The expected technical lifetime for a wind turbine is 20-25 years (Wizelius, 2007). In the process of planning a wind farm on a site an estimation of the average wind speed and the energy yield is required from the site. Due to large fluctuations in wind velocity from one year to another it is, from a climatologically point of view, not sufficient to measure the wind for a short period of time, e.g. one year. The year measured may have uncommonly high or uncommonly low winds and thereby generate an average not representative of the wind climate on the site. In the same time it is neither practical nor economically desirable to measure for a longer time period. Instead the measured data collected for a short period of time is scaled into a normal year before it is used to calculate the energy content. This normal year correction can be preformed using different methods. Principally, the methods relate the short time series, measured on the site, to one or more variables of a long time reference series. As a long time reference series the geostrophic wind on the site or a series of measured wind nearby can be used. If the correlation between the two series is sufficiently high a normal year correction may be done using the relation. Normal year correction has foremost been done using the relation between the velocities of the measured wind and a reference wind. The purpose in this study is to evaluate and implement a part of an algorithm for normal year correction considering additional variables besides wind velocity. The relationships studied are between measured wind speed and geostrophic wind speed, geostrophic wind direction and time of the year. For the purpose of evaluating the algorithm two wind data series from Näsudden, on the Swedish island of Gotland, for a period of 15 years has been used. Measured wind on 75 meters and geostrophic wind on 850hPa. Where the geostrophic wind has been used as a long time reference and the measured wind for one year at the time has been related to this reference. The relation has then been used together with the geostrophic wind data to create an estimation of the wind climate on Näsudden in three steps. Step one establishes the estimation due to the relation of geostrophic wind speed. Step two corrects the estimation due to the relation of geostrophic wind direction and step three corrects the estimation due to the relation of time of year. The conclusions from this study showed that with the method used for implementing the algorithm the normal year correction using only the relation between the velocities of the measured wind and the geostrophic wind gives the best estimation of the climatically mean wind speed. The standard deviation gives a 5 % risk for more than 0.436 m/s error for estimation of the mean wind on the site, which is comparable to earlier studies. The introduction of the wind direction dependence overestimates the mean wind on the site and amplifies the error. The introduction of the season dependence amplifies the error further and overestimates the mean wind additionally. / En vindturbin har en planerad livslängd på 20-25 år (Wizelius, 2007). Vid planering av en vindkraftspark behöver en estimering av medelvinden och energiutvinningen utföras för platsen man är intresserad av. På grund av stora fluktuationer av vindhastighet från år till år är det ur klimatologisk synpunkt inte tillräckligt att mäta under en kort period, exempelvis ett år. Det år man mäter kan ha ovanligt starka eller ovanligt svaga vindar och ge en icke representativ bild av vindklimatet på platsen. Samtidigt är det inte praktiskt eller ekonomiskt önskvärt att mäta under en längre tidsperiod. Istället kan den korta mätserie som insamlats korrigeras till ett normalår med hjälp av en långtidsreferens innan den används för att beräkna energiinnehållet. I princip går normalårskorrigering ut på att relatera den korta mätserien till en eller flera variabler i långtidsreferensen. Som långtidsreferensdata kan den geostrofiska vinden på platsen eller en lång mätserie från en närliggande plats användas. Om korrelationen mellan de två serierna är tillräckligt hög kan en normalårskorrigering göras med hjälp av relationen. Tidigare har man vid normalårskorrigering främst sett till relationen mellan vindhastigheterna för den uppmätta vinden och en referensvind. Syftet i detta arbete är att utvärdera en del av en algoritm för normalårskorrigering där hänsyn tas till fler variabler än endast vindhastighet. Samband som studeras är mellan uppmätt vindhastighet och geostrofisk vindhastighet, geostrofisk vindriktning och tid på året. För utvärderingen av algoritmen har två vinddataserier från Näsudden på Gotland använts för en period av 15 år med uppmätt vind på 75m och geostrofisk vind på 850hPa. Där den geostrofiska vinden fått representera långtidsreferensen och den uppmätta vinden för ett år i taget har relaterats till denna. Efter normalårskorrigeringen har den uppmätta vinden för 15 år fått representera vindklimatet på platsen som jämförelse. Enligt algoritmen har uppskattning av vindklimatet på Näsudden skapats i tre steg. Steg 1 är en uppskattning av vinden från sambandet för geostrofisk vindhastighet. Steg 2 är en korrektion av uppskattningen genom sambandet till geostrofisk vindriktning och steg 3 en korrektion av uppskattningen genom sambandet till tid på året. Efter vart steg skickas det aktuella estimatet vidare till nästa steg där det korrigeras med avseende på nästa samband. Slutsatserna från undersökningen visade att med den metod som använts ger normalårskorrigeringen med enbart sambandet till hastighet bäst uppskattning av den klimatologiska medelvinden. Standardavvikelsen för estimatet ger 5 % risk för mer än 0,436 m/s fel vid uppskattning av klimatologisk medelvind vilket är jämförbart med tidigare studier. Vidare överskattar införandet av vindriktningsberoendet den uppskattade medelvindhastigheten samt ökar osäkerheten. Även införandet av säsongsberoendet överskattar medelvindhastigheten ytterligare samt även osäkerheten.

Syfte: Syftet med studien är att undersöka vilka faktorer och åtgärder som kan vara framgångsrika för säsongsförlängning hos verksamheter i skärgårdsmiljö. Metod: En kvalitativ metodansats har tillämpats genom sju intervjuer. Komplettering har gjorts med hjälp av sekundärdata.  Teoretisk referensram: Den teoretiska referensramen utgår från Conceptual approaches to seasonality causationav Goulding (2006) samt Influences on patterns of tourism seasonalityav Butler (2001). Empiri: Empirin består av fyra öppna intervjuer och tre halvstrukturerade intervjuer som genomförts med representanter från logiverksamheter i skärgården. För att komplettera materialet presenteras de berörda öarnas utbud och tillgänglighet i tabeller. Slutsatser: Verksamheter i Stockholm skärgård är beroende av naturliga och institutionella faktorer såsom väderlek, högtider och resvanor. De är främst attraktiva för besökare under sommarhalvåret och verksamheter upplever en dramatisk minskning av antalet besökare under lågsäsongen. Utbudet som finns är begränsat till sommarsäsongen då flera aktiviteter innebär utevistelse. Dock visar en del verksamheter på att de försöker hitta andra attraktioner under lågsäsong än under högsäsong för att hålla uppe besöksantalet. De handlingar som verksamheterna utför fokuserar främst på att öka tillväxten under sommarsäsong och de arbetar inte aktivt med att förlänga säsongen. Resultat visar på att de största begränsningarna som verksamheter i Stockholms skärgård har är personalbrist, naturliga orsaker samt transportmöjligheter. Det leder till att majoriteten av verksamheterna satsar på att utöka antalet besökare under högsäsongen, vilket i sin tur kan leda till problematik i bärkraften. / Purpose: The purpose of this study is to investigate and analyze actions which businesses in archipelago environments may use to successfully extend the season. Method: A qualitative research method approach has been applied through seven interviews. Completion has been made using secondary data. Theoretical framework: The theoretical framework is based on Conceptual approaches to seasonality causation from Goulding (2006) and Influences on patterns of tourism seasonalityby Butler (2001). Empericism: The empericism consists of four open interviews and three semistructured interviews conducted with representatives from different lodging businesses in the archipelago. Charts consisting information about the referred islands complete the interviews.  Conclusions: Businesses in Stockholm archipelago are dependent on natural and institutional factors such as weather, bank holidays and travel habits. Stockholm archipelago is especially attractive to visitors during the summer. Lodging businesses therefore experience a dramatic reduction in the number of visitors during the off-season. The available range is limited to the summer season when several activities are dependant on weather conditions, but some businesses show that they try to find other attractions during the low season to keep up with the declining number of visitors. The actions that the businesses take is mainly focused on increasing growth during the summer season and they are  generally not actively working to extend the seasons. Results show that the greatest limitations that the businesses face in Stockholm archipelago are staff shortages, natural causes and public transport limitations. That is, the extension of seasons being limited as the businesses mainly invest in the summer season, which in turn may lead to sustainability issues.

<p>The procedure of determining if a site is suitable for wind power production requiresconvincing statistical data describing the long-term behavior of the average wind speed.This can be achieved by measuring the wind speed for a short time period, e.g. a year,and after that a Measure-Correlate-Predict (MCP) method can be performed. The shorttermmeasured wind data must be used in combination with a long-term referenceseries. This long-term reference series can be global reanalysis data reaching 20 to 30years back in time. In a MCP method different regression methods can be used. Aftercreating a long-term corrected wind data series, it is possible to analyze the conditionsat the investigated site. To be able to study the behavior of different reference series andregression methods, a model was created in MATLAB. As short-term wind speed dataVattenfall Wind Power supplied data from two measuring masts, Ringhals andOskarshamn, with maximum heights of 96 and 100 meters, respectively. From UppsalaUniversity data were supplied from a measuring mast near Marsta with maximummeasurement height of 29 meters.When creating these long-term corrected wind data series there were many methodsavailable. In this Master thesis methods such as Ordinary-Least-Square, Least-Absolute-Deviation and Reduced-Major-Axis regression methods have been used. With eachmethod three reference series were used in combination with the short-termmeasurement data. These were data from NCAR 850 hPa, NCAR 42-meter sigma leveland a confidential source.Regression methods in combination with reference series were studied and the deviationfrom mean wind speed was obtained for each of these cases. Studies were performed onhow the length of the short-term measurement series affected the deviation from themeasured mean wind speed. It was also investigated if the time of the year had anyinfluence on the measurements.The general conclusion drawn after performing the above-mentioned studies was thatthe NCAR 850 hPa wind speed data and the Reduced-Major-Axis regression methodgave the smallest deviation from the measured mean wind speed in most cases. It wasalso concluded that when a short-term measurement series reached 10 to 14 monthsthere was a significant decrease in deviation from the mean wind speed, regardless ofreference series or method used. Calculations from the model regarding seasonaldependence stated that there was a slight dependency on which period of the year ameasurement was performed.</p> / <p>I processen att bedöma om en plats är lämplig för utbyggnad av vindkraft måste detfinnas övertygande statistiska data som beskriver den genomsnittliga vindhastighetenöver en längre tid. Genom att utföra vindhastighetsmätningar på den tänkta platsenunder en kortare tid, exempelvis ett år, och därefter tillämpas en Measure-Correlate-Predict (MCP) metod i kombination med en långtidsreferens, exempelvis en globalmodell som sträcker sig 20 till 30 år bakåt i tiden kan detta göras. I en MCP-metod kanolika typer av regressionsmetoder användas. När en långtidskorrigerad vinddataseriefinns tillgänglig kan dess beteende på den tänkta platsen analyseras. För att kunna göradetta för flera olika typer av referensserier och regressionsmetoder skapades en modell iMATLAB. Två vinddataserier erhölls från Vattenfall Vindkraft. Dessa var Ringhals ochOskarshamn med högsta mäthöjd på 96 respektive 100 meter. En ytterligarevinddataserie erhölls av Uppsala Universitet från en mätmast nära Marsta med högstamäthöjd på 29 meter.Det fanns flera metoder tillgängliga för att skapa de långtidskorrigeradevinddataserierna. I det här examensarbetet har metoderna Ordinary-Least-Square-,Least-Absolute-Deviation- och Reduced-Major-Axis regressioner använts. För varjemetod testades tre referensserier i kombination med de kortare vinddataserierna. Dessavar NCAR 850 hPa vindhastigheter, NCAR 42 meters sigmanivå vindhastigheter ochannan meteorologisk data.Regressionsmetoderna utvärderades genom att avvikelsen från de kortare mätseriernasmedelvindhastigheter beräknades. Det undersöktes också hur längden på användvinddata från de kortare mätserierna påverkade avvikelsen i medelvindhastighet och omdet fanns något säsongsberoende på när under året som mätningen av vinddata vargjord.Slutsatserna från undersökningarna var att NCAR 850 hPa vindhastigheter ochregressionsmetoden Reduced-Major-Axis generellt gav de lägsta avvikelserna frånuppmätt medelvindhastighet. Slutsatser kunde också dras om längden av användmätdata. Det var tydligt att oavsett referensserie och regressionsmetod uppstod enminskningen i avvikelse från medelvindhastigheten mellan 10 till 14 månaders längd påmätserien. Resultat angående säsongsberoende kunde påvisas i form av avvikelsermellan mätningar gjorda under olika tidpunkter på året. Storlek och tecken påavvikelsen berodde på vilken referensserien i kombination med regressionsmetod somanvändes.</p>

The procedure of determining if a site is suitable for wind power production requiresconvincing statistical data describing the long-term behavior of the average wind speed.This can be achieved by measuring the wind speed for a short time period, e.g. a year,and after that a Measure-Correlate-Predict (MCP) method can be performed. The shorttermmeasured wind data must be used in combination with a long-term referenceseries. This long-term reference series can be global reanalysis data reaching 20 to 30years back in time. In a MCP method different regression methods can be used. Aftercreating a long-term corrected wind data series, it is possible to analyze the conditionsat the investigated site. To be able to study the behavior of different reference series andregression methods, a model was created in MATLAB. As short-term wind speed dataVattenfall Wind Power supplied data from two measuring masts, Ringhals andOskarshamn, with maximum heights of 96 and 100 meters, respectively. From UppsalaUniversity data were supplied from a measuring mast near Marsta with maximummeasurement height of 29 meters.When creating these long-term corrected wind data series there were many methodsavailable. In this Master thesis methods such as Ordinary-Least-Square, Least-Absolute-Deviation and Reduced-Major-Axis regression methods have been used. With eachmethod three reference series were used in combination with the short-termmeasurement data. These were data from NCAR 850 hPa, NCAR 42-meter sigma leveland a confidential source.Regression methods in combination with reference series were studied and the deviationfrom mean wind speed was obtained for each of these cases. Studies were performed onhow the length of the short-term measurement series affected the deviation from themeasured mean wind speed. It was also investigated if the time of the year had anyinfluence on the measurements.The general conclusion drawn after performing the above-mentioned studies was thatthe NCAR 850 hPa wind speed data and the Reduced-Major-Axis regression methodgave the smallest deviation from the measured mean wind speed in most cases. It wasalso concluded that when a short-term measurement series reached 10 to 14 monthsthere was a significant decrease in deviation from the mean wind speed, regardless ofreference series or method used. Calculations from the model regarding seasonaldependence stated that there was a slight dependency on which period of the year ameasurement was performed. / I processen att bedöma om en plats är lämplig för utbyggnad av vindkraft måste detfinnas övertygande statistiska data som beskriver den genomsnittliga vindhastighetenöver en längre tid. Genom att utföra vindhastighetsmätningar på den tänkta platsenunder en kortare tid, exempelvis ett år, och därefter tillämpas en Measure-Correlate-Predict (MCP) metod i kombination med en långtidsreferens, exempelvis en globalmodell som sträcker sig 20 till 30 år bakåt i tiden kan detta göras. I en MCP-metod kanolika typer av regressionsmetoder användas. När en långtidskorrigerad vinddataseriefinns tillgänglig kan dess beteende på den tänkta platsen analyseras. För att kunna göradetta för flera olika typer av referensserier och regressionsmetoder skapades en modell iMATLAB. Två vinddataserier erhölls från Vattenfall Vindkraft. Dessa var Ringhals ochOskarshamn med högsta mäthöjd på 96 respektive 100 meter. En ytterligarevinddataserie erhölls av Uppsala Universitet från en mätmast nära Marsta med högstamäthöjd på 29 meter.Det fanns flera metoder tillgängliga för att skapa de långtidskorrigeradevinddataserierna. I det här examensarbetet har metoderna Ordinary-Least-Square-,Least-Absolute-Deviation- och Reduced-Major-Axis regressioner använts. För varjemetod testades tre referensserier i kombination med de kortare vinddataserierna. Dessavar NCAR 850 hPa vindhastigheter, NCAR 42 meters sigmanivå vindhastigheter ochannan meteorologisk data.Regressionsmetoderna utvärderades genom att avvikelsen från de kortare mätseriernasmedelvindhastigheter beräknades. Det undersöktes också hur längden på användvinddata från de kortare mätserierna påverkade avvikelsen i medelvindhastighet och omdet fanns något säsongsberoende på när under året som mätningen av vinddata vargjord.Slutsatserna från undersökningarna var att NCAR 850 hPa vindhastigheter ochregressionsmetoden Reduced-Major-Axis generellt gav de lägsta avvikelserna frånuppmätt medelvindhastighet. Slutsatser kunde också dras om längden av användmätdata. Det var tydligt att oavsett referensserie och regressionsmetod uppstod enminskningen i avvikelse från medelvindhastigheten mellan 10 till 14 månaders längd påmätserien. Resultat angående säsongsberoende kunde påvisas i form av avvikelsermellan mätningar gjorda under olika tidpunkter på året. Storlek och tecken påavvikelsen berodde på vilken referensserien i kombination med regressionsmetod somanvändes.