Wie digitale Windparks von Robotern lernen können

Windfarmen der Zukunft – Smart, verknüpft, effizient.

Windparks gelten bereits seit längerer Zeit als effektivste Form der erneuerbaren Energien. Sie sind nicht nur platzsparend, sondern können auch an bisher ungenutzten Orten eingesetzt werden. Offshore-Windparks, also Farmen im Küstenvorfeld von Meeren, sind ein Beispiel dafür. Die größte Ressource, die sie aufwenden, sind wohl persönliche Ressourcen. Über 70.000 Arbeiter werden alleine in Europa in der Windindustrie eingestellt – aufgrund des wachsenden Industriezweigs ist die Tendenz stetig steigend.

Dennoch bestechen Windparks nicht immer durch sehr hohe Effizienz. Das liegt weniger an ihrer Bauweise, Konstruktion oder Platzierung, als vielmehr daran, dass sie vom Wind abhängig sind, also einer Naturerscheinung, die nicht zu kontrollieren ist. Daher setzen nun digitale Windfarmen genau an dieser Stelle an. Sie sollen sich an den Wind anpassen. Dafür sollen sie die Windräder je nach Windrichtung justieren, um einen maximalen Gewinn aus der daraus resultierenden Kraft zu erzeugen.

Effizienter dank eines digitalen Zwillings?

20 Prozent höher soll die Energieproduktion pro Jahr sein, wenn auf digitale Windfarmen gesetzt wird. Gearbeitet wird hierbei auch mit einem digitalen Abbild des echten Windrades. Beginnen soll das bereits bei der Produktion. Das Prinzip des Digital Twins, das beispielsweise auch bei der Planung von Flugzeugen eine große Rolle spielen kann, erstellt ein solches Abbild. Dadurch können in Folge einer Anbindung ans Netzwerk Turbinen in Echtzeit analysiert und an die Umgebung angepasst werden. Alle Windräder in einem Park sammeln dabei Daten und profitieren somit voneinander.

Speziell das voneinander Profitieren könnte in Zukunft immer besser funktionieren. So könnten nicht nur Windfarmen am Beispiel smarter Roboter lernen, Daten weiterzugeben. Wie die MIT Technology Review berichtet, versuchen Forscher derzeit zu optimieren, dass verschiedene smarte Roboter ihre Informationen an andere weitergeben können.

So könnte Roboter A das umsetzen, was beispielsweise Roboter B an einem komplett unterschiedlichen Ort gelernt hat. RoboBrain nennt sich ein solches Projekt, bei dem ein Roboter von einem anderen lernen kann. Ein Beispiel dafür dienen die Forscher Ashutosh Saxena und Stefanie Tellex. Saxena, Mitarbeiter an der Cornell University, hat seinem Roboter beigebracht, kleine Tassen zu heben und auf einen Tisch zu stellen. Dadurch konnte Stefanie Tellex von der Brown University die von Saxena bereitgestellten Informationen herunterladen.

Smarte Roboter machen es vor

Tellex konnte ihrem Roboter, basierend auf diesen Informationen, ebenfalls beibringen, wie er eine Tasse hochheben und positionieren kann. Prinzipiell klingt das nicht unbedingt nach einer bahnbrechenden Entwicklung. In der Praxis kann ein solches System jedoch wahnsinnig schnell für eine rasante Entwicklung in der smarten Industrie sorgen. Denn je schneller mehrere smarte Roboter daran beteiligt sind, desto eher kann deren Entwicklung praktisch exponentiell beschleunigt werden.

Zurück bei den Windrädern würde das nämlich bedeuten, dass diese bezüglich ihrer Ausrichtung und Verarbeitung von Daten voneinander lernen. So kann eine riesige Ansammlung von Daten dafür sorgen, die Windräder ideal auszurichten und somit tatsächlich für die anvisierten 20 Prozent effizientere Stromproduktion sorgen. Windräder profitieren dabei nicht nur von den eigens erhobenen Daten. Bei ihrer Ausrichtung werden auch Daten anderer digitaler Windräder zu Rate gezogen, die mehrere Kilometer weit weg platziert sind.

 

Quellen:

Neuste Artikel