Entwicklung eines selbstlernenden Verfahrens zur verbesserten Windenergie-Kurzfristprognose

Mit r?umlich hochaufgel?sten, 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 Windertr?gen an potentiellen 老虎机游戏_老虎机游戏下载@n verwendet werden kann. Dadurch er?ffnet sich nun die M?glichkeit, diese Methoden weiterzuentwickeln, um auch Kurzfristvorhersagen im komplexen Gel?nde 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 Mobilit?t (ab 11/2021)

Fakult?t/Institut (federführend): Fakult?t Angewandte Naturwissenschaften, Energie- und Geb?udetechnik

Beteiligte Fakult?ten/ Institute:

Fakult?t Angewandte Naturwissenschaften, Energie- und Geb?udetechnik
Fakult?t Informatik und Informationstechnik
Institut für Intelligente Systeme (IIS)

F?rderung ?ffentlich: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