Publication: Machine Learning Applied to Wind and Waves Modelling
Loading...
Official URL
Full text at PDC
Publication Date
2020-09
Authors
Advisors (or tutors)
Editors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
In the fight against climate change, Offshore wind energy is at the forefront, in the development phase. The problem with turbines anchored to the seabed lies in the enormous cost of installation and maintenance, leading to the theoretical approach of floating offshore wind turbines. However, floating turbines are exposed to new wave loads and stronger wind loads. To enable their implementation while maximizing the electricity production and ensuring the protection of the structure, more accurate predictive models than the physical and statistical ones found in the literature are needed for the metocean (meteorological and oceanographic) variables involved.
This project aims to model the wind speed in the time domain, the significant waves height in the frequency domain and the misalignment between wind and waves direction in the time domain, applying Machine Learning techniques.
Offshore data collection as well as an exploratory data analysis and data cleaning phases have been carried out. Subsequently, the following algorithms were applied to train the models: Linear Regression, Support Vector Machines for Regression, Gaussian Process Regression and Neural Networks. Nonlinear Autoregressive with exogenous input neural networks (NARX) have proved to be the best algorithm both for wind speed and misalignment forecasting and the most accurate predictive model for significant waves height prediction has been the Gaussian Process Regression (GPR).
In this project we demonstrated the ability of Machine Learning algorithms to model wind variables of a stochastic nature and waves. We emphasize the importance of evaluating the models through techniques such as Learning Curves to make better decisions to optimize them. This work not only makes predictive models available for later use, but it is also a pioneer in misalignment modelling, leaving a door open for future research.
En la lucha contra el cambio climático, la energĂa eĂłlica marina se sitĂşa en cabeza encontrándose en fase de desarrollo. El problema de las turbinas ancladas al lecho marino reside en el enorme coste de instalaciĂłn y mantenimiento, llevando al planteamiento teĂłrico de turbinas eĂłlicas marinas flotantes. Estas, sin embargo, están expuestas a nuevas cargas de olas y cargas de viento más fuertes. Para hacer posible su implantaciĂłn maximizando la producciĂłn elĂ©ctrica a la vez que asegurando la protecciĂłn de la estructura, se necesita disponer de modelos predictivos más precisos que los fĂsicos y estadĂsticos de la literatura para las variables metoceánicas (meteorolĂłgicas y oceánicas) implicadas. El objetivo de este proyecto es modelar la velocidad del viento en el dominio del tiempo, la altura significativa de la ola en el dominio de la frecuencia y la desalineaciĂłn entre la direcciĂłn del viento y de las olas en el dominio temporal, aplicando tĂ©cnicas de Aprendizaje Automático. Se ha llevado a cabo una fase de recopilaciĂłn de datos medidos en alta mar, asĂ como el análisis exploratorio y limpieza de los mismos. Posteriormente, para el entrenamiento de los modelos se aplicaron los algoritmos: RegresiĂłn Lineal, Máquinas de Vectores Soporte para RegresiĂłn, Proceso de RegresiĂłn Gausiano y Redes Neuronales. Las redes neuronales autorregresivas no lineales con entrada externa (NARX) han resultado ser el mejor algoritmo tanto para la predicciĂłn de la velocidad del viento como para la desalineaciĂłn y para la altura significativa de la ola el modelo predictivo más preciso ha sido el proceso regresivo gausiano (GPR). En este proyecto demostramos la capacidad de los algoritmos de Aprendizaje Automático para modelar las variables del viento de naturaleza estocástica y del oleaje. Destacamos la importancia de la evaluaciĂłn de los modelos mediante tĂ©cnicas como las Curvas de Aprendizaje para tomar mejores decisiones en la optimizaciĂłn de los mismos. Este trabajo no pone solo a disposiciĂłn modelos predictivos para su posterior uso, además es pionero en el modelado de la desalineaciĂłn dejando una puerta abierta a futuras investigaciones.
En la lucha contra el cambio climático, la energĂa eĂłlica marina se sitĂşa en cabeza encontrándose en fase de desarrollo. El problema de las turbinas ancladas al lecho marino reside en el enorme coste de instalaciĂłn y mantenimiento, llevando al planteamiento teĂłrico de turbinas eĂłlicas marinas flotantes. Estas, sin embargo, están expuestas a nuevas cargas de olas y cargas de viento más fuertes. Para hacer posible su implantaciĂłn maximizando la producciĂłn elĂ©ctrica a la vez que asegurando la protecciĂłn de la estructura, se necesita disponer de modelos predictivos más precisos que los fĂsicos y estadĂsticos de la literatura para las variables metoceánicas (meteorolĂłgicas y oceánicas) implicadas. El objetivo de este proyecto es modelar la velocidad del viento en el dominio del tiempo, la altura significativa de la ola en el dominio de la frecuencia y la desalineaciĂłn entre la direcciĂłn del viento y de las olas en el dominio temporal, aplicando tĂ©cnicas de Aprendizaje Automático. Se ha llevado a cabo una fase de recopilaciĂłn de datos medidos en alta mar, asĂ como el análisis exploratorio y limpieza de los mismos. Posteriormente, para el entrenamiento de los modelos se aplicaron los algoritmos: RegresiĂłn Lineal, Máquinas de Vectores Soporte para RegresiĂłn, Proceso de RegresiĂłn Gausiano y Redes Neuronales. Las redes neuronales autorregresivas no lineales con entrada externa (NARX) han resultado ser el mejor algoritmo tanto para la predicciĂłn de la velocidad del viento como para la desalineaciĂłn y para la altura significativa de la ola el modelo predictivo más preciso ha sido el proceso regresivo gausiano (GPR). En este proyecto demostramos la capacidad de los algoritmos de Aprendizaje Automático para modelar las variables del viento de naturaleza estocástica y del oleaje. Destacamos la importancia de la evaluaciĂłn de los modelos mediante tĂ©cnicas como las Curvas de Aprendizaje para tomar mejores decisiones en la optimizaciĂłn de los mismos. Este trabajo no pone solo a disposiciĂłn modelos predictivos para su posterior uso, además es pionero en el modelado de la desalineaciĂłn dejando una puerta abierta a futuras investigaciones.
Description
Trabajo de Fin de Grado en IngenierĂa del Software, Facultad de Informática UCM, Departamento de Arquitectura de Computadores y Automática, Curso 2019/2020