Zur Erreichung der von der Bundesregierung gesteckten Ausbauziele in der Windenergie ist die Erschließung einer Vielzahl neuer Flächen für Windparks in kurzer Zeit erforderlich. Grundlage für die Windparkplanung an einem neuen Standort ist die Abschätzung der zu erwartenden Energieerträge sowie die Auswahl geeigneter Windenergieanlagen. Derzeit ist die Ertragsabschätzung mit hohen Unsicherheiten behaftet. Zudem ist sie aufgrund der aktuell erforderlichen, einjährigen Windmessung zeit- und kostenintensiv. Ziel des Projektes ist es deshalb, durch Verbesserungen entlang der gesamten Prozesskette qualitativ bessere Ertragsabschätzungen in kürzerer Zeit und zu deutlich geringeren Kosten zu ermöglichen. Für die Zielerreichung werden Verfahren entwickelt, die eine bessere Datengrundlage für die Windbranche liefern. Darüber hinaus werden an verschiedenen Stellen innovative Verfahren aus dem Bereich der Data Science wie maschinelles Lernen oder Modellensembles verwendet, um eine genaue Abschätzung der Energieerträge in kürzerer Zeit zu ermöglichen. Das Zusammenführen der verschiedenen Verfahren und Daten zu einem Gesamtprozess ermöglicht neben der Qualitätssteigerung einen hohen Grad an Automatisierung von Ertragsgutachten. Letztendlich schafft das Projekt damit die Grundlage für eine Senkung der Projektrisiken für Planer und Projektierer. Darüber hinaus können die entwickelten Verfahren auch für genauere regionale Potenzialabschätzungen verwendet werden und so einen Beitrag zur besseren Planung des Windenergieausbaus leisten. anemos ist in dem Verbundprojekt maßgeblich an der Automatisierung des Gesamtprozesses beteiligt. Wissenschaftlich wird anemos ein Verfahren zur Bestimmung der standortspezifischen Leistungskennlinie und zeitreihenabhängige Verlustmodelle für verbesserte Ertragsabschätzungen entwickeln. Außerdem wird anemos die Datengrundlage im Hinblick auf den Langzeitbezug von Kurzzeitmessungen auf relevante saisonale Abweichungen analysieren und korrigieren.
Zur Erreichung der von der neuen Bundesregierung gesteckten Ausbauziele in der Windenergie ist die Erschließung einer Vielzahl neuer Flächen für Windparks in kurzer Zeit erforderlich. Grundlage für die Windparkplanung an einem neuen Standort ist die Abschätzung der zu erwartenden Energieerträge sowie die Auswahl geeigneter Windenergieanlagen. Derzeit ist die Ertragsabschätzung mit hohen Unsicherheiten behaftet. Zudem ist sie insbesondere aufgrund der aktuell erforderlichen, einjährigen Windmessung zeit- und kostenintensiv. Ziel des Projektes ist es deshalb, durch Verbesserungen entlang der gesamten Prozesskette qualitativ bessere Ertragsabschätzungen in kürzerer Zeit und zu deutlich geringeren Kosten zu ermöglichen. Für die Zielerreichung werden Verfahren entwickelt, die eine bessere Datengrundlage (z.B.Reanalysen, Rauhigkeitsdaten) für die Windbranche liefern. Darüber hinaus werden an verschiedenen Stellen innovative Verfahren aus dem Bereich der Data Science wie maschinelles Lernen oder Modellensembles verwendet, um eine genaue Abschätzung der Energieerträge in kürzerer Zeit zu ermöglichen. Das Zusammenführen der verschiedenen Verfahren und Daten zu einem Gesamtprozess ermöglicht neben der Qualitätssteigerung einen hohen Grad an Automatisierung von Ertragsgutachten. Letztendlich schafft das Projekt damit die Grundlage für eine Senkung der Projektrisiken für Planer und Projektierer. Darüber hinaus können die entwickelten Verfahren auch für genauere regionale Potenzialabschätzungen verwendet werden und so einen Beitrag zur besseren Planung des Windenergieausbaus leisten. Das Fraunhofer IEE koordiniert das Verbundprojekt. Wissenschaftlich fokussiert sich das Fraunhofer IEE im Rahmen ihrer Forschungsarbeiten auf die Entwicklung von Verfahren zur Detektion von Rauhigkeitsänderungen auf Basis von Erdbeobachtungsdaten und entwickelt zeitreihenabhängige Verlustmodelle für verbesserte Ertragsabschätzungen.
Zur Erreichung der von der neuen Bundesregierung gesteckten Ausbauziele in der Windenergie ist die Erschließung einer Vielzahl neuer Flächen für Windparks in kurzer Zeit erforderlich. Grundlage für die Windparkplanung an einem neuen Standort ist die Abschätzung der zu erwartenden Energieerträge sowie die Auswahl geeigneter Windenergieanlagen. Derzeit ist die Ertragsabschätzung mit hohen Unsicherheiten behaftet. Zudem ist sie insbesondere aufgrund der aktuell erforderlichen, einjährigen Windmessung zeit- und kostenintensiv. Ziel des Projektes ist es deshalb, durch Verbesserungen entlang der gesamten Prozesskette qualitativ bessere Ertragsabschätzungen in kürzerer Zeit und zu deutlich geringeren Kosten zu ermöglichen. Für die Zielerreichung werden Verfahren entwickelt, die eine bessere Datengrundlage (z.B.Reanalysen, Rauhigkeitsdaten) für die Windbranche liefern. Darüber hinaus werden an verschiedenen Stellen innovative Verfahren aus dem Bereich der Data Science wie maschinelles Lernen oder Modellensembles verwendet, um eine genaue Abschätzung der Energieerträge in kürzerer Zeit zu ermöglichen. Das Zusammenführen der verschiedenen Verfahren und Daten zu einem Gesamtprozess ermöglicht neben der Qualitätssteigerung einen hohen Grad an Automatisierung von Ertragsgutachten. Letztendlich schafft das Projekt damit die Grundlage für eine Senkung der Projektrisiken für Planer und Projektierer. Darüber hinaus können die entwickelten Verfahren auch für genauere regionale Potenzialabschätzungen verwendet werden und so einen Beitrag zur besseren Planung des Windenergieausbaus leisten. Die Universität Kassel fokussiert sich im Rahmen ihrer Forschungsarbeiten auf die Entwicklung von Verfahren zur Langzeitkorrektur von Kurzzeitwindmessungen mittels Methoden von künstlicher Intelligenz und die verbesserte Abschätzung der Designwindbedingungen.
Zur Erreichung der von der neuen Bundesregierung gesteckten Ausbauziele in der Windenergie ist die Erschließung einer Vielzahl neuer Flächen für Windparks in kurzer Zeit erforderlich. Grundlage für die Windparkplanung an einem neuen Standort ist die Abschätzung der zu erwartenden Energieerträge sowie die Auswahl geeigneter Windenergieanlagen. Derzeit ist die Ertragsabschätzung mit hohen Unsicherheiten behaftet. Zudem ist sie insbesondere aufgrund der aktuell erforderlichen, einjährigen Windmessung zeit- und kostenintensiv. Ziel des Projektes ist es deshalb, durch Verbesserungen entlang der gesamten Prozesskette qualitativ bessere Ertragsabschätzungen in kürzerer Zeit und zu deutlich geringeren Kosten zu ermöglichen. Für die Zielerreichung werden Verfahren entwickelt, die eine bessere Datengrundlage (z.B.Reanalysen, Rauhigkeitsdaten) für die Windbranche liefern. Darüber hinaus werden an verschiedenen Stellen innovative Verfahren aus dem Bereich der Data Science wie maschinelles Lernen oder Modellensembles verwendet, um eine genaue Abschätzung der Energieerträge in kürzerer Zeit zu ermöglichen. Das Zusammenführen der verschiedenen Verfahren und Daten zu einem Gesamtprozess ermöglicht neben der Qualitätssteigerung einen hohen Grad an Automatisierung von Ertragsgutachten. Letztendlich schafft das Projekt damit die Grundlage für eine Senkung der Projektrisiken für Planer und Projektierer. Darüber hinaus können die entwickelten Verfahren auch für genauere regionale Potenzialabschätzungen verwendet werden und so einen Beitrag zur besseren Planung des Windenergieausbaus leisten. Das Fraunhofer IEE koordiniert das Verbundprojekt. Wissenschaftlich fokussiert sich das Fraunhofer IEE im Rahmen ihrer Forschungsarbeiten auf die Entwicklung von Verfahren zur Detektion von Rauhigkeitsänderungen auf Basis von Erdbeobachtungsdaten und entwickelt zeitreihenabhängige Verlustmodelle für verbesserte Ertragsabschätzungen.
Das beantragte Gesamtvorhaben hat zum Ziel, einen Midspeed-Generator für die Verwendung in Windturbinen basierend auf einer Hoch-Stromdichte-Technologie mit Kupferwicklung im Stator und mit Hochtemperatursupraleiter-(HTS-)Technologie (HTS der zweiten Generation) im Rotor zu entwickeln, zu konstruieren, zu fertigen und auf einem Teststand zu charakterisieren. Wesentliches Ziel dieses Teilvorhabens sind die Topologieauswahl, Auslegung und Bewertung von Stromrichtern für die Anbindung des Generators an das elektrische Netz, wobei hier jeweils die konventionelle Anbindung an ein 50 Hz AC-Netz sowie die direkte Anbindung an ein DC-Netz untersucht werden. Ein zentrales Element des Teilvorhabens stellt hierbei die Entwicklung eines 'digitalen Zwillings' des Generator-Gleichrichter-Systems, die Implementierung dieses Modells auf einem Hardware-in-the-Loop (HIL) System sowie die Entwicklung und Validierung einer Generatorregelung mit dem Ziel maximaler Energieausbeute dar. Das zweite zentrale Element besteht in der Auswahl einer geeigneten Stromrichtertopologie zur Netzanbindung und dem Aufbau eines skalierten Demonstrators, welcher mit den Power-Hardware-in-the-Loop (PHIL) Prüfständen des ETI gekoppelt wird. Die PHIL Prüfstände emulieren hierbei zum einen modellbasiert das Klemmenverhalten des elektrischen Netzes und zum anderen das Klemmenverhalten des Generators, welches mittels des entwickelten Echtzeitmodells ('digitaler Zwilling') berechnet wird. Mit dem so entwickelten Aufbau können dann die auf der Umrichtersteuerung implementierten und echtzeitfähigen Regelungs- und Steuerverfahren für alle relevanten Betriebszustände getestet und validiert werden, bevor diese beim echten Generator genutzt werden. Durch die Kooperation mit den Projektpartnern erfolgt außerdem ein Wissenstransfer hinsichtlich der Modellbildung für auf HTS-Technologie basierenden Generatoren. Dieser Transfer wird nur durch das breite Spektrum der Teilnehmenden Projektpartner ermöglicht.