Timeseries Prediction for a Predictive Digital Twin Using Neural Networks for the Zefyros Wind Turbine

Abstract

Denne forskningen utforsker bruken av digitale tvillinger og maskinlæringsmodeller for prediktiv analyse i havvindparker. Hovedmålet er å utvikle nøyaktige og pålitelige metoder for å forutsi kraftutbyttet i vindparker, noe som er avgjørende for effektiv energiproduksjon og integrasjon i strømnettet.

For å oppnå dette blir ulike nevrale nettverksarkitekturer, inkludert Reccurent Neural Networks (RNNs), Long Short-Term Memory (LSTM) og Temporal Convolutional Networks (TCN), undersøkt og sammenlignet.

De utviklede modellene blir trent og evaluert ved hjelp av et omfattende datasett fra en havvindpark, i kombinasjon med ensembleprediksjoner fra det norske meteorologiske institutt. Nøyaktigheten til modellene blir vurdert, og resultatene viser potensialet til TCN- og LSTM-modellene for å forbedre prognosene av kraftutbytte.

Studien legger vekt på betydningen av dataforbehandling og teknikker for funksjonsutvikling for å forbedre ytelsen til prediktive modeller. Videre blir tilnærminger for å fange opp tidsmessige avhengigheter og langvarige mønstre benyttet, ved å utnytte egenskapene til LSTM- og TCN-arkitekturene.

Nøyaktig prediksjon av kraftutbyttet i vindparker har implikasjoner for optimal energistyring, planlegging av vedlikehold og integrasjon i strømnettet. Til syvende og sist bidrar denne forskningen til fremgang innenfor prediktiv analyse i havvindparker, og fremmer økt effektivitet og bærekraft i produksjon av fornybar energi.

This research explores the application of Digital Twins and machine learning models for predictive analysis in offshore wind farms. The main objective is to develop accurate and reliable methods for forecasting the power output of wind farms, which is crucial for efficient energy generation and grid integration.

To achieve this, various neural network architectures, including Recurrent Neural Networks (RNNs), Long Short-Term Memory (LSTM), and Temporal Convolutional Networks (TCN), are investigated and compared. \bigskip

The developed models are trained and evaluated using a comprehensive data set from an offshore wind farm, in conjunction with ensemble predictions from the Norwegian Meteorological Institute, and their accuracy is assessed. The results demonstrate the potential of the TCN and LSTM models in improving power output forecasting.

The study emphasizes the significance of data preprocessing and feature engineering techniques to enhance the performance of the predictive models. Furthermore, approaches for capturing temporal dependencies and long-term patterns are employed, leveraging the capabilities of LSTM and TCN architectures.

Accurate prediction of wind farm power output has implications for optimal energy management, maintenance scheduling, and grid integration. Ultimately, this research contributes to the advancement of predictive analytics in offshore wind farms, promoting increased efficiency and sustainability in renewable energy generation.