Detaljerad information om vindförhållandena på en site är en nödvändighet för att göra beräkningar av lönsamhet i ett vindkraftsprojekt. Mätningarna behöver vara kontinuerliga och så korrekta som möjligt. Därtill bör de göras under minst ett års tid eftersom vindförhållandena på en plats är säsongsberoende. Under vintertid och framför allt på högre latituder eller altituder, kan mätutrustning påverkas av nedisning. En nedisad anemometer kan ge databortfall eller felaktiga mätningar. Identifiering av felaktiga data är en viktig del av analyseringsarbetet eftersom risken annars är att vindförhållandena på platsen underskattas. Då instrumentet är helt fastfruset kan en enklare analys av data göras genom att titta på standardavvikelsen av vindhastigheten. Svårigheten i detektionen är vid lätt till måttlig nedisning då vindstyrkan, och även standardavvikelsen, kan se normal ut trots att felaktiga värden redovisats. I detta arbete analyseras 1 Hz data från skålkorsanemometer för att söka ett matematiskt sätt att avgöra om lätt till måttlig nedisning påverkat instrumentet under mätperioden. I ett experiment har olika typer av nedisning simulerats på skålkorsanemometrar. Därefter har vindhastighetsfördelningen för en ”nedisad” anemometer kunnat jämföras med fördelningen uppmätt med en anemometer som varit opåverkad under samma mätperiod. I denna jämförelse har visats att trots en differens i medelvind-hastighet på upp till 15 % under mätperioden syns ingen, för detektion av nedisning, användbar skillnad i någon av de statistiska parametrar som jämförts i arbetet. Förutom analys av mätdata från egna experiment har även data från Suorva samt från en höghöjdsmast i Norrland analyserats. För analys av mätdata från masten i Norrland har ett en algoritm utarbetats för automatisk detektion av tidpunkter med instrumentell nedisning. Isdetektionen baseras på antaganden om standardavvikelse av vindhastighet och vindriktning, förändring av vindriktning samt en regression mellan vindhastigheten på två höjder. / Detailed information about the wind conditions on a site is a necessity for calculations of profitability from a wind power project. Hence the continuity and the correctitude of the measurements are crucial when making the site evaluations. Due to the season dependence of the wind conditions the measurements also needs to be done for at least a whole year. During wintertime and particularly on higher altitudes and/or latitudes the instruments may be affected by icing. An iced up anemometer often underestimates the wind speed and severe icing can lead to instrument breakage and loss of data. Identification of inaccurate measurements is of great importance in the analysis of the site’s energy potential. The difficulty in detecting light to moderate icing lies in that the wind speed and the standard deviation of the wind may seem normal, although the anemometer is underestimating the wind speed due to icing. In this thesis 1 Hz data from cup anemometers are analysed in search for a mathematical way to determine whether the instrument has been affected by icing during the measurement. An experiment has been performed simulating different types of icing on anemometers. The wind velocity distribution of an “iced up” anemometer has been compared to the wind velocity distribution of an unaffected anemometer for the same measuring period. Also the turbulence intensity and the change of mean wind velocity between observations have been evaluated. The comparison of these statistical variables between the instruments has showed that none of them are applicable for detection of icing. In addition to analysing data from the experiment a pre-study on the subject has been made analysing measurements with possible icing from the Suorva valley. Also, the results from the experiment have been compared to results from a conventional measuring mast placed in the northern part of Sweden. For the analysis of the mast data an algorithm for detection of icing during measurements has been implemented. This automatic detection of icing is based on assumptions about the standard deviation of wind speed, the standard deviation of the wind direction, the change of wind direction and regression between wind velocities of two heights.

As the wind energy sector expands into areas with colder climate, the problem with ice throw will increase. Due to a rotor diameter of more than 120 meters for a typical modern turbine with an effect of 3.3 MW, the separated ice fragment will get a high initial velocity, and therefore, they will also be thrown a long distance. Ice throw might therefore be a large safety risk for the people, who are staying in surrounding areas to wind turbines. A ballistic ice throw model has been developed to be able to investigate how far the ice fragments can be thrown from a wind turbine. The work was divided into two parts, one sensitivity analysis and one real case study. In the sensitivity analysis, the influence of eight important parameters was investigated. The results from this part show that changes in the parameters initial radius and angle position, and mass and shape of the ice fragments have a significant influence on the throwing distance both lateral and downwind. The wind speed has only a significant influence on the downwind throwing distance, but this is quite large. A maximum throwing distance of 239 meters downwind the wind turbine was achieved with U=20 m/s, r=55 m and θ=45°. While including the lift force, a maximum downwind distance of 350 meter was achieved. However, the uncertainties about the shape of the ice fragment make these results quite uncertain. In the real case study, ice throws were simulated by letting the ice throw model run with modeled meteorological data for a wind farm in northern Sweden. The wind farm consists of 60 wind turbines, and the probability for that an ice fragment will land in a square of 1*1m was calculated around each turbine. To be able to calculate this probability, a Monte Carlo analysis was necessary in which a large number of ice fragments were separated. The result shows a large correlation between the landing positions of the ice fragments and the wind direction. Due to the fact that the wind farm is located in a complex terrain, the shape and density of the probability field vary among different parts of the farm. Especially in the southern part of the wind farm, the probability field will have the highest density and largest extension to the northeast of the turbines due to a prevailing wind direction during ice throw events from southwest. / När vindkraftssektorn expanderar till områden med ett kallare klimat, kommer problemet med nedisade vindkraftverk och iskast att öka. Moderna vindkraftverk kan ha en typisk effekt på 3.3 MW och en rotordiameter på över 120 meter, vilket resulterar i att de ivägkastade isbitarna skulle kunna få en initialhastighet på 90 m/s. Det skulle även resultera i att isbitarna kastas iväg en lång sträcka från kraftverket, vilket i kombination med den höga initialhastigheten skulle kunna bli en stor säkerhetsrisk för de personer som vistas i områdena närmast runt vindkraftverken. En ballisisk iskastmodel utvecklades för att beräkna hur långt från vinkraftverket isbitarna kan kastas. Arbetet delades upp i två delar, en känslighetsanalys och en verklig fallstudie. I känslighetsanalysen undersöktes åtta viktiga parametrars inflytande på iskastet. Resultatet från den visar på att ändringar i parametrarna isbitens massa och form samt seperations positionen på bladet och bladets vinkel hade störst inverkan på kastlängden. En maximal kastlängd nedströms vindkraftverket på 239 meter erhölls för U=20m/s, θ=45° och r=55m. När lyftkraften inkluderades ökade kastlängden nedströms till 350 meter, dock är osäkerheten i isbitarnas form stor, vilket gör dessa resultat osäkra. I den verkliga fallstudien simulerades iskast genom att iskastmodellen kördes med modellerad meteorologisk data från en vindkraftspark i norra Svergie. Vinkraftsparken innehöll 60 turbiner och sannolikheten för att en isbit ska landa i en ruta på 1*1m beräknades runt varje turbin. För att kunna beräkna sannolikheten användes en Monte Carlo analys där ett stort antal isbitar skickades iväg. Resultatet visade på att korrelationen var stor mellan sannolikheten för att en isbit ska landa i en ruta på 1 m² och vindriktningen. Eftersom vindkraftsparken var belägen i ett område med en komplex terräng varierade formen och intensiteten på sannolikhetsområdena mellan olika delar av parken. Speciellt i parkens södra del är sannolikhetsområdet för vindkraftsverken mer utbrett i nordostlig riktning på grund av att sydvästliga vindar är vanligast då iskast förekommer.

In the rapidly growing wind energy market, regions with cold climates are currently in the spotlight owing to their abundance of wind resources. However, the operation of wind turbines in cold climate conditions is challenged by serious icing problems. Ice accretion on the rotor blades of a wind turbine results in a decline in power production, an increase in fatigue loads, and raises health and safety concerns. To mitigate these adverse effects, ice protection systems (IPS) are now widely being employed. These systems mainly rely on costly blade heating techniques, yet their efficiency is limited and they cannot effectively prevent or remove ice build-up under all ambient conditions. In this study, the performance of five identical wind turbines, each equipped with an electrothermal heating IPS, is analyzed over several icing events. All data are collected from an undisclosed wind park located in northern Sweden. Historical wind turbine data is studied to explore the extent of icing-induced losses and IPS activities, as well as the dependence of blade icing and IPS efficiency on meteorological conditions. Based on the results from the analysis, suggestions will be provided on how the control settings of the IPS can be modified to increase the de-icing effectiveness and reduce ice-related production losses. For the purposes of better understanding the performance of the wind turbines and their IPS in icing conditions, an analytic dashboard has been internally developed. To derive quantitative information about the IPS efficiency, a set of standardized metrics is utilized. An internal algorithm has been developed that classifies various forms of ice losses and different status codes of wind turbines. These ice losses and turbine status codes are monitored and analyzed using the analytic dashboard. Statistical analysis indicates that the most substantial source of ice losses is the stoppages caused by blade icing, whereas losses during de-icing operations are relatively insignificant. Results from the IPS performance analysis show that the icing-induced losses are further influenced by the inconsistency in the IPS behavior. The systems have shown to be inefficient even when operating under conditions of wind speed and ambient temperature that fall within their specified operational limits, indicating their dependence on external conditions. In the majority of icing events, a delay in IPS activation was observed, particularly when these events coincided with periods of high wind speeds. Moreover, the heating of the blades is not sufficient, as multiple attempts to melt the accreted ice are often required, yet success is not always achieved. The difficulty in validating whether the blades are free of ice stems from the fact that the heat is emitted only from the blade’s leading edge. The author suggests specific immediate measures to improve the control of the IPS, including changing the threshold values for IPS triggering and adjusting the duration and frequency of ice removal cycles. These measures are confined by constraints tied to Intellectual Property Rights, limiting the extent to which elements in the IPS control settings can be modified by the wind operator. Nevertheless, if these constraints are relaxed, there exists significant untapped potential for further optimizing the control of IPS. / På den snabbt växande vindkraftsmarknaden är regioner med kallt klimat för närvarande i fokus på grund av deras rikliga vindresurser. Driften av vindkraftverk i kalla klimatförhållanden utmanas dock av allvarliga problem med isbildning. Isbildning på vindkraftverkens rotorblad leder till minskad kraftproduktion, ökade utmattningsbelastningar och ger upphov till hälso- och säkerhetsproblem. För att mildra dessa negativa effekter används nu isskyddssystem (IPS) i stor utsträckning. Dessa system är huvudsakligen beroende av kostsamma tekniker för uppvärmning av bladen, men deras effektivitet är begränsad och de kan inte effektivt förhindra eller avlägsna isbildning under alla omgivningsförhållanden. I denna studie analyseras prestandan hos fem identiska vindkraftverk, vart och ett utrustat med en IPS för elektrotermisk uppvärmning, under flera nedisningshändelser. Alla data har samlats in från en icke namngiven vindkraftspark i norra Sverige. Historiska vindturbindata studeras för att undersöka omfattningen av nedisningsinducerade förluster och IPS-aktiviteter, samt beroendet av bladnedisning och IPS-effektivitet på meteorologiska förhållanden. Baserat på resultaten från analysen kommer förslag att ges på hur kontrollinställningarna för IPS kan modifieras för att öka avisningseffektiviteten och minska isrelaterade produktionsförluster. För att bättre förstå hur IPS-utrustade vindkraftverk presterar under isförhållanden har en analysverktyg utvecklats internt. För att få kvantitativ information om IPS-effektiviteten används en uppsättning standardiserade mätvärden. En intern algoritm har utvecklats som klassificerar olika former av isförluster och olika statuskoder för vindturbiner. Dessa isförluster och turbinstatuskoder övervakas och analyseras med hjälp av analysverktyget. Statistisk analys visar att den mest betydande källan till isförluster är de stopp som orsakas av isbildning på bladen, medan förluster under avisning är relativt obetydliga. Resultaten från IPS-prestandaanalysen visar att de isinducerade förlusterna påverkas ytterligare av inkonsekvensen i IPS-beteendet. Systemen har visat sig vara ineffektiva även när de arbetar under förhållanden med vindhastighet och omgivningstemperatur som faller inom deras angivna operativa gränser, vilket visar att de är beroende av yttre förhållanden. Vid de flesta isbildningstillfällen observerades en fördröjning av IPS-aktiveringen, särskilt när dessa händelser sammanföll med perioder med höga vindhastigheter. Vidare är uppvärmningen av bladen inte tillräcklig, eftersom det ofta krävs flera försök att smälta den ackumulerade isen, men man lyckas inte alltid. Svårigheten att avgöra om bladen är fria från is beror på att värmen endast avges från bladets framkant. Studien föreslår specifika omedelbara åtgärder för att förbättra kontrollen av IPS, inklusive ändring av tröskelvärdena för IPS-aktivering och justering av varaktigheten och frekvensen för isborttagningscykler. Dessa åtgärder begränsas av immateriella rättigheter, som begränsar i vilken utsträckning operatören kan ändra IPS-kontrollinställningarna. Om dessa begränsningar lättas finns det dock en betydande outnyttjad potential för ytterligare optimering av kontrollen av IPS.

When ice is accumulated on a wind turbine's rotor blade its aerodynamics are altered, leading to reduced efficiency and sometimes altered pressure oscillations around the blade. These pressure oscillations can be detected as sound. With sound level measurements over a long time, combined with known ice conditions in the same period, the measured sound data can be used to classify the ice conditions. This master's thesis aims to investigate the possibilities of using sound level measurements at 36 frequency bands in the range 6.3–20 000 Hz along with machine learning and wind speed to detect icing on wind turbine blades. Four k-NN models have been trained and evaluated using two different data configurations that each treat two different means of normalization: one uses the raw sound level data in dBA which has been standardized using z-score. The other uses the wind power density Iwind = 0.5ρU3 instead of the reference sound intensity I0 = 10-12 W/m2 in the decibel formula L = 10log10(I/I0) to reduce the influence of wind speed on the data. The sound/wind speed hybrid data was also z-score standardized. Available data was from February 21st to March 3rd in 2023 and March 1st to April 3rd in 2024. In the summer of 2023, the leading edges of the rotor blades on the investigated wind turbine were renovated which might have altered the sound. Therefore, what is denoted as Data configuration A used 2024 data as training data while 2023 data was used solely for testing. Data configuration B on the other hand used data from March 1st to March 17th 2024 for training and data from April 1st to April 3rd 2024 for testing as the rotor blades were identical between those data sets. Wind conditions were also more similar between training and testing data for Data configuration B. The models were optimized using grid search, varying k, distance metrics and feature combinations of the 36 frequency bands, while maximizing the balanced accuracy, BA, of the model using 5-fold cross-validation. For Data configuration A, this resulted in a balanced accuracy in the testing stage at BAtesting = 0.535 using the dBA sound level data, and BAtesting = 0.601 using the data normalized with wind power density. For Data configuration B, balanced accuracy was BAtesting = 0.845 using the dBA sound level data, and BAtesting = 0.773 using the data normalized with wind power density. The main conclusion is that icing can be detected using sound level measurements, wind speed and machine learning although the models in this project generalize poorly partly due to limited data and partly due to how the models were constructed. The models perform better with wind speeds similar to the training data. / När is ackumuleras på vindturbinblad ändras aerodynamiken vilket leder till lägre verkningsgrad och ibland förändrade tryckoscillationer kring bladet. Dessa tryckoscillationer kan detekteras i form av ljud. Med hjälp av ljudmätningar över en längre tid, kombinerat med kända isförhållanden under tidsperioden, kan ljuddatan användas för att klassificera isförhållandena. Målet med detta examensarbete är att undersöka möjligheterna att använda ljudnivåmätningar vid 36 frekvensspann mellan 6,3–20 000 Hz tillsammans med maskininlärning och vindhastighet för att detektera isbildning på vindkraftverk. Fyra modeller baserade på algoritmen k-NN har tränats och utvärderats med två olika datakonfigurationer som vardera behandlar två olika metoder för normalisering: en använder obehandlad ljudnivådata i enheten dBA som har standardiserats med z-poäng. Den andra använder vindenergidensiteten Iwind = 0.5ρU3 istället för referensintensiteten I0 = 10-12 W/m2 i formeln för decibel L = 10log10(I/I0) för att begränsa vindhastighetens inverkan på datan. Ljud-/vindhybriddatan standardiserades också med z-poäng. Den tillgängliga datan var mellan 21 februari och 3 mars 2023 samt 1 mars till 3 april 2024. Sommaren 2023 renoverades bladen på det undersökta vindkraftverket vilket kan ha påverkat ljudet. Därför användes data från 2024 som träningsdata och data från 2023 som testdata i vad som benämns som Data configuration A. Data configuration B använde istället data från 1-17 mars 2024 för träning och data från 1-3 april 2024 för testning eftersom rotorbladen var identiska mellan de datamängderna. Vindförhållandena var också mer lika inom Data configuration B. Modellerna optimerades med grid search genom att variera k, avståndsmått, och vilken kombination av de 36 frekvensspannen som ingår i modellen. Balanserad träffsäkerhet, BA, är resultatet som maximerades genom 5-delad korsvalidering. För Data configuration A resulterade detta under teststadiet i BAtesting = 0,535 med omodifierad ljuddata och BAtesting = 0,601 då vindenergidensiteten användes som ljudets referensnivå. För Data configuration B var den balanserade träffsäkerheten BAtesting = 0,845 med omodifierad ljuddata och BAtesting = 0,773 då vindenergidensiteten användes som ljudets referensnivå. Den främsta slutsatsen är att isbildning kan detekteras med ljudnivåmätningar, vindhastighet och maskininlärning men modellerna som har tagits fram i detta projekt presterar relativt dåligt, delvis på grund av en begränsad datamängd och delvis på grund av hur modellerna har konstruerats. Modellerna presterade bättre för testdata med liknande vindförhållanden.