| dc.description.abstract | Havvind sektoren er i vekst og det er derfor behov for pålitelige analytiske modeller for å kunne gevinstrealisere energiproduksjon. Denne rapporten vil bruke Python-modulen PyWake til å simulere og vurdere den årlige energiproduksjonen (AEP) for Dudgeon havvindpark fra en ett-, 10- og 20-års datasamling. Resultatene sammenlignes mot faktiske produksjonsdata fra året 2019-2020, innhentet fra Equinor. Vindkarakteristikker for Dudgeon har blitt hentet fra den åpne kilden Nora10. Anholt havvindpark brukes som et testtilfelle for å sammenligne funn fra simuleringene. Studien vil utforske hvor aktuell Weibull estimeringen er i forhold til en representasjon av vindhastighet i PyWake sin Bastankhah Porté-Agel simuleringsmodell, ved å analysere avviket i AEP. Videre vil optimaliseringsalgoritmene MLE- og L-BFGS-B bli brukt til Weibull-regresjonene som sammenligning av forskjellige regresjonsverktøy.
PyWake-modulen tilbyr et utvalg av scenario-baserte modellkombinasjoner, som kan defineres til brukerens spesifikke formål. Modulen består av tre hovedobjekter, som er sted-, turbin- og vakemodel. Vindparkmodellen som brukes i denne rapporten er en kombinasjon av den uniforme Weibull-site modellen og Bastankhah Porté-Agel vakemodell, med turbin- og steds parametere som er spesifisert til Dudgeon- og Anholt-tilfellene. Vakemodellen er kun anvendelig for lange vake tilfeller, og ser derfor bort fra påvirkningen av turbulensintensitet og bruker en konstant vakeekspansjons faktor. Stedsobjektet bruker den uniforme Weibull-modellen for å simulere AEP i samarbeid med vakemodellen. Den bruker form- og skala parametere fra tolv Weibull-sannsynlighetsfunksjoner fra tolv vindretningssektorer på 30°. Stedsobjektet krever også en sannsynlighet for forekomst av vindretning for hver vindsektor, som beregnes gjennom en sannsynlighetsmodell (KDE). Den statistiske passformen for Weibull-regresjonen vurderes ved hjelp av Kolmogorov–Smirnov-testen (KS test). Resultatene tolkes basert på KS-stat og p-verdien, og i forhold til AEP-resultatene.
Simuleringsresultatene avslører at størrelsen på datasamlingen har en betydelig påvirkning på nøyaktigheten av simuleringen. Ved bruk av en datasamling på ett år, ga L-BFGS-B-metoden de mest nøyaktige resultatene, med et avvik på bare 1,47 % fra de faktiske AEP-dataene. I motsetning, med en 20-års datasamling, viste MLE-metoden et mindre avvik på 0,8367 %. KS test resultatene viste at større datasamlinger produserte en lavere KS-stat, noe som indikerer en nærmere likhet med det faktiske vindhastighets-distribusjonshistogrammet. På den andre siden resulterte mindre datasamlinger i en statistisk likhet der p-verdien overskred 0.05, noe som tyder på en akseptabel passform under det brukte signifikansnivået. Videre ble AEP for hver vindretningssektor analysert individuelt. Resultatene viste varierende avvik for alle scenarier, og indikerer å ha en korrelasjon med KDE-regresjonen.
Denne studien viser klart at bruk av MLE metoden med større datasamlinger er å foretrekke for å oppnå pålitelige årlige energiproduksjonsprognoser. Derimot viser en ettårs datasamling at L-BFGS-B-metoden overgår alternativene. Ytterligere analyse avslørte også at KDE ikke er en effektiv metode for å dele sannsynligheten for forekomst på tvers av vindretninger. Regresjonsresultatene antyder at KDE ikke gir en nøyaktig indikasjon på sektorspesifikk AEP. For å forbedre studiens pålitelighet anbefales ytterligere forskning med fokus på utbedring av vakeekspansjonen og turbulensintensitetsparametere. Slike forbedringer kan potensielt adressere noen av manglene som er identifisert i de nåværende metodene. | |
| dc.description.abstract | The offshore wind farm sector is expanding, and as such, there is a need for reliable analytical models to profit realize the energy production. This report will use the Python expansion module PyWake, to simulate and assess the annual energy production (AEP) for Dudgeon wind farm from a one-, 10- and 20-year data sample. Results are compared against actual production data from the year 2019-2020, obtained from Equinor. The wind condition parameters for Dudgeon have been sourced from the open source database Nora10. Anholt wind farm is used as a test case to compare findings from the simulations. The study will explore the validity of using Weibull probability density functions as a representation for wind speed dispersion in PyWake's Bastankhah Porté-Agel simulation model, by analyzing the deviation in AEP. Moreover, the Maximum Likelihood Estimation (MLE) and the Limited memory Broyden-Fletcher-Goldfarb-Shanno-Bounds (L-BFGS-B) optimization algorithms will be applied to make the Weibull regressions to facilitate comparisons between different regression tools.
The PyWake module offers a range of scenario based model combinations, that can be defined to the user specific application. The module consist of three main objects, being the site, turbine and wake model object. The wind farm model used in this report is a combination of the uniform Weibull site model and the Bastankhah Porté-Agel wake deficit model, with the turbine and site parameters being specified to the Dudgeon and Anholt cases. The wake deficit model is applicable for far wake scenarios only, therefore disregarding the influence of turbulence intensity and uses a constant wake expansion factor. The site object employs the uniform Weibull model to simulate AEP in conjunction with the wake model. It utilizes twelve Weibull probability functions corresponding to 30\degree wind direction sectors, each defined by specific shape and scale parameters. The site object also requires a probability of occurrence for each wind sector, which is computed through a kernel density estimation (KDE). The goodness-of-fit for the Weibull regression is assessed using the Kolmogorov–Smirnov test. The results are interpreted based on the KS-stat and p-value, and in relation to the AEP outcomes.
The simulation results reveal that the size of the data sample significantly affects the accuracy of the simulation. Using a one-year data sample, the L-BFGS-B method yielded the most accurate results, with a deviation of only 1.47 % from the actual AEP data. In contrast, with a 20-year data sample, the MLE method showed a smaller deviation of 0.8367 %. The Kolmogorov-Smirnov (KS) test results showed that larger samples produced a lower KS statistic, indicating a closer resemblance to the actual wind speed distribution histogram. Conversely, smaller samples resulted in a statistical resemblance where the p-value exceeded 0.05, suggesting an acceptable fit under the significance level used. Additionally, the AEP for each wind direction sector was analyzed individually. The results indicated varying deviations for all scenarios, and showed to have a correlation with the KDE regression.
This study clearly shows that using the MLE method with larger data samples is preferable for obtaining reliable Annual Energy Production predictions. However, for one-year data samples, the L-BFGS-B method outperforms the alternatives. Further analysis also revealed that Kernel Density Estimation is not a precise method for dividing the probability of occurrence across wind directions. The regression results suggest that KDE does not provide an accurate indication of sector-specific AEP. To enhance the study's reliability, additional research focusing on refining the wake expansion and turbulence intensity parameters is recommended. Such improvements could potentially address some of the shortcomings identified in the current methodologies. | |
