Title (eng)
The added value of machine learning in forecasting wind turbine icing
Parallel title (deu)
Der Zusatznutzen durch Machine Learning in der Vorhersage von Windkraftanlagen-Vereisung
Author
Lukas Kugler
Advisor
Manfred Dorninger
Assessor
Manfred Dorninger
Abstract (deu)
Die Vereisung von Windkraftanlagen verursacht unerwartete Ausfälle der Stromproduktion und nennenswerte Folgekosten. Da genaue Vorhersagen die Planbarkeit der Stromerzeugung erhöhen und die Stillstandszeiten reduzieren würden, werden in dieser Arbeit 'Machine-Learning' Methoden angewandt. Die Qualität und Verbesserung der Vorhersagen durch die Nutzung dieser Methoden wird auf drei Arten bestimmt: Die Fähigkeit Vereisung von Nicht-Vereisung zu unterscheiden (Diskriminierung), die Fähigkeit kalibrierte Wahrscheinlichkeiten vorherzusagen (Kalibrierung), sowie am relativen ökonomischem Wert (PEV). Die Ergebnisse zeigen signifikante Steigerung an ökonomischem Wert durch den Einsatz der betrachteten Methoden für Nutzer mit relativ hohem C/L-Verhältnis im Vergleich zu empirischer und logistischer Klassifikation.
Diese Arbeit wurde durch das österreichische Forschungsprojekt 'ICE CONTROL' angestoßen, welches zum Ziel hat, Vereisungsprognosen zu verbessern. Diese werden üblicherweise aus den Prognosen der numerischen Wettervorhersage (NWP) generiert, indem ein Entscheidungskriterium auf Temperatur und Luftfeuchte angewandt wird. Alternativ werden auch physikalische Vereisungsmodelle mit den Randbedingungen aus der NWP angetrieben, um zu berechnen, ob es in einer bestimmten Zeitspanne zu Rotorvereisung kommt oder nicht. Zu guter letzt können, sobald Vor-Ort-Messungen vorliegen, auch statistische Modelle wie logistische Regression angewandt werden, um kalibrierte Wahrscheinlichkeiten vorherzusagen. Logistische Regression ist jedoch nicht in der Lage, die intrinsisch multiplikative mathematische Struktur der Vereisung zu modellieren, in der mehrere Faktoren gleichzeitig in ausreichendem Maße vorhanden sein müssen, um Vereisung zu bewirken.
In dieser Arbeit wurde der Mehrwert durch die Nutzung von Machine-Learning (ML) Methoden gegenüber simplen statistischen Modellen quantifiziert. Die höhere Komplexität der ML Modelle ermöglicht zwar grundsätzlich bessere Vorhersagen im Vergleich zu einfachen Modellen, es ist jedoch nicht offensichtlich, dass dies auch in diesem Fall so ist. Die Seltenheit der Vereisung (5-25%) führt zu Problemen aus dem Missverhältnis der Klassen (Vereisung/Nicht-Vereisung) und einem Bedarf an längeren Zeitreihen. Die aktuelle Zeitreihe mit Daten aus zwei Wintern könnte ein Hindernis darstellen.
Die Ergebnis-Evaluierung beinhaltet logistische Regression, generalisierte additive Modelle (GAM), Support-Vector-Machines (SVM), Entscheidungsbaum-basierte Modelle, sowie künstliche neuronale Netze. Die NWP Daten stammen aus dem Weather Research and Forecasting Model (WRF), welches eigens für dieses Projekt zum 'Downscaling' des IFS Modells (ECMWF) auf 2.5 km Auflösung herangezogen wurde.
Die Verifikation wurde mit Messungen auf der Windrad-Nabe durchgeführt. Drei unterschiedliche Klassen der Vereisung wurden definiert: Meteorologische Vereisung, mittels Temperatur und Taupunktsdifferenz; Instrumentelle Vereisung, mittels visueller Klassifikation vor Ort; sichtbare Akkretion, durch eine sichtbare Zunahme an Eismasse.
Abstract (eng)
Icing events at wind turbines in elevated areas cause unexpected outages in power production and significant costs. More accurate forecasts would improve power production predictability and could partially reduce downtimes. Thus, advanced post-processing by machine-learning methods is applied to obtain probabilistic forecasts. The quality and improvement by using advanced methods is estimated in terms of the forecasts' discrimination, calibration and economic value. The results confirm that the proposed machine-learning methods significantly outperform empirical and logistic classification approaches for customers with relatively high cost-loss ratios.
The idea for this thesis originates from the Austrian research initiative ICE CONTROL which aims to improve icing forecasts that are commonly obtained by applying an empirical decision criterion on temperature and humidity from numerical weather forecasts. Another approach is to drive physical icing models from numerical weather prediction (NWP) models to classify whether or not there will be rotor blade icing within a certain time interval. Finally, as soon as in-situ observations exist, simple statistical tools like logistic regression can provide calibrated probabilities. Logistic regression, however, is not able to model the intrinsic multiplicative structure of icing, where multiple factors must be present at the same time to a sufficient extent to produce icing.
In this study, the added value of using machine-learning (ML) methods over simple statistical tools was quantified. Despite of ML models' higher complexity, it is not clear for them to supersede simpler models because the studied events are quite rare with occurrence rates between 5 and 25% leading to class imbalance problems, as well as a possible lack of samples with data of only two winter seasons.
The evaluation included logistic regression, generalized additive models (GAM), support vector machines (SVM), decision trees and artificial neural networks.
The NWP input data was taken from the Weather Research and Forecasting Model (WRF) which was run specifically for this project in a 2-domain configuration that downscales ECMWF's IFS model from 12.5 km to a 2.5 km resolution inner nest.
The verification was conducted using measurements that were taken directly on the nacelle of a wind turbine at a wind farm near Ellern, Germany. Three different classes of icing were used as predictand: Meteorological icing, defined by atmospheric temperature and dewpoint spread; Instrumental icing, defined by a visual classification of camera images that detects icing on the turbine; and lastly the visible accretion which describes times with increasing amounts of ice on the turbine as seen by the camera.
Keywords (eng)
machine learningicingMakkonen modelartificial neural networkdecision tree ensemblegeneralized additive model
Keywords (deu)
Maschinelles LernenVereisungMakkonen Modellkünstliches neuronales Netz
Subject (deu)
Subject (deu)
Type (deu)
Persistent identifier
https://phaidra.univie.ac.at/o:1362195
rdau:P60550 (deu)
vi, 72 Seiten : Diagramme
Number of pages
78
Study plan
Masterstudium Meteorologie
[UA]
[066]
[614]
Association (deu)
Title (eng)
The added value of machine learning in forecasting wind turbine icing
Parallel title (deu)
Der Zusatznutzen durch Machine Learning in der Vorhersage von Windkraftanlagen-Vereisung
Author
Lukas Kugler
Abstract (deu)
Die Vereisung von Windkraftanlagen verursacht unerwartete Ausfälle der Stromproduktion und nennenswerte Folgekosten. Da genaue Vorhersagen die Planbarkeit der Stromerzeugung erhöhen und die Stillstandszeiten reduzieren würden, werden in dieser Arbeit 'Machine-Learning' Methoden angewandt. Die Qualität und Verbesserung der Vorhersagen durch die Nutzung dieser Methoden wird auf drei Arten bestimmt: Die Fähigkeit Vereisung von Nicht-Vereisung zu unterscheiden (Diskriminierung), die Fähigkeit kalibrierte Wahrscheinlichkeiten vorherzusagen (Kalibrierung), sowie am relativen ökonomischem Wert (PEV). Die Ergebnisse zeigen signifikante Steigerung an ökonomischem Wert durch den Einsatz der betrachteten Methoden für Nutzer mit relativ hohem C/L-Verhältnis im Vergleich zu empirischer und logistischer Klassifikation.
Diese Arbeit wurde durch das österreichische Forschungsprojekt 'ICE CONTROL' angestoßen, welches zum Ziel hat, Vereisungsprognosen zu verbessern. Diese werden üblicherweise aus den Prognosen der numerischen Wettervorhersage (NWP) generiert, indem ein Entscheidungskriterium auf Temperatur und Luftfeuchte angewandt wird. Alternativ werden auch physikalische Vereisungsmodelle mit den Randbedingungen aus der NWP angetrieben, um zu berechnen, ob es in einer bestimmten Zeitspanne zu Rotorvereisung kommt oder nicht. Zu guter letzt können, sobald Vor-Ort-Messungen vorliegen, auch statistische Modelle wie logistische Regression angewandt werden, um kalibrierte Wahrscheinlichkeiten vorherzusagen. Logistische Regression ist jedoch nicht in der Lage, die intrinsisch multiplikative mathematische Struktur der Vereisung zu modellieren, in der mehrere Faktoren gleichzeitig in ausreichendem Maße vorhanden sein müssen, um Vereisung zu bewirken.
In dieser Arbeit wurde der Mehrwert durch die Nutzung von Machine-Learning (ML) Methoden gegenüber simplen statistischen Modellen quantifiziert. Die höhere Komplexität der ML Modelle ermöglicht zwar grundsätzlich bessere Vorhersagen im Vergleich zu einfachen Modellen, es ist jedoch nicht offensichtlich, dass dies auch in diesem Fall so ist. Die Seltenheit der Vereisung (5-25%) führt zu Problemen aus dem Missverhältnis der Klassen (Vereisung/Nicht-Vereisung) und einem Bedarf an längeren Zeitreihen. Die aktuelle Zeitreihe mit Daten aus zwei Wintern könnte ein Hindernis darstellen.
Die Ergebnis-Evaluierung beinhaltet logistische Regression, generalisierte additive Modelle (GAM), Support-Vector-Machines (SVM), Entscheidungsbaum-basierte Modelle, sowie künstliche neuronale Netze. Die NWP Daten stammen aus dem Weather Research and Forecasting Model (WRF), welches eigens für dieses Projekt zum 'Downscaling' des IFS Modells (ECMWF) auf 2.5 km Auflösung herangezogen wurde.
Die Verifikation wurde mit Messungen auf der Windrad-Nabe durchgeführt. Drei unterschiedliche Klassen der Vereisung wurden definiert: Meteorologische Vereisung, mittels Temperatur und Taupunktsdifferenz; Instrumentelle Vereisung, mittels visueller Klassifikation vor Ort; sichtbare Akkretion, durch eine sichtbare Zunahme an Eismasse.
Abstract (eng)
Icing events at wind turbines in elevated areas cause unexpected outages in power production and significant costs. More accurate forecasts would improve power production predictability and could partially reduce downtimes. Thus, advanced post-processing by machine-learning methods is applied to obtain probabilistic forecasts. The quality and improvement by using advanced methods is estimated in terms of the forecasts' discrimination, calibration and economic value. The results confirm that the proposed machine-learning methods significantly outperform empirical and logistic classification approaches for customers with relatively high cost-loss ratios.
The idea for this thesis originates from the Austrian research initiative ICE CONTROL which aims to improve icing forecasts that are commonly obtained by applying an empirical decision criterion on temperature and humidity from numerical weather forecasts. Another approach is to drive physical icing models from numerical weather prediction (NWP) models to classify whether or not there will be rotor blade icing within a certain time interval. Finally, as soon as in-situ observations exist, simple statistical tools like logistic regression can provide calibrated probabilities. Logistic regression, however, is not able to model the intrinsic multiplicative structure of icing, where multiple factors must be present at the same time to a sufficient extent to produce icing.
In this study, the added value of using machine-learning (ML) methods over simple statistical tools was quantified. Despite of ML models' higher complexity, it is not clear for them to supersede simpler models because the studied events are quite rare with occurrence rates between 5 and 25% leading to class imbalance problems, as well as a possible lack of samples with data of only two winter seasons.
The evaluation included logistic regression, generalized additive models (GAM), support vector machines (SVM), decision trees and artificial neural networks.
The NWP input data was taken from the Weather Research and Forecasting Model (WRF) which was run specifically for this project in a 2-domain configuration that downscales ECMWF's IFS model from 12.5 km to a 2.5 km resolution inner nest.
The verification was conducted using measurements that were taken directly on the nacelle of a wind turbine at a wind farm near Ellern, Germany. Three different classes of icing were used as predictand: Meteorological icing, defined by atmospheric temperature and dewpoint spread; Instrumental icing, defined by a visual classification of camera images that detects icing on the turbine; and lastly the visible accretion which describes times with increasing amounts of ice on the turbine as seen by the camera.
Keywords (eng)
machine learningicingMakkonen modelartificial neural networkdecision tree ensemblegeneralized additive model
Keywords (deu)
Maschinelles LernenVereisungMakkonen Modellkünstliches neuronales Netz
Subject (deu)
Subject (deu)
Type (deu)
Persistent identifier
https://phaidra.univie.ac.at/o:1362196
Number of pages
78
Association (deu)
License
Citable links
Other links
Managed by
Details
Metadata
Export formats
Universitätsring 1, 1010 Wien | T
T +43-1-4277-0