Verbesserung der MPPT‑Leistung einer netzgekoppelten windkraftanlage mit doppelt gespeistem Asynchron-Generator durch eine hybride ANFIS‑PI‑Regelstrategie

Intelligentere Windturbinen für ein sich wandelndes Klima

Windparks werden zunehmend zur tragenden Säule sauberer Stromerzeugung, aber echter Wind ist unruhig — böig, unregelmäßig und ständig im Wandel. Das macht es überraschend schwierig für Turbinen, jedes verfügbare Watt auszuschöpfen. Diese Arbeit untersucht einen neuen Ansatz, große netzgekoppelte Windturbinen so „zu lehren“, dass sie intelligenter auf wechselnde Winde reagieren und so mehr Energie aus dem gleichen Luftstrom gewinnen können, während sie gleichzeitig eine stabile Einspeisung ins Netz liefern.

Warum es wichtig ist, jede Böe optimal zu nutzen

Moderne Windturbinen drehen sich nicht einfach mit einer konstanten Drehzahl. Stattdessen passen sie kontinuierlich ihre Rotationsgeschwindigkeit und die Belastung des Generators an, um den sogenannten maximalen Leistungspunkt zu finden — den Punkt, an dem bei gegebener Windgeschwindigkeit die meiste elektrische Leistung erzeugt wird. Diese Aufgabe, bekannt als Maximum Power Point Tracking (MPPT), ist besonders wichtig für eine weit verbreitete Maschine, den doppelt gespeisten Asynchron­generator (DFIG), der über komplexe Leistungselektronik an das Netz angeschlossen ist. Traditionelle Regler, die hauptsächlich auf festen mathematischen Regeln basieren, tun sich schwer, wenn sich die Windbedingungen schnell ändern oder das Turbinenverhalten stark nichtlinear wird. Das Ergebnis ist, dass reale Windparks oft hinter ihrem theoretischen Leistungspotenzial zurückbleiben.

Verschmelzung von regelbasiertem Wissen und maschinellem Lernen

Um diese Grenzen zu überwinden, schlagen die Autoren eine hybride Regelstrategie vor, die einen klassischen Industrie­regler — den Proportional‑Integral (PI)-Regler — mit einem Adaptive Neuro‑Fuzzy Inference System (ANFIS) koppelt. ANFIS vereint zwei Ansätze: Fuzzy‑Logik, die menschlich anmutende Wenn‑Dann‑Regeln abbildet, etwa „wenn die Windgeschwindigkeit mäßig ist, dann das Drehmoment leicht erhöhen“, und neuronale Netze, die lernen, diese Regeln aus Daten feinzujustieren. In dieser Studie werden reale Messdaten von Windgeschwindigkeit und Leistung aus dem äthiopischen Windpark Adama II verwendet, um das ANFIS zu trainieren. Der hybride ANFIS‑PI‑Regler überwacht dann die gegeneinander geschalteten Leistungsumrichter, die den Rotor mit dem Stromnetz verbinden, und passt Ströme und Drehmoment ständig an, damit die Turbine trotz schwankender Winde nahe ihres optimalen Betriebspunkts bleibt.

Im Inneren des digitalen Zwillings eines Windparks

Das Team erstellte einen detaillierten „digitalen Zwilling“ einer netzgekoppelten DFIG‑Windturbine in MATLAB‑Simulink, einer gängigen Simulationsplattform der Ingenieurwissenschaften. Ihr Modell umfasst die Aerodynamik einer Windturbine mit horizontaler Achse, das mechanische Verhalten von Getriebe und Rotor sowie die elektromagnetischen Vorgänge im Generator und in den Umrichtern. Ebenso modellierten sie netzseitige Komponenten wie Filter und Transformatoren, die die Qualität der gelieferten Leistung beeinflussen. Auf dieses physikalische Modell setzten sie drei konkurrierende Regelstrategien auf: den bestehenden PI‑Regler, der in Adama II als realer Benchmark dient, einen Fuzzy‑Logic‑plus‑PI (FLC‑PI)‑Regler und den neuen hybriden ANFIS‑PI‑Regler. Alle drei wurden mit realen, stark variierenden Windprofilen getestet, die von ruhigen Bedingungen bis zu Böen von etwa 17 Metern pro Sekunde reichen.

Wie viel zusätzliche Leistung kann Intelligenz bringen?

Der sichtbarste Vorteil des neuen Ansatzes ist eine Erhöhung der maximalen elektrischen Leistung der Turbine bei Bemessungswindbedingungen. Bei einer typischen Betriebsgeschwindigkeit von 12,5 Metern pro Sekunde und einem Blattwinkel von null Grad erreicht der Referenz‑PI‑Regler etwa 1,56 Megawatt. Der Fuzzy‑Logic‑verstärkte FLC‑PI‑Regler steigert dies auf rund 2,2 Megawatt, was bereits einen erheblichen Sprung darstellt. Der hybride ANFIS‑PI‑Regler geht noch einen Schritt weiter und liefert etwa 2,22 Megawatt — eine Steigerung von mehr als 42 Prozent gegenüber dem ursprünglichen PI‑Schema. Ein zentraler Effizienzindikator, der Leistungskoeffizient (ein Maß dafür, wie viel der kinetischen Energie des Windes in Strom umgewandelt wird), verbessert sich von etwa 0,41 beim PI‑Regler auf etwa 0,55 mit ANFIS‑PI und nähert sich damit den praktischen Grenzen kommerzieller Turbinen. Die Simulationen zeigen außerdem, dass Rotordrehzahl und Drehmoment besser aufeinander abgestimmt sind, sodass die Turbine die wandernde Leistungsspitze bei Windböen und -flauten näher verfolgen kann.

Was das für zukünftige Windparks bedeutet

Für Nicht‑Fachleute lässt sich die Hauptbotschaft einfach zusammenfassen: Indem man das „Gehirn“ einer Windturbine intelligenter macht, lässt sich mit derselben Hardware und demselben Wind deutlich mehr saubere Energie gewinnen. Der vorgeschlagene ANFIS‑PI‑Regler lernt aus realen Betriebsdaten und verfeinert kontinuierlich, wie die Turbine auf wechselnde Bedingungen reagiert, und übertrifft sowohl traditionelle als auch einfachere intelligente Regler. Obwohl die Studie einen äthiopischen Windpark in den Mittelpunkt stellt und von normalen, fehlerfreien Netzbedingungen ausgeht, lässt sich die Methode durch Neutrainieren des ANFIS‑Moduls mit lokalen Daten an andere Standorte anpassen. In einer Welt, die den Ausbau erneuerbarer Energien beschleunigt, bieten solche intelligenten Regelstrategien eine kosteneffiziente Möglichkeit, Ertrag und Stabilität zu steigern, ohne neue Turbinen zu bauen.

Zitation: Biyazne, L.W., Tuka, M.B., Abebe, Y.M. et al. Enhancing MPPT performance of a grid-connected Doubly-Fed induction generator-based wind power plant using hybrid ANFIS-PI control strategy. Sci Rep 16, 5732 (2026). https://doi.org/10.1038/s41598-026-36021-3

Schlüsselwörter: Windenergie, Maximale Leistungs­punktverfolgung, intelligente Regelung, doppelt gespeister Asynchron­generator, neuro-fuzzy Systeme