Das Rätsel um die Positionierung von Windkraftanlagen – ein deterministischer Ansatz zur Windpark-Layoutoptimierung
The puzzle of wind turbine positioning – a deterministic approach to wind farm layout optimization
David Hennecke, Carsten Croonenbroeck
Die Energiewende ist ein zentrales Thema in Deutschland, bei dem die Windenergie eine Schlüsselrolle spielt. Das Erneuerbare-Energien-Gesetz 2023 fördert den Ausbau erneuerbarer Energien mit dem Ziel, den Anteil der erneuerbaren Energien am Bruttostromverbrauch bis 2030 auf 80 % zu erhöhen. Dabei ist die Windpark-Layoutoptimierung (gezielte Planung und Platzierung von Windkraftanlagen in einem Gebiet) entscheidend, um den Energieertrag zu maximieren, da Nachlaufeffekte (verringerte Windgeschwindigkeit hinter Windkraftanlagen) die Energieproduktion beeinflussen können. Dieser Beitrag stellt den „Modular Full Stock“-Algorithmus (MFS) vor, der diese Thematik behandelt und sich durch Schnelligkeit, Transparenz und Effizienz auszeichnet. Im Vergleich zu einem genetischen Algorithmus liefert der MFS schnell praktikable Ergebnisse, erreicht jedoch nicht dieselbe Optimierungstiefe. Für schnelle, nachvollziehbare Lösungen ist der MFS allerdings eine attraktive Alternative. Für Planungsingenieure bietet er durch seine Modularität und Transparenz wertvolle Unterstützung bei der praxisorientierten Windparkplanung.
The energy transition is a central issue in Germany, with wind energy playing a pivotal role. The Renewable Energy Act 2023 promotes the expansion of renewable energies, with the goal of increasing the share of renewables in gross electricity consumption to 80 % by 2030. In this context, wind farm layout optimization (planning and placement of wind turbines in a given area) is critical for maximizing energy yield, as wake effects (reduced wind speed behind wind turbines) can significantly influence energy production. This paper presents the “Modular Full Stock” (MFS) algorithm, which addresses this issue and is distinguished by its speed, transparency, and efficiency. In comparison to a genetic algorithm, MFS provides practical results in a shorter time frame but does not achieve the same level of optimization depth. However, MFS represents an attractive alternative for scenarios where quick and transparent solutions are desired. For planning engineers, it offers valuable support in practical wind farm planning, due to its modularity and transparency.
Schlüsselwörter: Windenergie, Windfarm Layout Optimization (WFLO), MFS, Windparkplanung, Layoutoptimierung, Energiewende
Keywords: Wind energy, Windfarm Layout Optimization (WFLO), MFS, wind farm planning, layout optimization, energy transition
DOI: 10.14627/gis.Science.2025.2.2
Der Volltext der aktuellen Artikel (< 3 Monate) aus dem Artikelarchiv steht für
gis-Abonnenten
nach dem Login
zur Verfügung.
