Dynamische Leistungssteigerung durch verstellbaren Blattsturzwinkel für Windenergiesysteme basierend auf künstlichen neuronalen Netzwerken

Intelligenterer Windstrom für den Alltag

Je mehr unserer Elektrizität aus Wind stammt, desto anspruchsvoller wird es, bei Böen und Flauten die Versorgung stabil zu halten. Diese Studie untersucht, wie das Anlernen von Computern zur Echtzeit-Anpassung der Neigung von Turbinenblättern Windparks dabei helfen kann, auch bei unbeständigem Wetter gleichmäßigere und effizientere Energie ins Netz zu liefern.

Warum gleichmäßiger Windstrom schwierig ist

Windenergie ist sauber und reichlich vorhanden, doch der Wind selbst ist nie konstant. Bei zu hohen Windgeschwindigkeiten müssen Turbinen vor mechanischer Belastung geschützt werden; bei niedrigen Geschwindigkeiten muss jede Bewegung optimal eingefangen werden. Moderne Turbinen erreichen das, indem sie den Winkel ihrer Blätter verändern — die sogenannte Pitch-Regelung —, sodass Drehzahl und elektrische Leistung nahe ihren Sollwerten bleiben. Traditionelle Regelverfahren verwenden einfache Regeln, abgestimmt auf ein mathematisches Turbinenmodell. Diese Ansätze funktionieren, stoßen jedoch bei dem unordentlichen, nichtlinearen Verhalten realer Winde an Grenzen und reagieren mitunter zu langsam oder überschießen das Ziel.

Der Turbine das Lesen des Winds beibringen

Die Forschenden konzentrierten sich auf ein verbreitetes Großturbinenmodell mit einem zweifach gespeisten Asynchrongenerator mit einer Nennleistung von 1,5 Megawatt. Sie verglichen drei Arten von Reglern für den Blattwinkel. Der erste war der vertraute PID-Regler (proportional–integral–derivative), der auf Abweichungen zwischen gewünschter und tatsächlicher Leistung oder Drehzahl reagiert. Der zweite war eine flexiblere fraktionale Version dieses Reglers. Die dritte Gruppe nutzte künstliche neuronale Netzwerke, die aus Daten lernen, wie sie am besten reagieren. Innerhalb dieser Familie testete das Team drei Netzwerkarchitekturen: ein mehrschichtiges Feedforward-Netzwerk, ein Cascade-Forward-Netzwerk und ein Elman-Rekursionsnetzwerk, das vergangenes Verhalten über die Zeit erinnern kann.

Intelligente Regelung im Praxistest

Um das Verhalten der Ansätze unter realistischen Bedingungen zu prüfen, führten die Forschenden detaillierte Simulationen in MATLAB und Simulink mit realen Windgeschwindigkeitsdaten durch. Sie untersuchten drei Arten von Windänderungen: plötzliche Sprünge, gleichmäßige Rampen und hochgradig unregelmäßige Zufallsmuster. In jedem Fall beobachteten sie, wie gut die Regler die mechanische Leistung der Turbine nahe dem Nennwert hielten und gleichzeitig schnelle Blattwinkeländerungen begrenzten. Alle neuronalen Netzregler verringerten den Fehler im Vergleich zu den traditionellen Methoden, doch das mehrschichtige Feedforward-Design stach hervor. Es erreichte das gewünschte Leistungsniveau schneller, mit kleineren stationären Abweichungen und dem niedrigsten mittleren quadratischen Fehler über alle Testszenarien.

Effizienz- und Schutzgewinne

Bei plötzlichen Windanstiegen hielt der neuronale Regler die Turbine bei etwa 98,9 Prozent ihrer Nennleistung, deutlich mehr als die Standardregler. Bei rampenförmigen und zufälligen Windschwankungen lieferte er ebenfalls höhere Effizienz und kleinere Leistungsabweichungen. Durch sanftere Blattwinkelanpassungen trug er dazu bei, die beste Kombination aus Blattgeschwindigkeit und Windaufnahme zu bewahren und gleichzeitig mechanische Belastungen zu reduzieren, die die Lebensdauer von Turbinen verkürzen können. Obwohl auch andere neuronale Architekturen gute Ergebnisse zeigten, verlangten sie mehr Rechenaufwand, ohne dieselbe Balance aus Geschwindigkeit und Genauigkeit zu erreichen.

Was das für zukünftige Windparks bedeutet

Einfach gesagt zeigt die Studie, dass ein gut trainiertes neuronales Netzwerk wie ein erfahrener Betreiber handeln kann, der ständig den Himmel beobachtet und die Turbinenblätter feinjustiert, um Sicherheit und Leistung zu optimieren. Unter den getesteten Optionen lieferte das mehrschichtige Feedforward-Netzwerk die genaueste und anpassungsfähigste Regelung, hielt die Leistung nahe dem Zielwert und verringerte den Verschleiß der Hardware. Wenn diese intelligenten Regler von Simulationen auf reale Turbinen übertragen werden, könnten sie Windparks helfen, zuverlässigere saubere Energie zu liefern, ohne große neue Hardware — einfach durch bessere Nutzung jeder Böe.

Zitation: Ameen, A.G., Mohamed, S., Abdel-Jaber, G.T. et al. Dynamic performance enhancement of adjustable blade pitch angle for wind generation system applications based on artificial neural network control techniques. Sci Rep 16, 16294 (2026). https://doi.org/10.1038/s41598-026-53411-9

Schlüsselwörter: Regelung von Windturbinen, Blattverstellwinkel, neuronales Netzwerk, erneuerbare Energie, zweifach gespeister Asynchrongenerator