Betreuung: Dr.-Ing. Matthias Kretschmer, Kai Kucher
Beginn: ab sofort
Dauer: 6 Monate
Durch die jüngsten Durchbrüche im Bereich der künstlichen Intelligenz und des maschinellen Lernens ist es möglich geworden, Lastschadensmodelle (LSM) für Windenergieanlagen (WEA) zu entwickeln, die auf Grundlage von lastrelevanten, meteorologischen Umgebungsbedingungen, wie Windgeschwindigkeit und Turbulenzintensität, die Schädigung und Alterung von Komponenten präzise bestimmen können. Bisher mussten solche Untersuchungen aufwendig mittels numerischer Simulationen durchgeführt werden, was die Nutzung in modellbasierten Regler verhinderte, die u.a. einen wirtschaftlichen Betrieb unter Berücksichtigung der Schädigung ermöglichen.
Da die meisten WEA heutzutage in Windparks installiert werden, müssen die dort herrschenden komplexeren Anströmbedingungen in die LSM-Modelle integriert werden. Diese beinhalten bspw. den Abstand, die Richtung und die Regelungsstrategie der stromaufwärts liegenden WEA. Dadurch wird der Parameterraum sehr groß und schwierig effizient abzudecken.
Das Ziel der wissenschaftlichen Untersuchung in dieser Arbeit ist es, zu bestimmen, wie ein Lastschadensmodell für WEA im Windpark effizient erzeugt werden kann. Dazu sollen zunächst auf Basis theoretischer Vorarbeiten geeignete Verfahren (z.B. maschinelle Lernverfahren) zur Erzeugung von LSM evaluiert und umgesetzt werden. Im weiteren Verlauf sollen zusätzliche Parameter in das LSM-Modell integriert werden. Abschließend sollen die Ergebnisse mit Referenzlastdaten verglichen und bewertet werden.
Diese Masterarbeit wird im Rahmen des nationalen Forschungsvorhabens OTELLO durchgeführt.
Die Bearbeitung umfasst folgende Schritte:
- Einarbeitung in die relevante Literatur
- Review und Implementierung von Verfahren zur Erzeugung von LSM
- Erweiterung des LSM mit windparkspezifischen Größen
- Trainieren des LSM auf Basis des identifizierten Parameterraums
- Ermittlung der Übertragbarkeit und der Grenzen des LSM-Modells
- Verfassen der schriftlichen Arbeit
Erwartet werden fundierte Kenntnisse und Interesse im Bereich Windenergie. Kenntnisse im Bereich des maschinellen Lernens sind von Vorteil.