Entwicklung eines selbstlernenden Verfahrens zur verbesserten Windenergie-Kurzfristprognose

Mit räumlich hochaufgelösten, an Wettermodelle gekoppelten CFD-Modellen, basierend auf den Reynolds-gemittelten Navier-Stokes-Gleichungen (RANS), kann inzwischen eine sehr hohe Genauigkeit bei der Vorhersage der Windgeschwindigkeit erreicht werden, welche für die Bewertung von Winderträgen an potentiellen Standorten verwendet werden kann. Dadurch eröffnet sich nun die Möglichkeit, diese Methoden weiterzuentwickeln, um auch Kurzfristvorhersagen im komplexen Gelände für den Windertrag von Windkraftanlagen zu erstellen. Die bereits angewandte und als Dienstleistung angebotene Herangehensweise, mesoskalige Wettermodelle in Verbindung mit Methoden der künstlichen Intelligenz für die Prognose zu verwenden (hybride Verfahren), soll deshalb im Sinne des physikalischen Downscalings mit detaillierten CFD-Simulationen und Anwendung von Ensemble-Wetterprognosen für die Bestimmung der physikalischen Prognoseunsicherheit weiterentwickelt werden.

Forschungsschwerpunkt (FSP): Nachhaltige Energietechnik und Mobilität (ab 11/2021)

Fakultät/Institut (federführend): Fakultät Angewandte Naturwissenschaften, Energie- und Gebäudetechnik

Beteiligte Fakultäten/ Institute:

Fakultät Angewandte Naturwissenschaften, Energie- und Gebäudetechnik
Fakultät Informatik und Informationstechnik
Institut für Intelligente Systeme (IIS)

Förderung öffentlich:Deutsche Bundesstiftung Umwelt (DBU)

Kooperations-/ Projektpartner: WEPROG GmbH

Projektlaufzeit Start: 01.09.2022

Projektlaufzeit Ende: 31.08.2025

Wissenschaftliche Leitung:

Prof. Dr.-Ing. Hermann Knaus
Prof. Dr.-Ing. Steffen Schober