Ein Validierungsmodell mit mehreren Datensätzen für hybride Merkmalsauswahl in Systemen zur maximalen Leistungspunktverfolgung von Windenergieanlagen

Windturbinen klüger machen, nicht nur größer

Moderne Windparks sind mit Sensoren bestückt, die alles überwachen von Windgeschwindigkeit und Blattwinkel bis zu Temperaturen tief im Maschineninneren. Diese Datenströme können Hunderte einzelner Messwerte pro Turbine umfassen, die alle paar Minuten aktualisiert werden. Das klingt nach einer Goldgrube zur Steigerung der Energieausbeute, überfordert aber zugleich die Rechner, die schnell auf wechselnde Winde reagieren müssen. Diese Studie zeigt, wie eine sorgfältige Auswahl einer kleineren, intelligenteren Messmenge Windturbinen schneller und genauer reagieren lassen kann und so potenziell ein paar Prozent mehr Strom aus derselben Windressource herausholt — genug, um über die Lebensdauer eines großen Windparks Millionen von Dollar auszumachen.

Die Herausforderung zu vieler Informationen

Windturbinen nutzen Regelungssysteme, bekannt als Maximum Power Point Tracking, um ihren Betrieb kontinuierlich so anzupassen, dass sie unter wechselnden Windbedingungen möglichst viel Energie erfassen. In heutigen großen Windparks kann jede Turbine mehr als 400 verschiedene Sensorwerte streamen, und Regelentscheidungen müssen in Intervallen von rund 10 Minuten oder schneller getroffen werden. Alle Signale ständig zu verarbeiten verlangsamt das System und führt zu Störanteilen durch Sensoren, die wenig oder gar keine nützliche Information beitragen. Die zentrale Frage lautet: Welche Messgrößen sind wirklich wichtig, um Leistung oder Rotordrehzahl vorherzusagen, und welche können ohne Leistungseinbußen vernachlässigt werden? Dieses Austarieren ist ein Balanceakt zwischen Vorhersagegenauigkeit und der begrenzten Rechenleistung industrieller Steuerungen.

Ein zweistufiger Weg zur Datenreduktion

Die Autoren schlagen eine zweistufige Methode vor, die zunächst das Feld einengt und anschließend die Auswahl verfeinert. Im ersten Schritt scannt ein statistischer Filter alle verfügbaren Messungen und bewertet, wie stark jede einzelne mit der relevanten Größe zusammenhängt — entweder der elektrischen Leistung bei Vollmaßstabsanlagen oder der Rotordrehzahl im Laborsystem. Nur der oberste Ausschnitt dieser Signale wird behalten, wodurch das Problem sofort von Hunderten Kandidaten auf eine handlichere Gruppe schrumpft. Im zweiten Schritt erkundet ein von musikalischer Improvisation inspiriertes Optimierungsverfahren verschiedene Kombinationen innerhalb dieser reduzierten Menge. Statt eine einzelne ‚beste‘ Lösung zu verfolgen, sucht es nach einer Familie von Lösungen, die Vorhersagegenauigkeit gegen die Anzahl benötigter Sensoren abwägen, und liefert so ein Menü an Optionen, die Betreiber an ihre Hardwareanforderungen anpassen können.

Tests an sehr unterschiedlichen Windkonfigurationen

Um zu prüfen, dass der Ansatz in der Praxis funktioniert und nicht nur in Simulationen, testete das Team ihn an drei sehr verschiedenen Datensätzen. Der erste umfasste fünf Jahre Betrieb eines sechs-Turbinen-Parks im Vereinigten Königreich mit 464 Sensorkanälen, die ein gemäßigt-marines Klima abbilden. Der zweite stammte von einer kommerziellen Anlage im tropischen Süden Indiens mit 87 Messgrößen, die stark variable Monsunwinde widerspiegeln. Der dritte war eine kontrollierte Laborturbine mit nur fünf Signalen, jedoch sehr schneller Abtastrate, verwendet zur detaillierten Untersuchung eines leistungselektronischen Reglers. In all diesen Fällen reduzierte die Methode die Anzahl aktiver Merkmale um etwa drei Viertel — bis hin zu nur 58 von 464 Signalen im UK-Park und 8 von 87 im indischen Park — und sagte Leistung oder Drehzahl dennoch leicht besser voraus als bei Nutzung aller Sensoren.

Wie sich die Gewinne in der Praxis auswirken

Als die Forschenden die gestrafften Merkmalsmengen nutzten, um maschinelle Lernmodelle für die Vorhersage von Turbinenleistung oder Rotordrehzahl zu trainieren, sanken die Fehler um etwa 9–15% im Vergleich zu Modellen, die alle verfügbaren Sensoren verwendeten. Gegenüber einfacheren Selektionsverfahren, die in der Datenwissenschaft gebräuchlich sind, war die Verbesserung noch größer — bis zu etwa 30% geringerer Fehler. Entscheidend ist, dass diese Verbesserungen mit erheblichen Einsparungen beim Rechenaufwand einhergingen: Die Reduktion von 464 auf 58 Signale verringerte die Verarbeitungsbelastung um nahezu 88% und machte es damit möglich, fortgeschrittene Vorhersagemodelle auf der bescheidenen Hardware laufen zu lassen, die typischerweise in den Steuerzentralen von Windparks zu finden ist. Die ausgewählten Sensorsets neigen außerdem dazu, physikalisch sinnvolle Größen zu bevorzugen, wie Windgeschwindigkeit am Gondelstandort, Rotordrehzahl, Generatormoment und abgeleitete Maße der aerodynamischen Effizienz, was Ingenieuren hilft, die Modelle zu verstehen und ihnen zu vertrauen.

Warum das für saubere Energie wichtig ist

Da schon eine kleine Verbesserung der Vorhersage in bessere Regelentscheidungen übersetzt werden kann, schätzen die Autoren, dass eine um 10% gesteigerte Prognosegenauigkeit die Jahresenergieproduktion eines netzgebundenen Windparks um 2–3% erhöhen kann. Hochgerechnet auf viele Turbinen und Betriebsjahre wird dies zu einem beträchtlichen finanziellen und klimatischen Vorteil, erreicht ohne den Bau einer einzigen neuen Turbine — allein durch klügeren Umgang mit Daten. Die zweistufige Strategie der Studie bietet ein praktisches Rezept: zuerst schnell Hunderte möglicher Messungen auf die tatsächlich leistungsrelevanten reduzieren; dann systematisch Kombinationen erkunden, um kompakte Sensorsets zu finden, die in Echtzeitrechenlimits passen. Für Netzbetreiber, Entwickler und Entscheidungsträger zeigt sie, dass intelligente Datenauswahl ein wirkungsreicher und vergleichsweise kostengünstiger Hebel ist, um erneuerbare Energiesysteme effizienter und zuverlässiger zu machen.

Zitation: Duraisamy, S., Thangavelu, V. A multi dataset validation model for hybrid feature selection in wind energy maximum power point tracking systems. Sci Rep 16, 9747 (2026). https://doi.org/10.1038/s41598-026-41602-3

Schlüsselwörter: Windenergie, Merkmalsauswahl, Maximum-Power-Point-Tracking, Maschinelles Lernen, Prognose erneuerbarer Energie