Predicting Dayrates for Offshore Wind Turbine Installation Vessels - Using Statistical Learning Methods

Abstract

Havvind er en fornybar energikilde som forventes å spille en stor rolle i å redusere klimagassutslipp, hvor mange land har satt nasjonale mål for installert kapasitet. Antallet prosjekter planlagt for konstruksjon de neste årene vil krever mange vindturbininstallasjonsfartøy (WTIV) som er kapable til å installere vind turbiner. Grunnet lav visibilitet i inntjeningen til disse båtene har det blitt bestilt for få nybygg sammenlignet med den estimerte etterspørselen fra 2024 og utover. For å øke visibiliteten trengs det bedre predikeringsmetoder for båtenes dagrater. Målet med denne masteroppgaven er å utvikle en modell for å forutsi dagrater for WTIV. Vi utvikler og sammenligner tre forskjellige maskinlæringsmetoder: lineær regresjon, k-nearest neighbors og random forest. Våre resultater viser at random forest er den beste av de tre metodene da den har den laveste RSME. En modell som predikerer dagrater for WTIV kan bidra til å redusere usikkerheten rundt skipenes økonomiske lønnsomhet. Potensielle skipseiere kan benytte vår prediksjonsmodell for å ha et bedre beslutningsgrunnlag om en mulig investering i et nybygg. Dette kan bidra til å stimulere nye investeringer i WTIV og som sådan lukke gapet mellom tilbud og etterspørsel og i sin tur la land oppnå sine nasjonale kapasitetsmål og redusere utslippene som planlagt.

Offshore wind is a renewable energy source that is expected to play a large role in reducing greenhouse gas emissions with more and more governments setting national targets for installed capacity. The number of projects scheduled for construction in the coming years will require a lot of Wind Turbine Installation Vessels (WTIVs) capable of installing the wind turbines. Due to low visibility into the earnings of WTIVs, there have been too few newbuild orders compared to the estimated demand from 2024 onward. In order to improve the visibility into the earning of WTIVs, there is a need for better prediction tools for the dayrates. The focus of this master thesis is to develop such a model to predict the dayrates for WTIVs. We develop and compare three different machine learning methods: linear regression, k-nearest neighbors and random forest. We found that random forest was the best of the three methods as it has the lowest RSME. Having a model which predicts the dayrates for WTIVs could contribute to lower the uncertainty around the economic profitability of the vessels. Potential vessel owners can then utilize our dayrate prediction model to make more informed decisions on a potential investment in a newbuild WTIV. This could help spur new investments in WTIVs and as such close the gap between supply and demand and in turn let countries achieve their national capacity targets and reduce emissions as planned.