Prediction of operational improvements in wind power plants

Abstract

Rüzgar türbinlerinin performans iyilestirmesi için uygulanabilen operasyonel optimizasyonlarçok pahalı olabilir; ancak, sagladıkları iyilestirme düzeyini degerlendirmekçok karmasıktır. Iyilestirme seviyeleri hakkında güvenilir tahminleryapılamaması nedeniyle, tesis sahipleri genellikle yükseltmelere yatırım yapmakonusunda isteksizdir. OEM (Orijinal Ürün Üreticisi) güç egrilerinin gerçek performansıyansıtmaması gibi, iyilestirmeler için öngörülen yüzdeler de yalnızca referansolarak kullanılabilir. Güç üretimini etkileyen, karmasık iliskilere sahip degiskenlerve çevresel faktörlerin yüksek düzeydeki belirsizligi nedeniyle, degerlendirmeler iyilestirmeöncesi ve sonrası sahip olunan performans kosullarının basit bir karsılastırmasıile yapılamaz. Bu arastırmada, rüzgar türbinlerinin çalısma kosullarına aitiyilestirmelerin etkisini ele almak adına rüzgar çiftliginin sagladıgı veriler temelindebir makine ögrenimi yaklasımını uygulamayı hedefliyoruz. Bu yaklasım, kontroltürbinleri olarak adlandırılan bir grup türbin üzerinden çiftligin güç çıkısını modellemeyibenimsemektedir. Kontrol grubu, bu süreçte iyilestirme öncesini niteleyenkosullara temel olusturması açısından herhangi bir iyilestirmeye tabi tutulmayacaktır.Bu temel, iyilestirmeler uygulandıktan sonra degisen kosullar ile tutarlı vegüvenilir bir degerlendirme yapmak için kullanılır.

The operational optimizations, referring to the upgrades on wind turbines, can bevery expensive; on the other hand, it is very complicated to assess the level ofimprovement they provide. Because of the inability to make reliable estimates onimprovement levels, the plant owners are often reluctant to invest in upgrades. Likethe OEM power curves, the improvement percentages for the upgrades, representmerely a reference and might differ for better or worse in the actual environmentalconditions of the plant. The evaluations can not be done with a simple comparisonof the pre-upgrade and post-upgrade performance, due to the complexity of thevariables affecting power production and high levels of uncertainty of the environmentalvariables. In this research, we aim to study a machine learning approachimplemented on wind farm level to evaluate the impact of operational improvements.Our approach consists of modeling the power output of the farm using agroup of turbines referred to as the control turbines. The control group will notbe upgraded to form the baseline for the pre-upgrade conditions. This baseline islater used to make a reliable comparison with the conditions after improvements areimplemented.