Siemens “uči” vetroturbine kako da automatski optimizuju svoje funkcionisanje u skladu sa vremenskim uslovima. Turbine uče kako da koriste podatke sa senzora na parametrima kao što su brzine vetra, kako bi napravile izmene u svojim postavkama. Ove promene obezbeđuju turbinama da mogu optimalno iskoristiti preovlađujuće uslove. Objekti vetroturbina ne mogu uvek generisati svoju maksimalnu proizvodnju električne energije, kada je brzina vetra umerena ili niska.
Specijalisti za sisteme učenja na Siemens Corporate Technology (CT) su razvili softver samooptimizacije za vetroturbine u saradnji sa Technische Universität Berlin i IdaLab GmbH u ALICE projektu (Autonomous Learning In Complex Environments), koji je finansiran od strane nemačkog Ministarstva prosvete i istraživanja. Istraživači su predstavili rezultate svog rada na sajmu CeBIT (10-14.marta) u Hanoveru. Njihovo rešenje omogućava turbini da proizvede oko jedan odsto više električne energije na godišnjem nivou pod umerenim uslovima vetra, dok takođe smanjuje habanje.
Istraživači imaju turbinsku jedinicu za demonstraciju koja koristi svoje operativne podatke i postepeno povećava svoju proizvodnju električne energije. Pristup naučnika kombinuje tehnike pojačanog obučavanja sa posebnim neuronskim mrežama. Neuronska mreža je softverski algoritam koji radi na način sličan ljudskom mozgu. Već nekoliko godina, Siemens CT razvija neuronske mreže za modelovanje i predviđanje ponašanja veoma složenih sistema, kao što su vetroparkovi, gasne turbine, fabrike, pa čak i berze.
Softverski programi uče iz istorijskih podataka, koji im omogućavaju da predvide buduće ponašanje sistema. Model može biti kreiran na taj način da predviđa proizvodnju električne energije vetroelektrane pod određenim vremenskim uslovima. Istraživači su pregledali veliki broj veoma šumnih podataka kako bi identifikovali relevantne atribute koji će omogućiti da se efikasnost vetroelektrane može poboljšati promenom podešavanja kao što je brzina rotacije. Patentirane neuronske mreže su potom koristili za kreiranje tzv. politike pojačanog obučavanja iz rezultata analize. Sistem na taj način uči da promeni određene postavke turbine na način koji obezbeđuje maksimalni mogući iznos električne energije koja se generiše u datoj situaciji. Posle samo nekoliko nedelja, sistem je u stanju da definiše i skladišti optimalne postavke za uobičajene vremenske prilike. Posle dodatnih dužih perioda treninga, sistem čak može regulisati proizvednju električne energije pod retkim i izuzetnim vremenskim uslovima. Tehnologija je uspešno testirana na španskom vetroparku prošle godine.
U toku dalje analize relevantnih operativnih parametara sistem može stalno da se poboljšava kroz ponavljanje. Metode korišćene ovde, mogu da se iskoriste u mnogim drugim oblastima, što znači da dodatni Siemens proizvodi takođe mogu da nauče da optimizuju svoje poslovanje.
