Optimal wind farm energy and reserve scheduling incorporating wake interactions

Diese Arbeit stellt einen neuartigen, zweistufigen stochastischen Optimierungsansatz vor, der Wake-Effekte und Wake-Steering explizit berücksichtigt, um die Energie- und Regelleistungseinspeisung von Windparks im britischen Markt zu verbessern und so im Vergleich zu konventionellen Methoden die Umsätze zu steigern sowie Ausgleichskosten zu senken.

Das Wesentliche

Das große Problem: Der "Schatten" der Windräder

Stellen Sie sich einen riesigen Windpark vor, wie eine Armee von Windrädern, die Seite an Seite stehen. Wenn das erste Windrad den Wind einfängt und in Strom verwandelt, passiert etwas Wichtiges: Es wirft einen Luftschatten (in der Fachsprache "Wake" genannt) hinter sich.

• Die Analogie: Denken Sie an einen LKW, der auf der Autobahn fährt. Hinter ihm entsteht ein turbulenter Luftwirbel. Ein zweiter LKW, der direkt dahinter fährt, muss mehr Kraft aufwenden, um durch diesen Wirbel zu kommen, oder er fährt langsamer.
• Im Windpark: Das erste Windrad "klaut" dem Wind die Energie. Das zweite Windrad dahinter bekommt weniger Wind ab und produziert weniger Strom. Das dritte noch weniger.

Der Fehler der alten Methode: "Der Traum-Plan"

Bisher haben Windpark-Betreiber oft so geplant, als ob jedes Windrad allein auf einer einsamen Insel stünde. Sie haben einfach die maximale Leistung eines einzelnen Rades genommen und sie mit der Anzahl der Räder multipliziert.

• Die Metapher: Das ist wie ein Restaurant, das für 100 Gäste kocht, aber vergisst, dass der Koch nur einen Herd hat. Der Koch (der Wind) kann nicht gleichzeitig alle 100 Töpfe mit vollem Feuer versorgen.
• Die Folge: Die Betreiber sagten: "Wir liefern morgen 1000 Megawatt!" Aber weil sie die Schatten der Räder ignoriert haben, kamen am nächsten Tag vielleicht nur 880 Megawatt an.
• Der Schmerz: In der Stromwelt muss man genau liefern, was man versprochen hat. Wenn man zu wenig liefert, muss man eine hohe Strafe zahlen. Die Studie zeigt: Wer die Schatten ignoriert, verliert durch diese Strafen am Ende sogar mehr Geld, als er durch die höheren (aber falschen) Versprechen gewinnt.

Die neue Lösung: Ein schlauer Dirigent

Die Autoren dieses Papers haben einen neuen Plan entwickelt. Sie nennen es ein "zweistufiges Zufalls-Modell". Klingt kompliziert? Stellen Sie es sich so vor:

1. Der Wetter-Prophet (Stufe 1): Der Planer schaut sich an, wie der Wind morgen wehen könnte. Da der Wind nie 100 % vorhersehbar ist, erstellt er viele verschiedene "Was-wäre-wenn"-Szenarien (z. B. "Was, wenn der Wind aus Osten kommt?", "Was, wenn er stark ist?", "Was, wenn er schwach ist?").
2. Der Schattensimulator (FLORIS): Statt zu raten, nutzen sie eine spezielle Software (FLORIS), die genau berechnet, wie sich die Schatten der Räder aufeinander auswirken. Sie wissen also genau, wie viel Strom der Park wirklich liefern kann, nicht nur, wie viel er theoretisch könnte.
3. Der Dirigent (Wake Steering): Das ist der coolste Teil! Normalerweise stehen die Räder alle gerade in den Wind. Aber der neue Plan dreht die vorderen Räder ein kleines bisschen zur Seite (wie ein Schwenkarm).
   • Der Effekt: Das vordere Rad produziert vielleicht ein winziges bisschen weniger Strom, aber es wirft seinen Schatten neben das hintere Rad. Das hintere Rad bekommt dann vollen Wind ab und produziert viel mehr.
   • Das Ergebnis: Der ganze Park produziert insgesamt mehr Strom als vorher, weil die Schatten umgangen werden.

Warum ist das wichtig? (Die Geldbörse)

Die Studie hat das an einem echten Windpark (London Array) getestet und verglichen:

• Der alte Weg (Ignorieren der Schatten): Die Betreiber versprachen zu viel Strom. Sie wurden für die Differenz bestraft. Ergebnis: Sie verloren Geld.
• Der neue Weg (Schatten beachten + Räder drehen):
  • Sie machten realistischere Vorhersagen (weniger Strafen).
  • Durch das gezielte Drehen der Räder gewannen sie zusätzlich 1–2 % mehr Strom.
  • Gesamterfolg: Sie machten mehr Gewinn, weil sie smarter mit dem Wind umgingen.

Zusammenfassung in einem Satz

Früher haben Windparks wie ein blindes Pferd gearbeitet, das gegen eine Wand läuft (die Schatten ignorierend). Dieser neue Plan ist wie ein erfahrener Reiter, der weiß, wo die Hindernisse sind, die Räder geschickt ausweicht und so schneller und sicherer ans Ziel kommt – und dabei noch mehr Geld in der Tasche hat.

Die Kernbotschaft: Wenn man die Physik des Windes (die Schatten) ernst nimmt und die Räder intelligent steuert, wird der Windpark nicht nur effizienter, sondern auch profitabler und stabiler für das Stromnetz.

Technische Zusammenfassung

Titel: Optimale Planung von Energie- und Reservebereitstellung in Windparks unter Berücksichtigung von Wake-Interaktionen

Autoren: Marin Mabboux-Fort, Majid Bastankhah, Peter C Matthews, Mokhtar Bozorg
Veröffentlicht: Februar 2026 (arXiv)

---

1. Problemstellung

Die Integration von Windenergie in das Stromnetz nimmt weltweit zu, wobei Windkraftanlagen (WKA) zunehmend nicht nur Energie, sondern auch Regelenergie (Reserveleistungen) für die Netzstabilität bereitstellen müssen. Ein zentrales Problem bei der Teilnahme an kurzfristigen Strommärkten (Day-Ahead und Ausgleichsmärkte) ist die ungenaue Schätzung der tatsächlichen Leistungsfähigkeit von Windparks.

• Herausforderung: Herkömmliche Methoden zur Leistungsprognose ignorieren oft den Wake-Effekt (den Abwind hinter den Turbinen, der die Windgeschwindigkeit verringert und die Turbulenz erhöht).
• Folgen:
  • Überschätzung: Modelle, die nur auf Hersteller-Leistungskurven basieren („Power Curve"-Ansatz), überschätzen die Parkleistung um ca. 12–13 %. Dies führt zu hohen Imbalancen (Abweichungen zwischen gebotener und tatsächlicher Leistung) und damit zu finanziellen Strafen.
  • Unterschätzung: Modelle, die Wake-Effekte berücksichtigen, aber keine aktiven Gegenmaßnahmen ergreifen, unterschätzen das Potenzial, da sie nicht die Möglichkeit nutzen, durch gezielte Steuerung der Turbinen Wake-Verluste zu minimieren.
• Lücke: Es fehlt an einem integrierten Ansatz, der aerodynamische Wake-Modelle direkt mit stochastischen Markt-Optimierungsverfahren verbindet, um sowohl die Genauigkeit der Prognose als auch die wirtschaftliche Effizienz durch aktives Wake-Management zu steigern.

2. Methodik

Die Autoren entwickeln einen zweistufigen stochastischen Optimierungsrahmen, der die Unsicherheiten von Wind und Reservebedarf berücksichtigt und Wake-Effekte explizit modelliert.

A. Wake-Modellierung und Simulation

• Software: Nutzung von FLORIS (ein Python-basiertes Simulationswerkzeug für Windpark-Interaktionen).
• Modell: Einsatz des Cumulative Curl-Modells zur Berechnung von Geschwindigkeitsdefiziten und Wake-Ablenkung.
• Wake Steering (Wake-Steering): Aktive Steuerung der Gierwinkel (Yaw-Angles) der Upwind-Turbinen. Durch gezieltes Verdrehen der Turbinen wird der Wake vom Downwind-Park weg gelenkt. Dies reduziert die Leistung der Upwind-Turbine leicht, erhöht aber die Gesamtleistung des Parks durch weniger Verluste bei den Downwind-Turbinen.

B. Stochastische Szenariengenerierung

• Unsicherheitsfaktoren: Windgeschwindigkeit, Windrichtung und Dauer der Reserveaktivierung (FR-Duration).
• Verteilungen:
  • Windgeschwindigkeit: Normalverteilung (basierend auf Prognosefehlern).
  • Windrichtung: Von-Mises-Verteilung (kreisförmige Verteilung, da Winkel zyklisch sind).
• Szenarioreduktion: Aus einer großen Menge generierter Szenarien werden mittels K-Medoids-Clustering 15 repräsentative Szenarien extrahiert, um den Rechenaufwand zu begrenzen, ohne die Genauigkeit zu verlieren.

C. Optimierungsproblem

• Ziel: Maximierung des erwarteten Gewinns des Windkraftbetreibers (WPP) unter Minimierung von Imbalancen-Strafen.
• Märkte: Day-Ahead (DA) Energiemarkt, Mandatory Frequency Response (MFR) und Fast Reserve (FR) im britischen Markt (GB).
• Struktur:
  • Erste Stufe: Festlegung der Gebote (Energie und Reserve) basierend auf Prognosen.
  • Zweite Stufe: Bewertung der Realisierung unter verschiedenen Szenarien (Redispatch und Imbalancen-Kosten).
• Vergleichsmodelle:
  1. Power Curve: Ignoriert Wake-Effekte (optimistisch, obere Grenze).
  2. Baseline: Berücksichtigt Wake-Effekte, aber kein aktives Management (konservativ, untere Grenze).
  3. Proposed (WRC): Wake-Effekte + aktives Wake-Steering (realistisch/optimiert).

3. Schlüsselbeiträge

1. Wake-bewusste Leistungsprognose: Erstmals wird ein hochauflösendes Wake-Modell (FLORIS) direkt in einen stochastischen Markt-Optimierungsprozess integriert, anstatt vereinfachter Leistungskurven zu nutzen.
2. Aktives Wake-Management zur Marktverbesserung: Demonstration, dass Wake-Steering nicht nur die physikalische Effizienz steigert, sondern auch den wirtschaftlichen Ertrag in Day-Ahead- und Reservemärkten erhöht.
3. Erweiterung auf FRR-Märkte: Im Gegensatz zu vielen Studien, die sich auf Primärregelung (FCR) konzentrieren, analysiert diese Arbeit die Teilnahme am Sekundärregelmarkt (FRR/Fast Reserve), wo Wake-Interaktionen aufgrund der Zeitverzögerung der Wake-Ausbreitung kritisch sind.
4. Quantifizierung des wirtschaftlichen Potenzials: Nachweis, dass herkömmliche Methoden zu signifikanten Fehlschätzungen führen, während Wake-Steering zusätzliche Einnahmen generiert.

4. Ergebnisse (Fallstudie London Array)

Die Methode wurde am Beispiel des Offshore-Windparks London Array (630 MW) im britischen Strommarkt simuliert.

• Leistungsüberschätzung: Die herkömmliche „Power Curve"-Methode schätzt die Produktion um 12–13 % höher ein als wake-bewusste Modelle.
• Finanzielle Auswirkungen:
  • Durch die Überschätzung entstehen hohe Imbalancen-Strafen. Die „Power Curve"-Methode erzielt in der Realität 3 % weniger Umsatz als die wake-bewusste Baseline-Methode.
  • Der Einsatz von Wake-Steering (WRC) steigert den Umsatz gegenüber der Baseline-Methode um weitere 1–2 %.
• Marktverhalten:
  • Bei niedrigen Energiepreisen oder hoher Windunsicherheit verlagert das Modell die Gebote in den Reservemarkt (FR), um Imbalancen-Risiken zu minimieren.
  • Wake-Steering ermöglicht es, zusätzliche Leistung für Reservezwecke bereitzustellen, ohne die Energiegebote zu gefährden.
• Zeitliche Reaktionsfähigkeit: Simulationen zeigen, dass die Wake-Ausbreitung und die daraus resultierende Leistungsänderung innerhalb von ca. 2 Minuten spürbar sind. Dies liegt im Zeitrahmen der Sekundärregelung (FR), was Wake-Steering für diese Märkte geeignet macht.

5. Bedeutung und Fazit

Das Paper unterstreicht, dass die Vernachlässigung von Wake-Effekten in der Marktplanung zu erheblichen wirtschaftlichen Verlusten und Netzrisiken führt.

• Wirtschaftlichkeit: Die Integration von Wake-Steering in die Gebotsstrategie ist ein effektiver Hebel, um die Rentabilität von Windparks zu steigern, insbesondere in Märkten mit hohen Imbalancen-Strafen.
• Netzstabilität: Durch genauere Prognosen und aktives Management können Windparks zuverlässiger als Regelkraftwerke agieren, was für die Stabilität von Netzen mit hohem Windanteil (wie in Großbritannien) entscheidend ist.
• Zukunftsausblick: Die Studie liefert einen Rahmen für die Kopplung von Aerodynamik und Marktökonomie. Zukünftige Arbeiten sollten die Auswirkungen von Wake-Steering auf die mechanische Belastung und Lebensdauer der Turbinen sowie dynamische Wake-Modelle für Echtzeit-Anwendungen einbeziehen.

Zusammenfassend beweist die Studie, dass ein „Wake-aware" Ansatz mit aktivem Wake-Steering notwendig ist, um Windparks effizient, profitabel und netzdienlich in modernen Strommärkten zu betreiben.