For energy companies involved in the construction and operation of offshore wind power plants, such as Vattenfall, the knowledge of maximum wind speed is critical for logistics, safety and economic reasons. This thesis investigates the possibility to forecast maximum wind speeds at offshore sites, studies the accuracy of these forecasts, and details the employed methodology, so that it can be adapted to other cases in the future. In order to produce maximum wind speed forecasts, different statistical models were selected, some of them appropriate for short-term predictions (from 1h to 6h ahead), the others aiming at longer-term predictions (days ahead, up to 72h). The methodology consisted in selecting the right parameters for each model, depending on wind measurements and weather forecasts at the tested sites. Then forecasts were issued using the models’ equations, forecasted maximum wind speeds were compared with the real values, and the model delivering the best forecasts selected. The study demonstrated that, if appropriate statistical models were chosen – such as Vector Auto-Regression for short-term, and Generalized Additive Model for long-term – the average errors of precision for maximum wind speeds prediction were lower than 2 m/s, making the forecasts accurate enough to be used. Some work on the models still has to be done before they can be fully integrated into Vattenfall’s in-house weather forecasting system, but the first results are promising. / Energiföretag som Vattenfall, som deltar i byggandet och driften av vindkraftverk, behöver löpande ha korrekt kunskap om vindhastighetsvärden, som är avgörande för logistiken, säkerheten och ekonomin. Detta examensarbete undersöker möjligheten att förutsäga maximala vindhastigheter på offshore platser, studerar riktigheten i dessa prognoser, och specificerar tillgängliga och beprövade metoder för väderprognoser så att de kan anpassas till Vattenfalls behov. För att komma fram med prognoser om maximalt vindhastighet, olika statistiska modeller har valts. Några av dem är lämpliga för kortsiktiga prognoser (från 1 timme och upp till 6 timmar i förväg), andra syftar till att leverera förutsägelser på längre sikt (dagar framåt, upp till 72h). Metodiken bestod i att välja rätt parametrar för varje modell, beroende på vindmätningar och väderprognoser på de testade platserna. Prognoserna utfärdades med hjälp av modellernas ekvationer och de prognostiserade maximala vindhastigheterna jämfördes med de uppmätta värden i verkligheten, därmed kunde den mest lämpade modellen identifieras. Studien visar att i förekommande fall då statistiska modeller valdes - såsom Vector Auto-Regression för kortsiktiga, och respektive Generaliserad Additiv Modell för långsiktiga prognoser - det genomsnittliga precisionsfelet för förutsägelsen av maximal vindhastighet var lägre än 2 m/s, således var prognoserna tillräckligt noggranna för att appliceras i riktiga tillämpningar. En del arbete på modellernas inlärning återstår att göras innan de kan integreras fullt ut i Vattenfalls interna väderprognossystemet, men de första resultaten härmed är mycket lovande.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-191790 |
| Date | January 2016 |
| Creators | Letellier, Baptiste |
| Publisher | KTH, Kraft- och värmeteknologi |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0013 seconds