LoTar - Lidardatenkorrektur für Standorte im komplexen Gelände

Abstract

Das Forschungsvorhaben Lidardatenkorrektur für Standorte im komplexen Gelände (LoTar) verfolgte das Ziel, ein modulares Framework zur Korrektur von Lidarmessungen im komplexen Gelände zu entwickeln. Dabei sollten sowohl die mittlere horizontale Windgeschwindigkeit als auch die Turbulenzintensität (TI) berücksichtigt und korrigiert werden. Grundlage hierfür ist die Ableitung charakteristischer Kenngrößen aus Geländedaten, anhand derer mithilfe verschiedener Methoden geeignete Korrekturfaktoren bestimmt werden. Dieses Ziel konnte im Rahmen des Vorhabens erfolgreich erreicht werden. Es wurde ein plattformübergreifendes Tool mit grafischer Benutzeroberfläche entwickelt, das es ermöglicht, digitale Geländedaten automatisiert herunterzuladen und daraus strukturierte Ergebnisberichte zu generieren. Zur Abschätzung des Lidarfehlers wurden unterschiedliche Verfahren implementiert, die sich in statistische, analytische sowie Machine-Learning-basierte Ansätze unterteilen lassen. Insbesondere für die Korrektur der Turbulenzintensität wurden spezielle Machine-Learning-Modelle entwickelt und optimiert. Für die Entwicklung und Validierung dieser Verfahren war eine umfangreiche Datengrundlage erforderlich. Aus diesem Grund wurden im Rahmen des Vorhabens drei Messkampagnen durchgeführt, bei denen jeweils ein Messmast sowie mindestens zwei verschiedene Lidarsysteme parallel eingesetzt wurden - ein in dieser Kombination außergewöhnlicher Versuchsaufbau. Ergänzende Datensätze wurden über den IEA Wind TCP Task 52 bereitgestellt. Wegen der Einschränkungen bei der Weitergabe sensibler Standort- und Messdaten lagen nur begrenzte Informationen vor, darunter vor allem statistische Kennzahlen des Lidarfehlers sowie Geländeparameter nach Sektoren. Insgesamt konnten Datensätze von rund 80 Standorten untersucht werden. Auf Basis dieses Datenpools wurden zunächst relevante Geländeparameter anhand statistischer Kennzahlen identifiziert. Anschließend erfolgte die Parametrisierung und Validierung der statistischen Modelle. Parallel dazu wurden verschiedene Machine-Learning-Konfigurationen untersucht, bewertet und die leistungsfähigsten Modelle mit einem Teil der Daten trainiert und validiert. Die entwickelten Methoden wurden schließlich in das Framework integriert und systematisch mit den Ergebnissen eines im Projekt durchgeführten Ringversuchs verglichen. Dabei zeigte sich, dass die neu entwickelten Ansätze insgesamt vergleichbare Ergebnisse zu etablierten Verfahren liefern und somit eine valide Ergänzung darstellen. Das entwickelte TI-Modul basiert auf einem flexibel konfigurierbaren Machine-Learning-Framework (u.a. mit Random-Forest-Modellen). In den Trainings- und Validierungsdatensätzen konnte insbesondere die repräsentative Turbulenzintensität (IEC-90-Perzentil) der Windprofil-Lidarsysteme näher an die Referenzmessungen der Masten herangeführt und die typische Über- bzw. Unterschätzung reduziert werden. Gleichzeitig zeigte sich, dass die Übertragbarkeit auf bisher ungesehene Standorte stark von der Repräsentativität der Trainingsdaten abhängt und an einzelnen Teststandorten noch zu Überkorrekturen führt, sodass zusätzlicher Daten- und Methodenbedarf besteht. Im Rahmen des Vorhabens wurde außerdem ein umfangreicher Ringversuch im Fachausschuss Windpotenzial der FGW durchgeführt. Ziel war es, die Streuung und Qualität unterschiedlicher Expertenansätze zur Bestimmung von Lidarkorrekturfaktoren zu bewerten. Hierzu wurden zwei den Teilnehmenden unbekannte Standorte mit vorhandenen Messmast- und Lidardaten ausgewählt, für die jeweils Referenzkorrekturfaktoren bestimmt wurden. Den Teilnehmenden wurden anonymisierte Geländemodelle und Landnutzungsdaten bereitgestellt. Die von den Experten berechneten Korrekturfaktoren wiesen jedoch eine große Streuung auf und unterschieden sich teils erheblich von den Referenzwerten, was die Herausforderung einer zuverlässigen Korrektur im komplexen Gelände unterstreicht. Ergänzend wurde eine an die AEP-Berechnung angelehnte Analyse des Energieertrags durchgeführt. Dabei wurden für die Messperiode der Energieertrag auf Basis von Messmastdaten,unkorrigierten Lidardaten sowie korrigierten Lidardaten bestimmt. Die Ergebnisse zeigen, dass unkorrigierte Lidarmessungen den Energieertrag systematisch unterschätzen, während die angewendeten Korrekturfaktoren in vielen Fällen zu einer Überkompensation führen und den Energieertrag entsprechend überschätzen. Insgesamt verdeutlichen die Ergebnisse des Forschungsvorhabens sowohl die Potenziale als auch die bestehenden Unsicherheiten bei der Korrektur von Lidarmessungen im komplexen Gelände. Das entwickelte Framework stellt eine flexible und erweiterbare Grundlage dar, um zukünftige Methoden zu integrieren und die Genauigkeit weiter zu verbessern. Darüber hinaus liefern die gewonnenen Datensätze und Erkenntnisse eine wertvolle Basis für weiterführende Forschung und Standardisierung in diesem Bereich. Dieser Abschlussbericht fasst den Ablauf, die wesentlichen Ergebnisse und die öffentlich verfügbaren Publikationen des Projekts zusammen. The main objective of the research project Lidar Data Correction for Sites in Complex Terrain (LoTar) was to develop a modular framework for correcting lidar measurements in complex terrain. The aim was to take into account and correct both the mean horizontal wind speed and the turbulence intensity (TI). The basis for this is the derivation of characteristic parameters from terrain data, which are used to determine suitable correction factors using various methods. This objective was successfully achieved within the scope of the project. A cross-platform tool with a graphical user interface was developed, enabling the automated download of digital terrain data and the generation of structured results reports from it. Various methods were implemented to estimate the lidar error, which can be divided into statistical, analytical and machine learning-based approaches. In particular, special machine learning models were developed and optimised for the correction of turbulence intensity. The development and validation of these methods required a comprehensive data set. For this reason, three measurement campaigns were carried out as part of the project, each involving the parallel use of a measurement mast and at least two different lidar systems – an experimental setup that is exceptional in this combination. Supplementary datasets were provided via the IEA Wind TCP Task 52. However, due to restrictions on the sharing of sensitive site and measurement data, only limited information was available, in particular statistical parameters of the lidar error and terrain parameters on a sector-by-sector basis. In total, data from around 80 sites could be analysed. Based on this data pool, relevant terrain parameters were first identified using statistical metrics. This was followed by the parameterisation and validation of the statistical models. In parallel, various machine learning configurations were investigated and evaluated, and the most powerful models were trained and validated using a subset of the data. The developed methods were finally integrated into the framework and systematically compared with the results of a round-robin test conducted within the project. This showed that the newly developed approaches deliver results comparable to established methods overall and thus represent a valid complement. The TI module that was developed is based on a flexibly configurable machine-learning framework (including, among others, random forest models). On the training and validation data sets, it was possible in particular to bring the representative turbulence intensity (IEC 90th percentile) of the wind-profiling lidar systems closer to the mast reference measurements and to reduce the typical over- or underestimation. At the same time, it became apparent that the transferability to previously unseen sites strongly depends on how representative the training data are and that overcorrections still occur at some test sites, indicating a need for additional data and further methodological development. As part of the project, a comprehensive intercomparison exercise was also carried out by the FGW’s Wind Potential Technical Committee. The aim was to assess the variability and quality of different expert approaches to determining lidar correction factors. To this end, two locations unknown to the participants were selected on the basis of existing data from measurement towers and lidars. Reference correction factors were determined for each location. The participants were provided with anonymised terrain models and land-use data. However, the correction factors calculated by the experts showed considerable variation and in some cases differed significantly from the reference values, which highlights the challenge of achieving reliable correction in complex terrain. In addition, an analysis of energy yield based on the AEP calculation was carried out. For the measurement period, the energy yield was determined on the basis of measurement mast data, uncorrected lidar data and corrected lidar data. The results show that uncorrected lidar measurements systematically underestimate the energy yield, whilst the correction factors applied lead in many cases to overcompensation and consequently overestimate the energy yield. Overall, the results of the research project highlight both the potential and the existing uncertainties involved in correcting lidar measurements in complex terrain. The framework developed provides a flexible and extensible foundation for integrating future methods and further improving accuracy. Furthermore, the datasets and insights gained provide a valuable basis for further research and standardisation in this field. This final report summarises the process, the main results and the publicly available publications of the project.