Surrogatbasert optimering ved bruk av kunstige nevrale nettverk - Identifikasjon av lønnsomme O&M strategier for offshore vindfarmer gjennom stokastiske simuleringer
Abstract
Kostnader tilknyttet drift- og vedlikeholdsoperasjoner utgjør en stor andel av kostnadene for offshore vindparker. Reduksjon av slike kostnader er essensielt for å gjøre energikilden mer konkurransedyktig. Strategier for hvordan drift- og vedlikeholdsoperasjoner utføres kan karakteriseres av beslutningvariabler som flåtesammensetning, lokasjon for havn, rutiner for chartering av fartøy eller andre. Simuleringsmodeller kan benyttes for å evaluere kostnad og mengde produsert energi for ulike strategier. Rommet av mulige strategier er høydimensjonalt, og da hver enkelt simulering er relativt tidkrevende, er det ofte bare mulig å utforske en liten del av det. Det er derfor vanskelig å vite om man har identifisert den strategien som gir mest gunstig simuleringsresultat, eller om det finnes andre som er vesentlig bedre.
I denne oppgavene brukes en approksimasjon av simuleringsmodellen, kalt surrogatmodell, for å mer effektivt utforske løsningsrommet. Det overordnede målet er å finne strategier som maksimerer simuleringsmodellen. Surrogatmodellen benytter kunstige nevrale nettverk og tidligere simuleringer for å beskrive sammenhengen mellom beslutningvariablene og simuleringsresultat. Hvis surrogatmodellen representerer denne relasjon presist, vil strategiene som maksimerer surrogatmodellen representere gode strategier. Den neste simuleringen utføres for strategier der surrogatmodellen predikerer gunstig simuleringsresultat eller høy grad av usikkerhet. Slik balanse mellom utnyttelse og utforskning blir brukt til å styre søket etter den globalt beste strategien.
Den surrogatbaserte fremgangsmåten for optimering anvendes på et relevant beslutningsproblem fra offshore vindkraft industrien. Strategiene som identifiseres er trolig omtrentlig like gode som den (ukjente) optimale strategien. Disse kan gi kunnskap om hvilke strategier som er gunstige, og surrogatmodellens prediksjoner med tilhørende usikkerhet kan benyttes for effektiv sammenligning.