ermittelt wird (d.h. ein aktueller bzw. zu regelnder Vereisungszustand), jeweils für ein Zeitintervall von höchstens 5 Minuten und/oder wenigstens 10 Sekunden ermittelt.
Dem liegt insbesondere die Erkenntnis zugrunde, dass sich Vereisungszustände von Windenergieanlagen in derart kurzen Zeitfenster so signifikant verändern können, dass dies eine Umparametrisierung erfordern kann, was insbesondere im Vergleich zu den längeren (Beobachtungs)Zeiträumen überraschend ist, die üblicherweise bei der
Regelung bzw. Parametrierung zurgundegelegt werden und regelmäßig im Bereich von wenigstens 10 Minuten liegen, um insbesondere stochastische Schwankungen und dergleichen auszumitteln.
Zusätzlich oder alternativ wird in einer Ausführung wenigstens ein Vereisungszustand, für den eine Leistung, Belastung und/oder Abströmung einer Windenergieanlage ermittelt wird, auf deren Basis die künstliche Intelligenz den (jeweiligen) (Parameter) Wert ermittelt (d.h. ein„Lern-Vereisungszustand“), und/oder ein Vereisungszustand, für den der Regler parametriert ist bzw. wird, falls dieser ermittelt wird (d.h. ein aktueller bzw. zu regelnder Vereisungszustand), jeweils mithilfe einer oder mehrere, in einer Ausführung
windanlagenseitigen bzw. -festen, Windmesseinrichtungen und/oder eines oder mehrerer, in einer Ausführung an insbesondere in, einem oder mehreren Rotorblättern angeordneter, Sensoren und/oder auf Basis einer ermittelten Leistung der (jeweiligen)
Windenergieanlage und/oder wenigstens einer ermittelten Temperatur und/oder Feuchte ermittelt.
Dabei kann in einer Ausführung ein Vereisungszustand auf Basis eines Vergleiches von Windmessungen mit wenigstens einer beheizten und wenigstens einer unbeheizten Windmesseinrichtung ermittelt werden. Dem liegt insbesondere der Gedanke zugrunde, dass eine, insbesondere windanlagenseitige, unbeheizte Windmesseinrichtung einen einem Vereisungszustand eines oder mehrerer Rotorblätter entsprechenden
Vereisungszustand aufweist und dieser durch Vergleich mit einer beheizten und damit zuverlässig nicht vereisten Windmesseinrichtung der Vereisungszustand der
Windenergieanlage auf einfache Weise abgeschätzt werden kann.
Zusätzlich oder alternativ kann in einer Ausführung ein Vereisungszustand auf Basis eines oder mehrerer Temperatur- und/oder Lastsensoren an, insbesondere in, einem oder mehreren Rotorblättern der Windenergieanlage ermittelt werden. Dem liegt insbesondere der Gedanke zugrunde, dass eine Vereisung eines oder mehrerer Rotorblätter von deren Temperatur abhängt bzw. deren Belastung ändert, so dass der Vereisungszustand der Windenergieanlage, insbesondere einzelner Rotorblätter, zuverlässig(er) ermittelt werden kann. Zusätzlich oder alternativ kann in einer Ausführung ein Vereisungszustand auf Basis einer ermittelten, insbesondere mechanischen und/oder elektrischen, Leistung der (jeweiligen) Windenergieanlage ermittelt werden. Dem liegt insbesondere der Gedanke zugrunde, dass eine Vereisung der Windenergieanlage deren abgegebene Leistung reduziert, so dass der Vereisungszustand der Windenergieanlage einfach, vorzugsweise ohne zusätzlichen apparativen Aufwand, ermittelt werden kann.
Zusätzlich oder alternativ kann in einer Ausführung ein Vereisungszustand auf Basis einer, in einer Ausführung an der Windenergieanlage, ermittelten Temperatur und/oder Feuchte ermittelt werden. Dem liegt insbesondere der Gedanke zugrunde, dass eine Vereisung der Windenergieanlage von den meteorologischen Umgebungsbedingungen abhängen, so dass der Vereisungszustand der Windenergieanlage einfach ermittelt, insbesondere vorausgesagt, werden kann. Entsprechend kann vorliegend allgemein ein Ermitteln ein Ermitteln, insbesondere Abschätzen, eines aktuell vorliegenden Vereisungszustandes oder ein Voraussagen bzw. Abschätzen eines zukünftig( voraussichtlich vorliegenden Vereisungszustandes umfassen, insbesondere sein.
In einer Ausführung ermittelt die (erste und/oder weitere) künstliche Intelligenz den
Parameterwert (jeweils) mithilfe von maschinellem, insbesondere verstärkendem, Lernen („Reinforced Learning“ RL). Dies stellt eine für die vorliegende Anwendung besonders vorteilhafte, insbesondere effiziente und/oder zuverlässige, Form künstlicher Intelligenz dar, wobei in einer Ausführung die künstliche Intelligenz vorteilhaft Dynamic Programming und parametrisierte Funktionsapproximatoren, insbesondere Neuronale Netze,
miteinander kombiniert.
Nach einer Ausführung der vorliegenden Erfindung ist ein System, insbesondere hard- und/oder Software-, insbesondere programmtechnisch, zur Durchführung eines hier beschriebenen Verfahrens eingerichtet und/oder weist auf:
- eine künstliche Intelligenz zum Ermitteln, insbesondere Anpassen, wenigstens eines Wertes eines Parameters des Reglers für wenigstens einen Vereisungszustand der Windenergieanlage auf Basis einer mit einem mathematischen Modell dieser
Windenergieanlage für wenigstens einen, insbesondere diesen, Vereisungszustand prognostizierten Leistung, Belastung und/oder Abströmung der Windenergieanlage; und/oder - eine, insbesondere dieselbe oder eine andere, künstliche Intelligenz zum Ermitteln, insbesondere Anpassen, wenigstens eines Wertes eines Parameters des Reglers für wenigstens einen Vereisungszustand der Windenergieanlage auf Basis wenigstens eines, insbesondere dieses, ermittelten Vereisungszustandes der Windenergieanlage und einer mittels Messung hierfür ermittelten Leistung, Belastung und/oder
Abströmung dieser Windenergieanlage und/oder wenigstens einer zweiten, insbesondere typgleichen, Windenergieanlage; und/oder
- den Regler, der mittels eines hier beschriebenen Verfahrens parametriert ist.
In einer Ausführung weist das System bzw. seine Mittel auf:
Mittel zum Einstellen eines Einstellwinkels wenigstens eines Blattes und/oder einer Heizung eines Rotors der ersten Windenergieanlage, einer Windnachführung des Rotors und/oder eines Bremsmoments eines Generators der ersten Windenergieanlage in Abhängigkeit von der Stellgröße;
Mittel zum Auswählen des Parameters aus einer Menge möglicher Parameter des Reglers;
Mittel, um der künstlichen Intelligenz ein einstellbarer Startwert und/oder ein zulässiger Wertebereich des Parameters vorzugeben;
Mittel zum Ermitteln einer Leistungs-, Belastungs- und/oder Abströmungssensitivität bezüglich verschiedener Komponenten des Parameters mittels der künstlichen Intelligenz;
Mittel zum Ermitteln eines Vereisungszustandes mithilfe wenigstens einer, insbesondere windanlagenseitigen, Windmesseinrichtung und/oder wenigstens eines, insbesondere an einem Rotorblatt angeordneten, Sensors und/oder auf Basis einer ermittelten Leistung der Windenergieanlage und/oder wenigstens einer ermittelten Temperatur und/oder Feuchte; und/oder
Mittel zum Ermitteln des Parameterwerts durch die künstliche Intelligenz mithilfe von maschinellem, insbesondere verstärkendem, Lernen.
Ein Mittel im Sinne der vorliegenden Erfindung kann hard- und/oder softwaretechnisch ausgebildet sein, insbesondere eine, vorzugsweise mit einem Speicher- und/oder
Bussystem daten- bzw. signalverbundene, insbesondere digitale, Verarbeitungs-, insbesondere Mikroprozessoreinheit (CPU), Graphikkarte (GPU) oder dergleichen, und/oder ein oder mehrere Programme oder Programmmodule aufweisen. Die
Verarbeitungseinheit kann dazu ausgebildet sein, Befehle, die als ein in einem Speichersystem abgelegtes Programm implementiert sind, abzuarbeiten, Eingangssignale von einem Datenbus zu erfassen und/oder Ausgangssignale an einen Datenbus abzugeben. Ein Speichersystem kann ein oder mehrere, insbesondere verschiedene, Speichermedien, insbesondere optische, magnetische, Festkörper- und/oder andere nicht-flüchtige Medien aufweisen. Das Programm kann derart beschaffen sein, dass es die hier beschriebenen Verfahren verkörpert bzw. auszuführen imstande ist, sodass die Verarbeitungseinheit die Schritte solcher Verfahren ausführen kann und damit
insbesondere die erste Windenergieanlage betreiben bzw. deren Regler parametrieren bzw. hierzu wenigstens einen Parameterwert ermitteln kann. Ein
Computerprogrammprodukt kann in einer Ausführung ein, insbesondere nicht-flüchtiges, Speichermedium zum Speichern eines Programms bzw. mit einem darauf gespeicherten Programm aufweisen, insbesondere sein, wobei ein Ausführen dieses Programms ein System bzw. eine Steuerung, insbesondere einen Computer, dazu veranlasst, ein hier beschriebenes Verfahren bzw. einen oder mehrere seiner Schritte auszuführen. In einer Ausführung werden ein oder mehrere, insbesondere alle, Schritte des Verfahrens vollständig oder teilweise automatisiert durchgeführt, insbesondere durch das System bzw. sein(e) Mittel.
In einer Ausführung weist das System die erste und/oder wenigstens eine zweite,
Windenergieanlage auf. Weitere Vorteile und Merkmale ergeben sich aus den Unteransprüchen und den
Ausführungsbeispielen. Hierzu zeigt, teilweise schematisiert:
Fig. 1 : ein System zum Betreiben einer ersten Windenergieanlage 10 bzw.
Parametrieren eines Reglers dieser Wndenergieanlage nach einer
Ausführung der vorliegenden Erfindung; Fig. 2: ein Verfahren zum Betreiben der ersten Windenergieanlage bzw.
Parametrieren des Reglers nach einer Ausführung der vorliegenden
Erfindung; und
Fig. 3: durch eine künstliche Intelligenz ermittelte Kennlinien des Reglers für
unterschiedliche Vereisungszustände. Fig. 1 zeigt ein System zum Betreiben einer ersten Windenergieanlage 10 bzw.
Parametrieren eines Reglers 2 dieser Windenergieanlage nach einer Ausführung der vorliegenden Erfindung, Fig. 2 ein entsprechendes Verfahren.
Die erste Windenergieanlage weist in an sich bekannter Weise eine Gondel 11 auf, die drehbar auf einem Turm 12 angeordnet ist und einen Rotor mit verstellbaren Blättern 13 aufweist, der mit einem Generator 14 gekoppelt ist.
Der Regler 2 der Windenergieanlage verstellt auf Basis einer gemessenen
Generatorleistung und/oder einer mittels zweier windenergieanlagefester
Windmesseinrichtungen 15, 15‘ gemessenen Windgeschwindigkeit ein Bremsmoment des Generators, eine Windnachführung der Gondel um eine in Fig. 1 vertikale Gierachse und/oder kollektiv oder individuell Einstellwinkel ß der Rotorblätter, beispielsweise mittels einer, in einer Ausführung kaskadierten, Schwellwert- und/oder Proportional-,
Integral- und/oder Differentialregelung oder einer andersartigen Regelung.
Hierzu wird bzw. ist der Regler nach einer Ausführung der vorliegenden Erfindung je nach ermitteltem Vereisungszustand der Windenergieanlage bzw.
vereisungszustandsspezifisch parametriert, beispielsweise für unterschiedliche
Vereisungsgrade ICE0, ICE! und ICE2 jeweils unterschiedliche, vereisungsgradspezifisch (Parameter)Werte für Verstärkungskoeffizienten, Schwellwerte oder dergleichen eingestellt.
Dazu werden in einem ersten Schritt S10 (vgl. Fig. 2) einer künstlichen Intelligenz 30, im Ausführungsbeispiel einem Computer mit Software zum Reinforced (Machine) Learning, mittels einer Schnittstelle 31 , beispielsweise einem Eingabemenü oder dergleichen, Startwerte und/oder zulässige Wertebereiche für die Komponenten des
mehrdimensionalen Parameters vorgegeben.
In einem zweiten Schritt S20 wird durch die künstliche Intelligenz mithilfe eines mathematischen Modells 10 der Windenergieanlage, das für von der künstlichen
Intelligenz vorgegebene Parameterwerte des mitmodellierten Reglers, vorgegebene virtuelle Windgeschwindigkeitswerte v und vorgegebene virtuelle Vereisungszustände jeweils eine hierbei erzeugte elektrische Leistung P der modellierten Windenergieanlage simuliert bzw. prognostiziert, ermittelt, wie stark der Einfluss der verschiedenen Komponenten des Parameters, beispielsweise also einzelner Verstärkungskoeffizienten oder dergleichen, innerhalb ihres zulässigen Wertebereichs auf die Leistung ist. Die künstliche Intelligenz ermittelt in Schritt S20 dann (jeweils) einen (mehrdimensionalen Parameter)Wert, der die Leistung für den jeweiligen Vereisungszustand optimiert. Dabei kann auch eine Belastung der Windenergieanlage, insbesondere ihrer Rotorblätter 13, und/oder eine Vermeidung eines Strömungsabrisses berücksichtigt werden.
In einem dritten Schritt S30 werden der Regler der ersten Windenergieanlage 10 und Regler weiterer zweiter typgleicher Windenergieanlagen 50-52 mit den so gefundenen (Parameter)Werten parametriert.
Die Regler dieser Windenergieanlagen 10, 50-52 werden in einem vierten Schritt S40 analog zu dem vorstehend beschriebenen Schritt S20 mithilfe derselben oder einer oder mehrerer weiterer künstlicher Intelligenzen, im Ausführungsbeispiel des bzw. eines oder mehrerer weiterer Computer mit Software zum Reinforced (Machine) Learning, im Betrieb weiter umparametriert.
Hierbei nutzt die künstliche Intelligenz für die Optimierung des Reglers der ersten Windenergieanlage 10 Daten von den zweiten Windenergieanlagen 50-52 zur
Referenzierung, so dass vorteilhaft eine Art Schwarmintelligenz genutzt werden kann.
Im Betrieb der Windenergieanlagen 10, 50-52 wird deren aktueller Vereisungszustand jeweils für ein kurzes Zeitintervall von etwa 0,5 - 2 Minuten mittels eines Vergleiches der durch das unbeheizte Schalen-Anemometer 15 und der durch das beheizte Ultraschall- Anemometer 15‘ gemessenen Windgeschwindigkeiten ermittelt.
Auf Basis des solcherart ermittelten Vereisungszustands wird dann der Regler in Schritt S40 mit dem hierfür (bisher) ermittelten (Parameter)Wert vereisungszustandsspezifisch umparametriert bzw. jeweils ein für diesen Vereisungszustand der Windenergieanlage ermittelten (Parameter)Wert eingestellt, falls dieser Vereisungszustand ermittelt wird. Somit wird in situ zugleich mit dem bislang ermittelten vereisungszustandsspezifischen (Parameter)Wert geregelt und dieser zugleich auf Basis der dabei ermittelten Leistung (weiter) optimiert. Wenn in einer Abwandlung - beispielsweise mittels Temperatur- und/oder Lastsensoren in den einzelnen Rotorblättern - deren individuelle Eislast ermittelt wird, können
Komponenten des (Parameter) Werts, die die individuellen Blatteinstellwinkel der
Rotorblätter bestimmen, individuell an den jeweiligen Vereisungszustand der Rotorblätter angepasst und rein exemplarisch ein stärker vereistes Blatt im Teillastbetrieb stärker angestellt bzw. gepitcht werden, um dessen verschlechterter Aerodynamik Rechnung zu tragen und insbesondere einen Strömungsabriss zu vermeiden.
Fig. 3 zeigt zur Illustration von der künstliche Intelligenz mittels Reinforced Learning ermittelte Kennlinien des Reglers 2 für unterschiedliche Vereisungszustände ICE0, ICE! bzw. ICE2, wobei die Verweisung von ICE0 zu ICE! und von ICEi zu ICE2 jeweils zunimmt. Die für diese Vereisungszustände ermittelten vereisungszustandsspezifischen
(Parameter)Werte bestimmen Form und Lage der Kennlinien, mittels derer der Regler die Blattwinkel ß der Rotorblätter in Abhängigkeit von der Schnelllaufzahl l und damit der Drehzahl und Windgeschwindigkeit individuell einstellt. Obwohl in der vorhergehenden Beschreibung exemplarische Ausführungen erläutert wurden, sei darauf hingewiesen, dass eine Vielzahl von Abwandlungen möglich ist.
Außerdem sei darauf hingewiesen, dass es sich bei den exemplarischen Ausführungen lediglich um Beispiele handelt, die den Schutzbereich, die Anwendungen und den Aufbau in keiner Weise einschränken sollen. Vielmehr wird dem Fachmann durch die vorausgehende Beschreibung ein Leitfaden für die Umsetzung von mindestens einer exemplarischen Ausführung gegeben, wobei diverse Änderungen, insbesondere in Hinblick auf die Funktion und Anordnung der beschriebenen Bestandteile, vorgenommen werden können, ohne den Schutzbereich zu verlassen, wie er sich aus den Ansprüchen und diesen äquivalenten Merkmalskombinationen ergibt.
Bezugszeichenliste
10 erste Windenergieanlage
10 Modell
1 1 Gondel
12 Turm
13 Rotor(blatt)
14 Generator
15; 15‘ Windmesseinrichtung
2 Regler
30 Computer mit Software zum Reinforced Learning (Kl)
31 Schnittstelle
50, 51 , 52 zweite Wndenergieanlage
P elektrische Leistung
v gemittelte Windgeschwindigkeit
ß Blatteinstellwinkel
l Schnelllaufzahl

Claims

Patentansprüche
1. Verfahren zum, insbesondere mehrstufigen und/oder adaptiven, Parametrieren eines Reglers (2) einer ersten Windenergieanlage (10), der eine Stellgröße (ß) der
Windenergieanlage in Abhängigkeit von einer Eingangsgröße (l) einstellt, wobei eine künstliche Intelligenz (30) für wenigstens einen Vereisungszustand (ICE0, ICE^ ICE2) der Windenergieanlage wenigstens einen Wert eines Parameters des Reglers auf Basis einer mit einem mathematischen Modell (10‘) dieser Windenergieanlage für wenigstens einen, insbesondere diesen, Vereisungszustand prognostizierten
Leistungskurve (P), Belastung und/oder Abströmung der Windenergieanlage ermittelt, insbesondere anpasst, und/oder eine künstliche Intelligenz (30) für wenigstens einen Vereisungszustand (ICE0, ICE^ ICE2) der Windenergieanlage wenigstens einen Wert eines Parameters des Reglers auf Basis wenigstens eines, insbesondere dieses, ermittelten Vereisungszustandes der Windenergieanlage und einer hierfür, insbesondere mittels Messung, ermittelten Leistung, Belastung und/oder Abströmung dieser Windenergieanlage und/oder wenigstens einer zweiten, insbesondere typgleichen, Windenergieanlage (50-52) ermittelt, insbesondere anpasst.
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass der Vereisungszustand für ein Zeitintervall von höchstens 5 Minuten und/oder mithilfe wenigstens einer, insbesondere windanlagenseitigen, Windmesseinrichtung (15, 15‘) und/oder wenigstens eines, insbesondere an einem Rotorblatt (13) angeordneten, Sensors und/oder auf Basis einer ermittelten Leistung der Windenergieanlage und/oder wenigstens einer ermittelten Temperatur und/oder Feuchte ermittelt wird
3. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Eingangsgröße von einer Windgeschwindigkeit (v), Drehzahl und/oder elektrischen und/oder mechanischen Leistung (P) der Windenergieanlage abhängt und/oder ein Einstellwinkel (ß) und/oder eine Heizung wenigstens eines Blattes eines Rotors (13) der ersten Windenergieanlage, eine Windnachführung des Rotors und/oder ein Bremsmoment eines Generators (14) der ersten Windenergieanlage in Abhängigkeit von der Stellgröße eingestellt wird.
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Parameter aus einer Menge möglicher Parameter des Reglers ausgewählt wird und/oder der künstlichen Intelligenz ein einstellbarer Startwert und/oder ein zulässiger Wertebereich des Parameters vorgegeben wird und/oder die künstliche Intelligenz eine Leistungs-, Belastungs- und/oder Abströmungssensitivität bezüglich
verschiedener Komponenten des Parameters ermittelt.
5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die künstliche Intelligenz den Parameterwert mithilfe von maschinellem, insbesondere verstärkendem, Lernen ermittelt.
6. Verfahren zum Betreiben einer Windenergieanlage (10), wobei ein Regler (2), der mittels eines Verfahrens nach einem der vorhergehenden Ansprüche für einen Vereisungszustand der Windenergieanlage parametriert ist, die Stellgröße der Windenergieanlage in Abhängigkeit von der Eingangsgröße einstellt, falls dieser Vereisungszustand ermittelt wird.
7. Verfahren nach dem vorhergehenden Anspruch, dadurch gekennzeichnet, dass der Vereisungszustand für ein Zeitintervall von höchstens 5 Minuten und/oder mithilfe wenigstens einer, insbesondere windanlagenseitigen, Windmesseinrichtung und/oder wenigstens eines, insbesondere an einem Rotorblatt angeordneten, Sensors und/oder auf Basis einer ermittelten Leistung der Windenergieanlage und/oder wenigstens einer ermittelten Temperatur und/oder Feuchte ermittelt wird.
8. System zum Parametrieren eines Reglers (2) einer ersten Windenergieanlage (10), der eine Stellgröße (ß) der Windenergieanlage in Abhängigkeit von einer
Eingangsgröße (l) einstellt, und/oder Betreiben einer Windenergieanlage (10), das zur Durchführung eines Verfahrens nach einem der vorhergehenden Ansprüche eingerichtet ist und/oder aufweist:
- eine künstliche Intelligenz (30) zum Ermitteln, insbesondere Anpassen,
wenigstens eines Wertes eines Parameters des Reglers für wenigstens einen Vereisungszustand der Windenergieanlage auf Basis einer mit einem
mathematischen Modell (10‘) dieser Windenergieanlage für wenigstens einen, insbesondere diesen, Vereisungszustand prognostizierten Leistung, Belastung und/oder Abströmung der Windenergieanlage;
- eine künstliche Intelligenz (30) zum Ermitteln, insbesondere Anpassen,
wenigstens eines Wertes eines Parameters des Reglers für wenigstens einen Vereisungszustand der Windenergieanlage auf Basis wenigstens eines, insbesondere dieses, ermittelten Vereisungszustandes der Windenergieanlage und einer mittels Messung hierfür ermittelten Leistung, Belastung und/oder Abströmung dieser Wndenergieanlage und/oder wenigstens einer zweiten, insbesondere typgleichen, Windenergieanlage (50-52); und/oder
- den Regler (2), der mittels eines Verfahrens nach einem der vorhergehenden Ansprüche parametriert ist.
9. Computerprogrammprodukt mit einem Programmcode, der auf einem von einem Computer lesbaren Medium gespeichert ist, zur Durchführung eines Verfahrens nach einem der vorhergehenden Ansprüche.
PCT/EP2019/084182 2018-12-10 2019-12-09 Verfahren und system zum parametrieren eines reglers einer windenergieanlage und/oder betreiben einer windenergieanlage WO2020120380A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201980081586.XA CN113168138A (zh) 2018-12-10 2019-12-09 用于将风力涡轮机的控制器参数化和/或运行风力涡轮机的方法和***
US17/312,539 US20220056882A1 (en) 2018-12-10 2019-12-09 Method and system for parameterization of a controller for a wind energy installation and/or operation of a wind energy installation
EP19817283.5A EP3894964A1 (de) 2018-12-10 2019-12-09 Verfahren und system zum parametrieren eines reglers einer windenergieanlage und/oder betreiben einer windenergieanlage

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102018009549.6 2018-12-10
DE102018009549.6A DE102018009549A1 (de) 2018-12-10 2018-12-10 Verfahren und System zum Parametrieren eines Reglers einer Windenergieanlage und/oder Betreiben einer Windenergieanlage

Publications (1)

Publication Number Publication Date
WO2020120380A1 true WO2020120380A1 (de) 2020-06-18

Family

ID=68835244

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2019/084182 WO2020120380A1 (de) 2018-12-10 2019-12-09 Verfahren und system zum parametrieren eines reglers einer windenergieanlage und/oder betreiben einer windenergieanlage

Country Status (5)

Country Link
US (1) US20220056882A1 (de)
EP (1) EP3894964A1 (de)
CN (1) CN113168138A (de)
DE (1) DE102018009549A1 (de)
WO (1) WO2020120380A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112832960A (zh) * 2020-12-23 2021-05-25 国电南瑞南京控制***有限公司 一种基于深度学习的风机叶片结冰检测方法和存储介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113738583B (zh) * 2021-09-08 2022-10-14 三一重能股份有限公司 一种风机叶片加热装置的定位安装方法及风机叶片
CN115508404A (zh) * 2022-10-24 2022-12-23 重庆大学 一种野外自然覆冰单一变量控制试验方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013110215A1 (en) * 2012-01-27 2013-08-01 General Electric Company Wind turbine and method for determining parameters of wind turbine

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19842509C1 (de) * 1998-09-17 2000-07-06 Siemens Ag Steuer- bzw. Regelvorrichtung für ein von einem Elektromotor antreibbares Fahrzeug
DE10323785B4 (de) * 2003-05-23 2009-09-10 Wobben, Aloys, Dipl.-Ing. Verfahren zum Erkennen eines Eisansatzes an Rotorblättern
EP2141359A1 (de) * 2008-07-02 2010-01-06 Siemens Aktiengesellschaft Konfigurationsverwaltungssystem für Windturbinen und zentrales Computersystem dafür
EP2565442A1 (de) * 2011-09-05 2013-03-06 Siemens Aktiengesellschaft System und Verfahren zum Betreiben einer Windturbine unter Verwendung anpassungsfähiger Bezugsvariabeln
DK2711543T3 (en) * 2012-09-21 2016-11-28 Siemens Ag Operation of a wind turbine and a wind farm in different netstyrker
WO2017211367A1 (en) * 2016-06-07 2017-12-14 Vestas Wind Systems A/S Adaptive control of a wind turbine by detecting a change in performance
DE102017125457B4 (de) * 2017-10-30 2023-02-23 fos4X GmbH Verfahren zum Bestimmen einer Wahrscheinlichkeit zu einem Drosseln und/oder einem Abschalten zumindest einer Windkraftanlage aufgrund von Eisansatz

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013110215A1 (en) * 2012-01-27 2013-08-01 General Electric Company Wind turbine and method for determining parameters of wind turbine

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHEN LONGTING ET AL: "Learning Deep Representation for Blades Icing Fault Detection of Wind Turbines", 2018 IEEE INTERNATIONAL CONFERENCE ON PROGNOSTICS AND HEALTH MANAGEMENT (ICPHM), IEEE, 11 June 2018 (2018-06-11), pages 1 - 8, XP033395825, DOI: 10.1109/ICPHM.2018.8448394 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112832960A (zh) * 2020-12-23 2021-05-25 国电南瑞南京控制***有限公司 一种基于深度学习的风机叶片结冰检测方法和存储介质

Also Published As

Publication number Publication date
CN113168138A (zh) 2021-07-23
DE102018009549A1 (de) 2020-06-10
EP3894964A1 (de) 2021-10-20
US20220056882A1 (en) 2022-02-24

Similar Documents

Publication Publication Date Title
WO2020120380A1 (de) Verfahren und system zum parametrieren eines reglers einer windenergieanlage und/oder betreiben einer windenergieanlage
EP3529669B1 (de) Verfahren und steuereinrichtung zum steuern eines technischen systems
DE112012005771T5 (de) Windkraftanlage und Verfahren zum Bestimmen von Windkraftanlagenparametern
DE102004056255B4 (de) Verfahren zur Optimierung von Betriebsparametern bei Windenergieanlagen
WO2013186211A1 (de) Windenergieanlage und verfahren zum steuern einer windenergieanlage oder eines windparks
EP3931643A1 (de) Verfahren und system zum steuern einer windenergieanlagenanordnung
EP3421784A1 (de) Verfahren zum betreiben einer windenergieanlage
DE112018001318T5 (de) Windleistungserzeugungssystem
EP3473853B1 (de) Steuerungssystem und verfahren zum betreiben mehrerer windenergieanlagen
EP2582971B1 (de) Verfahren und vorrichtung zur ermittlung eines schätzwerts für zumindest eine messgrösse einer windkraftanlage
DE102011079433A1 (de) Ansteuerung eines Rotorblatts einer Windturbine
DE102011075337A1 (de) Verfahren und Vorrichtung zur Ansteuerung einer Anlage
WO2020120379A1 (de) Verfahren und system zum parametrieren eines reglers einer windenergieanlage und/oder betreiben einer windenergieanlage
WO2021013487A1 (de) Verfahren zur steuerung eines windparks, steuerungsmodul für einen windpark und windpark
EP3499023A1 (de) Verfahren und system zum betreiben einer windenergieanlage
DE102010045699A1 (de) Windenergieanlage sowie Verfahren zum geregelten Herunterfahren einer Windenergieanlage
WO2020083656A1 (de) Steuerung einer windenergieanlage
WO2020094393A1 (de) Windpark-energieparameterwert-prognose
DE102018007997A1 (de) Verfahren und System zum Betreiben einer Windenergieanlage
WO2020144063A1 (de) Verfahren und system zum steuern einer windenergieanlage
DE102018003168A1 (de) Verfahren und Vorrichtung zum Betreiben einer Windenergieanlage sowie Windenergieanlage
WO2014139614A1 (de) Verfahren zur abschätzung von windgeschwindigkeitsverteilungsprofilen bei windkraftanlagen
DE102018007749A1 (de) Verfahren und System zum Betreiben einer Windenergieanlage

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19817283

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2019817283

Country of ref document: EP

Effective date: 20210712