Park wind field reconstruction using real-time turbine data

Abstract

Wind field reconstruction is a method established to better understand park level aerodynamics, and to be able to control specific turbines in a wind park. It can be used in case anything happens with the turbine (for example, a sensor failing) that will cause the lack of information about the conditions of the wind reaching that turbine. This is critical since every turbine is monitored to continually guarantee that they are facing the wind in order to produce an optimal amount of energy. When all the available wind sensors fail, the production needs to be stopped. Because of this, flow reconstruction and forecasting values of wind characteristics such as wind speed and wind direction on a turbine, are methods that have been studied and validated for a long time. This dissertation aims to study how flow reconstruction in a wind park can aid in understanding turbines' conditions and interaction in a wind park and the wind characteristics on a specific location. Specifically, this dissertation tests seven statistical models developed in Matlab to understand the ability of the models to accurately represent the values of wind speed and wind direction of a turbine, given the dataset of the other remaining turbines in the park. To test the hypothesis that adding more specific wind-related parameters to the models would improve their results, the first model tested was a more straightforward approach, where it was tested a regression analysis. Afterward, parameters as the distance between turbines, possible wake with some of the turbines in the park, and statistical analysis results were added or experimented in the models to understand if the results improved. One of the models constructed followed a different approach, and it was based on wind particles, and considering a viscosity condition and the last model developed was a machine learning model. The results suggest that investing in statistical parameters, combined with wind park information will lead to optimal results. Also, machine learning models, possibly developed even further, are algorithms that, combined with a low computational cost, will lead to a very accurate representation of the real wind speed and wind direction values that a turbine is measuring. Another possible conclusion was that every turbine has different behaviour and will present a different error for the same model since they are scattered in a wind park. In some cases, other turbines can surround them and cause disturbances in the wind or cause difficulties for the models to estimate some variations on these turbines, while others are isolated.

A reconstrução de parâmetros do vento é um método estabelecido de forma a auxiliar um maior conhecimento da aerodinâmica de um parque de turbinas eólicas e ser possível ter controlo de turbinas específicas num parque, em caso de uma falha de sensores, por exemplo, que poderá levar a uma falta de informação sobre as condições de vento às quais a turbina está exposta e esta é uma informação crítica sendo que o controlo da turbina é feito de forma a garantir que a turbina esteja sempre alinhada com a direção predominante do vento, para produzir uma quantidade de energia otimizada. Quando os sensores de vento falham, a produção da turbina precisa de ser travada. Dessa forma, a reconstrução do vento e estimativa dos valores de características como velocidade e direção, são métodos que têm sido estudados e testados ao longo do tempo. Esta dissertação tem como objetivo estudar e investigar de que forma a reconstrução do vento num parque de turbinas eólicas pode auxiliar a perceber as condições a que as turbinas estão expostas, interações entre estas num parque e as características de vento em localizações específicas. Especificamente, esta dissertação testa sete modelos estatísticos diferentes desenvolvidos no Matlab de forma a perceber quais dos modelos conseguiria representar as característias do vento com a menor margem de erro, tendo como dados de entrada dados reais das restantes turbinas do parque. Para testar a hipótese de que acrescentar um grau de complexidade aos modelos, considerando parâmetros de vento mais específicos, iria melhorar os seus resultados, o primeiro modelo testado foi uma abordagem mais simples, tendo sido testada uma análise de regressão. Posteriormente, foram adicionados parâmetros como a distância entre turbinas, possível efeito de wake entre estas e análises estatísticas foram acrescentados e testados em novos modelos, para verificar se os resultados eram otimizados. Um dos modelos construídos foi baseado em partículas de vento e considerando viscosidade entre estas, e o último modelo desenvolvido foi relativo a machine learning. Os resultados sugerem que combinar parâmetros estatísticos com informação específica do parque pode levar aos melhores resultados. Além disso, modelos de machine learning, possivelmente ainda mais complexos, são algoritmos que, com um custo computacional baixo, garantem uma representação de velocidade do vento e direção muito realista. Outra conclusão possível foi que cada turbina tem um comportamento diferente para o mesmo modelo. Em alguns casos, outras turbinas perto podem causar distúrbios e mudanças no vento que chega a turbina que está a ser estimada e isto poderá causar dificuldades na forma como os modelos preveem os valores de velocidade e direção.