ENGINEERINGNET – Samen met de Technische Universiteit Berlijn en het Duitse IdaLab, hebben specialisten voor zelflerende systemen van Siemens slimme software voor windturbines ontwikkeld.
De turbine kan via de software zijn eigen instellingen zodanig optimaliseren, dat de heersende weersomstandigheden zo goed mogelijk worden benut. Daarvoor worden bestaande sensorgegevens - zoals de windsterkte - gebruikt. Juist bij lage en gemiddelde windsterkte leveren windparken niet altijd de hoeveelheid stroom die in principe mogelijk is.
Bij gemiddelde windsnelheden levert het gebruik van de software op jaarbasis ongeveer één procent meer stroom op, blijkt uit proeven in een Spaans windpark. Dat mag niet veel lijken, maar bijvoorbeeld in een gemiddeld windmolenpark op zee met 100 turbines kunnen daardoor 5.000 extra huishoudens van stroom worden voorzien.
De ontwikkeling liep in het kader van het project 'ALICE' - Autonomous Learning in Complex Environments - dat door de Duitse overheid wordt gesubsidieerd.
Op de CeBIT-beurs in Hannover lieten de onderzoekers 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 gecombineerd met speciale neuronale netwerken. Een neuronaal netwerk is een software-algoritme dat op vergelijkbare wijze werkt als het menselijk brein.
(Bert Belmans)
TECHNISCH
De softwareprogramma’s 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 opgewekte stroom te maximaliseren, leert het systeem de instellingen van de windturbine 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 weerssituaties.
Voortgaande analyse van relevante bedrijfsparameters zorgt ervoor dat het systeem zichzelf door middel van iteraties kan blijven verbeteren.
