Machine Learning Approaches in Wind Energy Using High-Performance Computing

Abstract

This thesis explores sequential Deep Learning (DL) models to forecast wind speed at the Burfell wind farm, aiming to enhance predictions of wind power production from the turbines. Forecasting wind velocity is particularly challenging due to its nonlinear behavior. Accurate power production prediction is crucial in wind energy, as it informs the planning of the transmission and distribution systems needed to meet power grid demand. The power grid typically relies on various resources to meet peak demand, including hydropower, geothermal, solar, and wind energy. A model that can predict wind speed and wind power in both the short and long term enables the grid to respond effectively to demand and manage resources efficiently. In recent years, the vision of a smart power grid has been a priority, aiming to make power supply more efficient and sustainable. Accurate predictions of energy resources, particularly wind energy, are vital to this vision. This master’s thesis developed a DL model using Long Short-Term Memory (LSTM) and Transformer architectures to predict wind speed. The models were trained using wind velocity data from the Icelandic Meteorological Office (IMO). Furthermore, this study introduces an approach that leverages cutting-edge High-Performance Computing (HPC) applications to predict wind velocity based on seasonal data. The models were trained on two different ratios of the dataset: 60\% training data with 40\% for testing, and 80\% training data with 20\% for testing. The measured metrics for the LSTM model show R² in the range of 0.857-0.976, and the Mean Absolute Error (MAE) is between 0.240 and 0.748. Also, for the Transformer model, the measured metrics represent R² in the range of 0.985 to 0.999, and the MAE is between 0.022 and 0.305. This study's results demonstrate a remarkable accuracy level in wind velocity forecasts.

Þessi ritgerð fjallar um runubundnar djúpnámsaðferðir (DL) til að spá fyrir um vindhraða í Búrfells vindorkugarðinum, með það að markmiði að bæta spár um vindorkuframleiðslu frá vindmyllum. Spá fyrir vindhraða er sérstaklega krefjandi vegna ólínulegrar hegðunar hans. Nákvæm spá um orkuframleiðslu er lykilatriði í vindorku, þar sem hún hefur áhrif á áætlanagerð fyrir flutnings- og dreifikerfi sem nauðsynleg eru til að mæta eftirspurn raforkukerfisins. Raforkukerfið treystir venjulega á blöndu af auðlindum, þar á meðal vatnsorku, jarðvarma, sólorku, og vindorku, til að mæta hámarksorkuþörf. Líkön sem geta spáð fyrir um vindhraða og vindorku bæði til skamms og langs tíma gera raforkukerfinu kleift að bregðast við eftirspurn á áhrifaríkan hátt og nýta auðlindir á hagkvæman hátt. Á síðustu árum hefur sýnin um snjallt raforkukerfi verið forgangsverkefni hjá Evrópusambandinu, með það að markmiði að gera raforkuframboð skilvirkara og sjálfbærara. Nákvæmar spár um orkuauðlindir, sérstaklega vindorku, eru nauðsynlegar fyrir þessa sýn. Þessi meistararitgerð þróaði DL-líkan sem notar minnugt endurkvæmnis tauganet (LSTM) og breyti (Transformer) arkitektúr til að spá fyrir um vindhraða. Líkönin voru þjálfuð með vindhraðagögnum sem Veðurstofa Íslands (IMO) útvegaði. Að auki kynnir þessi rannsókn nálgun sem nýtir háþróaða tækni fyrir háafkasta tölvuvinnslu (HPC) til að spá fyrir um vindhraða næstu ára á grundvelli árstíðabundinna gagna. Líkönin voru þjálfuð á tveimur mismunandi hlutföllum af gagnasettinu: 60\% þjálfunargögn með 40\% fyrir prófanir og 80\% þjálfunargögn með 20\% fyrir prófanir. Mældu mælikvarðarnir fyrir LSTM líkanið sýna R² á bilinu 0,857-0,976, og meðaltölugildi skekkju (MAE) á milli 0,240 og 0,748. Einnig, fyrir Transformer líkanið, eru mældu mælikvarðarnir R² á bilinu 0,985 til 0,999, og MAE á milli 0,022 og 0,305. Niðurstöður þessarar rannsóknar sýna fram á stórkostlega nákvæmni í vindhraðaspám miðað við raunveruleg gögn.