Der zuverlässige Weiterbetrieb von Windkraftanlagen ist eine Voraussetzung dafür, dass diese ihren Beitrag zur Energiewende über die gesamte Nutzungsdauer leisten. Generatorausfälle unterbrechen die emissionsfreie Stromproduktion und erfordern materialintensive Ersatzteile. KI-gestützte prädiktive Instandhaltung verspricht, solche Ausfälle zu vermeiden, verursacht durch Rechenzentrumsbetrieb und Hardware jedoch selbst Umweltlasten. Ob dieser Nutzen die zusätzlichen Belastungen rechtfertigt, ist bislang ungeklärt.
Die vorliegende Arbeit untersucht diesen Zielkonflikt anhand einer beschreibenden Umweltbewertung, die methodisch an die Ökobilanzierung nach Frischknecht (2020) angelehnt ist. Reaktive und KI-gestützte Instandhaltung werden entlang der Belastungspfade Energie- und Ressourcenverbrauch am Generator systematisch gegenübergestellt. Als KI-Verfahren betrachtet die Arbeit Klassifikations- und Regressionsmodelle des überwachten Lernens, von linearen Ansätzen über XGBoost bis zu LSTM-Netzen.
Die Gegenüberstellung zeigt, dass die Umweltlast eines Generatorausfalls, vor allem der entgangene Energieertrag und die Bereitstellung eines Ersatzgenerators, den Aufwand des KI-Betriebs um mehrere Größenordnungen übersteigt. Dieser Vorteil bleibt auch unter konservativen Annahmen bestehen, hängt jedoch von Modellwahl, Strommix und Hardwarelebensdauer ab. Der zentrale Befund liegt in der Verschiebung von einem seltenen, aber sehr hohen Ausfallereignis hin zu einer kontinuierlichen, deutlich niedrigeren Grundlast. Damit leistet die Arbeit einen Beitrag zur Angemessenheitsprüfung des KI-Einsatzes im Nachhaltigkeitskontext.
- Quote paper
- Maurine Ewald (Author), 2026, KI-gestützte Zustandsüberwachung zur Nutzungsdauermaximierung von Windkraftanlagen, Munich, GRIN Verlag, https://www.grin.com/document/1759427