Windkraftschätzung mit künstlichen neuronalen Netzwerken

Windenergieumwandlungssysteme erscheinen als eine attraktive Alternative zur Stromerzeugung. Um die Nutzung von durch Wind erzeugtem Strom bei Anschluss an das Stromnetz zu maximieren, ist es wichtig, die von Windkraftanlagen erzeugte Leistung zu schätzen und vorherzusagen. Die von elektrischen Windturbinen erzeugte Leistung ändert sich schnell aufgrund der kontinuierlichen Schwankungen der Windgeschwindigkeit und -richtung. Windkraft kann von vielen anderen Faktoren wie Terrain, Luftdichte, vertikalem Windprofil, Tageszeit und Jahreszeiten beeinflusst werden und schwankt normalerweise schnell, was erhebliche Schwierigkeiten bei der Verwaltung kombinierter elektrischer Energiesysteme mit sich bringt. Es ist wichtig für die Energiebranche, die Fähigkeit zur Durchführung dieser Vorhersage für diagnostische Zwecke zu haben – eine geringere als erwartete Windkraft kann ein frühes Indiz für einen Wartungsbedarf sein. Ein mehrschichtiges Perzeptron (MLP) kann zur Schätzung der Energieerzeugung von Windturbinen verwendet werden. Es ist wichtig, ein neuronales Netzwerk mit mehreren Einflussfaktoren und einem großen Trainingsdatensatz zu trainieren. Der erweiterte Kalman-Filter-Trainingsalgorithmus muss parallelisiert werden, damit er ein schnelles Training selbst für große Trainingsdatensätze anbieten kann. Das MLP-Netzwerk kann dann unter Berücksichtigung verschiedener möglicher Faktoren trainiert werden, die die Turbinenerzeugung beeinflussen können.