07.03.2024, 12:30 Uhr

Universität Wien
Besprechungsraum 4.34
Währinger Str. 29
1090 Wien

Titel: „Clustering of Wind Related Time Series in a Wind Turbine
Farm“

Kurzfassung:
In dieser Arbeit wird ein neuartiger Clustering-Ansatz für windbezogene Zeitreihendaten
von Windkraftanlagen vorgestellt, der den Vorteil des Interactive K-Mean (IKM)-
Algorithmus nutzt. Ziel ist es, das Verhalten von Windmustern an Turbinen zu verstehen,
insbesondere bei extremen Ereignissen. Unter Verwendung des ERA5-Datensatzes von
zwei Jahrzehnten (2000-2020) aus dem Windpark Andau in Österreich wurden 15 meteorologische
Variablen an 38 Turbinen analysiert. Die Dissertation schlägt eine neuartige
Anwendung des IKM-Algorithmus auf multivariate Zeitreihen vor und demonstriert
dessen Effektivität bei der Aufdeckung intrinsischer Muster der Turbineninteraktion.
Durch umfassende Experimente bewertet die Arbeit die Qualität der Clusterbildung
und die Bedingungen, die zu extremen Windphänomenen führen. Die Ergebnisse zeigen,
dass die Höhe, die Windgeschwindigkeit und die Windrichtung in verschiedenen Höhenlagen
für die Clusterbildung ausschlaggebend sind, wobei zu verschiedenen Jahreszeiten
und bei unterschiedlichen Windgeschwindigkeiten Unterschiede beobachtet werden. Die
Studie unterstreicht die Bedeutung der Datenvorverarbeitung und -veredelung, um eine
höhere Clusterreinheit und aufschlussreichere Korrelationen zu erreichen. Sie liefert
auch eine vergleichende Analyse der Cluster-Ergebnisse, die den saisonalen Einfluss und
die Vorhersagekraft der ausgewählten meteorologischen Variablen im Cluster-Prozess
hervorhebt.
Um die Qualität und Effektivität unseres Modells und seines Trainingsprozesses zu
bewerten, haben wir eine umfassende Reihe von Metriken implementiert, wie z. B.
Clusterreinheit, Rand Index und Informationskriterium. Diese Metriken haben es uns
ermöglicht, eine umfassende Analyse und Bewertung des aktuellen Stands unserer Experimente
durchzuführen und wertvolle Informationen über ihre Leistung und Ergebnisse zu
liefern. In diesem Dokument werden die erzielten Ergebnisse gezeigt, wobei der Reinheitswert
bei etwa 80% lag, da zuvor eine Aufteilung in drei Szenarien zur Durchführung des
Clustering vorgenommen wurde.
Zusammenfassend lässt sich sagen, dass die Arbeit das Verständnis für das Clustering
von Windzeitreihen für die drei Szenarien (Hoch, Niedrig und Mäßig) verbessert. Sie
unterstreicht das Potenzial fortschrittlicher Clustering-Techniken (IKM) im Bereich der
erneuerbaren Energien und ebnet den Weg für künftige Forschungen zur Erweiterung
dieser Methoden zur Verbesserung des Windparkmanagements. In dieser Hinsicht können
wir sehen, wie der IKM-Algorithmus uns erlaubt, die Beziehung zwischen den Koeffizienten
der Variablen für jedes der Szenarien bei extremen Ereignissen zu kennen. Variablen
wie die konvektiv verfügbare potenzielle Energie, die Höhe der Grenzschicht und die Windrichtung in 100 m Höhe für den Sommerdatensatz und die konvektiv verfügbare potenzielle Energie, das Geopotenzial, die Höhe der Grenzschicht und die Windrichtung
in 100 m Höhe für den Winterdatensatz unterscheiden sich am stärksten von den anderen
Clustern. Darüber hinaus ist zu beobachten, dass eine Erhöhung der Anzahl der Variablen
für hochextreme Ereignisse zu besseren Ergebnissen führt, was wiederum von der Größe
der Klassen abhängt, und dass die Daten für verschiedene Metriken und Variablen von
der Jahreszeit abhängen.