Erzeugungsprognose und Verluste im Windpark, geprüft mit offenen Daten
Ohne Kundendaten haben wir unsere Methode an den öffentlichen SCADA-Daten von La Haute Borne gemessen, einem Windpark mit vier Anlagen in Frankreich. Was funktioniert hat und wo sie an Grenzen stieß, steht unten unverändert.
- 9,3 %
- Geringerer Fehler als die Persistenz bei 24 Stunden Horizont
- 83–87 %
- Gemessene Abdeckung des Prognoseintervalls (Ziel 90 %)
- 10,6 MWh
- Im Testzeitraum markierte Minderleistung (0,23 % der Erzeugung)
- 17.287
- Verwendete vollständige Stunden-Anlagendaten
01
Die Frage
Betreiber wollen zwei Dinge wissen: Wie viel erzeugt der Park morgen, und wo geht heute Erzeugung verloren? Diese Fallstudie prüft die Methodenseite beider Fragen: zeitlich geordnete Prognose, ein Unsicherheitsintervall und Verlusterkennung ohne Fehlerlabels.
02
Die Daten
10-Minuten-SCADA-Daten des ENGIE-Windparks La Haute Borne (Frankreich) aus 2014–2015. Die Werte wurden zu Stundenmitteln gemittelt und auf Parkebene summiert; 17.287 vollständige Stunden blieben (alle vier Anlagen mit Daten). Die Daten wurden zeitlich geordnet geteilt: 70 % Training, 15 % Kalibrierung, 15 % Test (September–Dezember 2015). Den Testzeitraum hat das Modell beim Training nie gesehen.
- Windpark
- La Haute Borne, Frankreich
- Anlagen
- 4 × Senvion MM82, 2,05 MW
- Zeitraum
- 2014–2015, 10-min-SCADA
- Aufteilung
- 70 / 15 / 15, zeitlich geordnet
- Testzeitraum
- Sep.–Dez. 2015
- Lizenz
- Etalab Open Licence 2.0
03
Die Methode
A
Zeitlich geordnete Prognose
Die Parkerzeugung 1, 6 und 24 Stunden voraus wird nur aus vergangenen SCADA-Werten prognostiziert (Leistung, Windgeschwindigkeit, Temperatur, Verzögerungen, Tageszeit), als Mittel dreier baumbasierter Modelle (HistGB, Random Forest, Extra Trees). Vergleichsbasis ist die Persistenz: „Die Erzeugung bleibt, wie sie jetzt ist.“ Bei Wind ist sie auf kurzen Horizonten die am schwersten zu schlagende einfache Basis.
B
Konformes Intervall
Aus den Fehlern im Kalibrierungszeitraum wird um jede Prognose ein Intervall mit 90 % Zielabdeckung gelegt (Split Conformal). Entscheidend ist, ob es im Testzeitraum tatsächlich 90 % hält.
C
Anomalie und Verlust ohne Labels
Ein Leistungskurvenmodell lernt die erwartete Erzeugung aus Windgeschwindigkeit und Temperatur; Isolation Forest markiert abweichende Anlagenstunden. Stunden mehr als 10 % der Nennleistung unter Erwartung bei Wind über 4 m/s werden als Verlust in MWh summiert. Fehlerlabels werden nicht verwendet.
04
Ergebnisse
Der Fehler wird als nMAE angegeben: mittlerer absoluter Fehler als Anteil der installierten Leistung. Niedriger ist besser.
Prognosefehler nach Horizont
nMAE, % der Leistung
Bei 1 Stunde gleichauf mit der Persistenz; mit längerem Horizont wächst der Abstand.
Ziel 90 %. Der Testzeitraum lag in einer anderen Jahreszeit als die Kalibrierung, daher blieb die Abdeckung unter dem Ziel.
| Horizont | nMAE Modell | nMAE Persistenz | Skill | Intervallabdeckung | Halbe Intervallbreite |
|---|---|---|---|---|---|
| 1 Std. | 4,76 % | 4,73 % | −0,6 % | 87,0 % | ±10,3 % |
| 6 Std. | 11,13 % | 11,56 % | 3,7 % | 85,9 % | ±21,8 % |
| 24 Std. | 15,52 % | 17,10 % | 9,3 % | 83,0 % | ±24,8 % |
Verlustschätzung
Von 10.447 Anlagenstunden im Testzeitraum wurden 175 als Anomalie markiert; 15 davon lagen deutlich unter der erwarteten Erzeugung. Zusammen sind das 10,6 MWh, 0,23 % der 4.651,1 MWh des Zeitraums.
10,6 / 4.651,1 MWh0,23 %
05
Grenzen, offen benannt
- 01Es wurde keine echte Wettervorhersage (NWP) verwendet; Eingaben sind nur vergangene SCADA-Daten. Deshalb wird die Persistenz bei 1 Stunde nicht geschlagen.
- 02Die Intervallabdeckung blieb wegen Verteilungsverschiebung zwischen Kalibrierung und Test unter 90 %. Im Betrieb ist eine rollierende Neukalibrierung nötig.
- 03Der Anomalieschritt nutzt keine Fehlerlabels. Das Ergebnis ist eine Schätzung der Minderleistung, keine Behauptung, Fehler zu erkennen.
- 04Ein Windpark und ein Testzeitraum. Für einen anderen Standort muss mit dessen Daten erneut gemessen werden.
06
Was sich auf Ihrem Standort ändert
Wir wiederholen dieselbe Messung mit den Daten Ihrer Anlage, genauso offen. Wo Verbesserung zu erwarten ist:
- Echte Wettervorhersage (Open-Meteo NWP, auf Nabenhöhe extrapoliert): dort wird der Hauptgewinn auf längeren Horizonten erwartet.
- Standortspezifische Kalibrierung und rollierendes Intervall: um die Abdeckung näher ans Ziel zu bringen.
- Abgleich mit Instandhaltungsprotokollen: um markierte Stunden in Fehler, Abregelung oder Sensorfehler zu trennen.
07
Reproduzierbarkeit
Die Messung ist ein einzelnes Python-Skript mit festem Seed (42); gleiche Daten und Bibliotheksversionen liefern dasselbe Ergebnis. Skript und Ergebnisdatei erhalten Sie auf Anfrage.
Daten: ENGIE, offene Daten La Haute Borne ↗ · Etalab Open Licence 2.0