Dissertação
{pt_PT="Improvement of the standard Site Calibration for wind turbines: Implementation of Machine Learning techniques for Power Curve Measurement campaigns. "} {} EVALUATED
{pt=A calibração ao local é a etapa anterior à verificação da curva de Potência para turbinas eólicas em terrenos complexos. Uma calibração ao local incorrecta afecta a curva medida, aumentando o risco de compensação para os fabricantes. Hoje em dia a calibração ao local pode ser realizada por métodos de multi-binning ou usando ferramentas CFD conforme descrito na norma IEC 61400. Esta tese propõe uma nova metodologia que utiliza dados do mastro meteorológico de referência como input para modelos de regressão de aprendizagem automática para prever melhor a velocidade do vento no local da turbina e à altura da Nacelle. Nove turbinas eólicas em três locais diferentes são o objeto deste estudo. Três técnicas de Aprendizagem Automática são implementadas: modelação linear, regressão polinomial considerando a regularização Ridge e Lasso, Redes Neurais Artificiais e Extreme Gradient Boosting baseado em árvore de decisão. O principal resultado desta pesquisa é que todos modelos de aprendizagem automática aplicados à calibração ao local são mais precisos do que os atuais padrões IEC 2005 e melhoram a estimativa da curva de potência medida. O Extreme Gradient Boosting reduziu o erro RMSE em mais de 30% para a velocidade do vento e cerca de 29.3% na potência da turbina eólica em comparação com a norma IEC 2005. Uma análise aos valores SHAP aponta como variáveis mais importantes a velocidade e direcção do vento em diferentes alturas e a intensidade de turbulência, enquanto os sensores mais importantes são os anemómetros da nacelle e ultra-sónico., en=Site Calibration is the previous step to Power Curve Verification for wind turbines on complex terrains. An uneven Site Calibration can affect the Measured Power Curve and increase the risk of compensation. Nowadays, Site Calibration can be performed by multi-binning methods or using CFD tools as described in the IEC 61400 – Part 12. This Master Thesis proposes a new Site Calibration methodology that consists of using the existing reference met masts data as the input of Machine Learning regression models to better predict the wind speed at the turbine location and hub height. Nine wind turbines at three different locations are the object of this study. Three Machine Learning techniques are implemented: linear modelling Polynomial regression considering both Ridge and Lasso regularization, Artificial Neural Networks and the decision tree-based Extreme Gradient Boosting techniques. The main outcome of this research is that Machine Learning models applied to Site Calibration are more accurate than the current IEC 2005 standards and improve the Measured Power Curve estimation. Extreme Gradient Boosting outperformed in an average difference of more than 30% for the RMSE wind speed error and 29.3% in power by wind turbine compared to the IEC 2005 baseline. Universal models by wind farm still perform better than the standards. And finally, SHAP values explainability tool points out the most important variables: wind speeds and wind directions at different heights including Turbulence Intensity due to its non-linearity. Furthermore, the most important sensors are the anemometer at the hub height and the ultrasonic anemometer.}
dezembro 14, 2021, 10:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Ricardo Balbino Santos Pereira
Departamento de Engenharia Mecânica (DEM)
Professor Auxiliar Convidado
