Optimal Maintenance Planning of Wind Turbines under Uncertainty using Dynamic Programming and Ensemble-Based Forecasting

Ein wesentlicher Anteil der Wartung von Windkraftanlagen besteht aus gesetzlich vorgeschriebenen Inspektionen und präventiven Instandhaltungsmaßnahmen, die innerhalb eines vorgegebenen Zeitraums flexibel geplant werden können. Diese Art der Wartung stellt daher ein Planungsproblem dar.Die zentrale ökonomische Entscheidung betrifft dadurch den Zeitpunkt der Wartung, da der Anlagenstillstand zu entgangenen Erlösen führt und somit Opportunitätskosten verursacht. Wartungsentscheidungen müssen im Voraus getroffen werden, ohne die zukünftige Stromerzeugung und die Strompreise zu kennen. Da eine Verschiebung der Wartung heute die zukünftige Flexibilität beeinflusst, bestehen intertemporale Abhängigkeiten zwischen den Entscheidungen. Dadurch entsteht ein sequentielles Entscheidungsproblem unter Unsicherheit, bei dem kurzfristige Prognoseinformationen und langfristige Konsequenzen berücksichtigt werden müssen. Dieses Problem wird als Markov-Entscheidungsprozess mit endlichem Planungshorizont formuliert und mithilfe der Dynamischen Programmierung gelöst. Der Konflikt zwischen kurzfristigen Vorteilen und langfristigen Konsequenzen wird durch die Wertefunktion abgebildet. Zur Bildung erwarteter Opportunitätskosten wird ein probabilistisches Prognosemodell entwickelt, das als Input für das Dynamische Programm dient. Das Prognosemodell basiert auf dem Analog-Ensemble-Algorithmus. Anstatt Energie und Strompreise getrennt zu prognostizieren, wird der Analog-Ensemble-Algorithmus so angepasst, dass direkt das gemeinsame ökonomische Ziel der Opportunitätskosten modelliert wird, wodurch deren Abhängigkeitsstruktur implizit erfasst wird.Es wird gezeigt, dass die Kombination aus probabilistischer Prognose und Dynamischer Programmierung ökonomisch sinnvolle Wartungsstrategien hervorbringt, die Wartungsaktivitäten in Zeiträume mit niedrigen erwarteten Opportunitätskosten verlagern und gleichzeitig die Durchführbarkeit unter Kapazitätsrestriktionen gewährleisten. Die Ergebnisse zeigen, dass Unsicherheit direkt in die Wartungsplanung integriert werden kann. Das vorgeschlagene Modell bietet eine transparente und erweiterbare Grundlage für datengetriebene Wartungsentscheidungen in erneuerbaren Energiesystemen und verdeutlicht, wie probabilistische Prognose und intertemporale Optimierung in der Praxis konsistent miteinander kombiniert werden können.