20.000 Betriebsjahre: Datenanalyse generiert Mehrwert aus Felddaten

Windenergieanlagen erzeugen Strom – und viele Daten. Mit fortschreitender Zahl an Betriebsjahren, aber auch durch die zunehmende Standardinstrumentierung der Anlagen mit Sensorik und Verfügbarkeit zeitlich höher aufgelöster Betriebsdaten wächst die Menge an Daten kontinuierlich an.

Felddaten – womit alle während der Betriebsphase von Windenergieanlagen anfallenden Daten gemeint sind – enthalten wertvolle Informationen. Werden sie mittels geeigneter Methoden nutzbar gemacht, können hieraus Verbesserungen für zukünftige Windpark-, Anlagen- oder Komponentendesigns abgeleitet, aber auch Optimierungen der Betriebsführung, der Instandhaltung oder des Energieertrags bestehender Anlagen erzielt werden.

Welche Felddaten liegen typischerweise vor und aus welchen Quellen stammen sie?

Die in der Betriebsphase von Windenergieanlagen (WEA) anfallenden Daten sind immens vielfältig: In den Stammdaten sind Informationen zu den Anlagen wie Anlagentyp, Standort, Zeitpunkt der Inbetriebnahme, oft auch Angaben zu Hersteller und Typ der verbauten Komponenten angegeben. Instandhaltungsdaten, d.h. jegliche Dokumentation von Wartungs- und Instandsetzungsarbeiten an den Anlagen, sind gekennzeichnet durch eine besondere Vielfalt an Formaten und Detaillierungsgraden. Am Fraunhofer IWES werden daraus Ausfalldaten abgeleitet – das sind Ereignisdaten, die jedes reparaturbedürftige Schadensereignis, die ausgefallene Komponente, den Ausfall- oder Einsatzzeitpunkt und ggf. eine Schadensbeschreibung beinhalten. Von zentraler Bedeutung sind zudem die Zeitreihen von Betriebs- und Umgebungsgrößen aus dem SCADA-System, die im einfachsten Fall nur Windgeschwindigkeit und Wirkleistung umfassen, in modernen WEA jedoch auch eine bis zu vierstellige Zahl von Signalen beinhalten können. Typischerweise liegen über zehn Minuten aggregierte Kenngrößen der SCADA-Signale vor, doch sie sind zunehmend auch in höherer zeitlicher Auflösung verfügbar. In den Status-Logs sind vom SCADA-System generierte Warn-, Alarm- und Statusmeldungen gespeichert. Hinzu kommen teilweise Daten aus Condition-Monitoring-Systemen oder in die Anlagen zusätzlich eingebrachter Messtechnik.

Veranschaulichung der im Windpark typischerweise anfallenden Felddaten ©Fraunhofer IWES

Im Laufe der vergangenen Jahre ist dem IWES von vielen Projektpartnern eine große Menge an Felddaten zu Forschungszwecken zur Verfügung gestellt worden. Der aktuelle Datenbestand umfasst Felddaten von über 10.000 WEA aus insgesamt über 20.000 Betriebsjahren. Eine repräsentative Datenbasis, die durch Vielfalt gekennzeichnet ist: Sie umfasst Felddaten von Windenergieanlagen von mehr als zwölf verschiedenen Herstellern und unterschiedlichen Alters an Onshore- und Offshore-Standorten weltweit.

Übersicht über Felddatenbestand (links: Jahre der WEA-Inbetriebnahme im Überblick, rechts: Übersicht über Windpark-Standorte) ©Fraunhofer IWES

Zu welchem Zweck werden Felddaten am Fraunhofer IWES ausgewertet?

Neben der Post-Construction-Analyse sind die umfassenden Felddaten für zwei weitere Arbeitsgebiete des IWES unverzichtbar.  

Ausfallursachenanalyse und Zuverlässigkeitssteigerung

Die Kosten für Betrieb und Instandhaltung (O&M) summieren sich zu durchschnittlich 25 – 40 % der Stromgestehungskosten (Levelized Cost of Energy – LCoE) von Windenergieanlagen. Ausfälle tragen hierzu entscheidend bei, indem sie Reparaturkosten und Ertragsausfälle verursachen. Eine verbesserte Komponenten- und Anlagenzuverlässigkeit ist daher einer der wesentlichen Hebel, um die LCoE künftig noch weiter zu senken. Doch wirksame Maßnahmen können nur entwickelt werden, wenn die vorherrschenden Ausfallursachen verstanden sind. Das ist nicht immer der Fall. Hier liefert die systematische Analyse von Felddaten wertvolle Antworten, wie zahlreiche in Zusammenarbeit mit Unternehmen durchgeführte Projekte zur Ausfallursachenanalyse für elektrische und mechanische Anlagenkomponenten zeigen konnten.

Einen besonderen Schwerpunkt bildet dabei die Forschungsarbeit zu Frequenzumrichtern von Windenergieanlagen. Mit im Schnitt 0,5 Ausfällen pro Jahr zählen Frequenzumrichter zu den am häufigsten ausfallenden Anlagenkomponenten. Hier hat die Felddatenanalyse klar gezeigt: Die aus anderen Anwendungen von Umrichtern bekannten ermüdungsbedingten Schädigungsmechanismen im Bereich der Leistungshalbleiter, die man viele Jahre für die Hauptausfallursache auch von WEA-Umrichtern hielt, spielen für die heutigen Ausfälle im Feld keine relevante Rolle (Abschlussbericht zum Innovationscluster). Vielmehr gilt es den Ergebnissen zufolge, klimatische Umwelteinflüsse genauer in den Blick zu nehmen. Mit einem besonderen Schwerpunkt auf den Einfluss von Feuchtigkeit widmen sich daher die beiden komplementär ausgerichteten Projekte ReCoWind und power4re der weiteren Ursachenforschung und effektiven Gegenmaßnahmen (Energies-Paper).

Fehlerfrüherkennung

Fehlerfrüherkennung zielt darauf ab, eine Entwicklung von Schäden in Komponenten zu detektieren und zu lokalisieren, um präventive Maßnahmen einzuleiten und so ungeplante Ausfälle und Folgeschäden bestmöglich zu verhindern. Bislang werden dedizierte Condition-Monitoring-Systeme verwendet, die mit zusätzlichen Kosten verbunden sind.
Demgegenüber wird Fehlerfrüherkennung basierend auf ohnehin durch das SCADA-System aufgezeichneten Betriebsdaten als kosteneffektiver und vielversprechender Ansatz betrachtet. Im Rahmen des Projekts WiSA big data widmet sich das IWES der Erschließung des Potenzials von zeitlich hochaufgelösten Betriebsdaten zur Fehlerfrüherkennung und von datenbasierter Entscheidungsunterstützung in der Instandhaltung. 

Welche Analysewerkzeuge kommen dabei zum Einsatz?

Ausgehend von der zu untersuchenden Fragestellung und der Zielsetzung steht zunächst die Formulierung in ein mathematisches Problem und die Erstellung geeigneter Datenstrukturen an. Die Berechnung und Visualisierung von Kenngrößen liefern Anhaltspunkte oder können gar schon Muster und Trends erkennbar machen. Zur vertieften Untersuchung kommen statistische Methoden und Modelle, aber auch Methoden des Maschinelles Lernens zum Einsatz. Je größer der Umfang der einzubeziehenden Daten, desto höher erden die Anforderungen an Algorithmen und IT-Infrastruktur. Als besonders aufschlussreich hat sich die kombinierte Analyse von Ausfall- und Betriebsdaten und der Einbezug von Umgebungsdaten aus öffentlichen Quellen, wie bspw. NEWA erwiesen. Ein wichtiger Schritt besteht schließlich in der Interpretation der Ergebnisse, die am IWES typischerweise in interdisziplinären Teams erfolgt. Denn in der Kombination aus methodischer Expertise, umfassendem Anlagenverständnis und Felderfahrung sehen wir einen Schlüssel, um praxisrelevante Ergebnisse zu erarbeiten. Aktuelle Ergebnisse aus der Datenanalyse basierend auf diesem Datenbestand präsentieren wir als nächstes auf der Wind Energy Science Conference im Mai 2021 (WESC).


Kommentar schreiben

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.