FenixEdu™

Dissertação

{pt_PT=Physics-guided vector autoregressive model: application on short term wave forecasting for real-time safety control of an oscillating water column device} {} EVALUATED

Detalhes: {pt=Estados do mar energéticos são relevantes para conversores de energia das ondas. Contudo, apresentam um risco significativo de destruição dos dispositivos. Para garantir operações seguras, é necessário conhecer o estado futuro do conversor. Este artigo apresenta o modelo auto-regressivo vetorial guiado pela física (PGVAR) para problemas de previsão não lineares de múltiplas variáveis com física conhecida. Este modelo de aprendizagem automática guiada pela física (PGML) estima a velocidade de rotação do dispositivo de coluna de água oscilante, aceleração e pressão relativa da câmara puramente com base no seu histórico anterior. O modelo é testado para turbinas Biradial e Wells em dados registrados durante estados de mar regulares e extremos. Outros modelos como auto-regressivo (AR) e vetorial auto-regressivo (VAR) também são apresentados e analisados. Os resultados mostram uma precisão crescente de AR, VAR até PGVAR, tudo sem ter necessidade de usar filtros para os dados. Por fim, o modelo híbrido PGVAR previu observações reais com tempo e precisão suficientes para medidas de segurança a serem implementadas em emergências. As aplicações futuras em controle preditivo requerem o PGVAR para melhorar a eficiência da turbina., en=High energy sea states are valuable for wave energy converters (WEC). However, they pose a significant risk of wrecking devices. To assure safe operations, one requires knowledge of the WEC’s future state. This thesis introduces the physics-guided vector autoregressive (PGVAR) for nonlinear multivariate forecasting problems with known physics. This physics-guided machine learning (PGML) model estimates the oscillating water column device’s rotation speed, acceleration, and relative chamber pressure purely based on their past history. The model is tested for Biradial and Wells turbines in data recorded during normal and extreme sea states. Other models such as autoregressive (AR) and vector autoregressive (VAR) are also presented and analysed. Results show an increasing accuracy from AR, VAR until PGVAR, all without needing filters for data. Finally, the hybrid PGVAR model forecasted real observations with enough time and accuracy for safety measures to be implemented in emergencies. Future applications on predictive control require the PGVAR to improve the turbine’s efficiency.}
Keywords: {pt=energia das ondas, coluna de água oscilante, auto-regressivo vetorial com física, previsão, turbina Biradial, en=wave energy, oscillating water column, physics-guided vector autoregressive, forecasting, Biradial turbine}

Discussão: dezembro 22, 2021, 12:0