Open IMPACTDevelopment of an open-source library for applying novel Machine Learning algorithms for optimising wind farm performance in complex terrain based on SCADA data

• Forschungsstelle: BFE
• Projektnummer: SI/502329

Kurzbeschreibung (Deutsch)

In dieser Arbeit werden wir eine Open-Source-Library für die Anwendung innovativer Machine Learning Algorithmen zur Optimierung der Performance von Windparks in komplexem Gelände auf der Grundlage von SCADA-Daten entwickeln. Wir konzentrieren uns auf komplexes Terrain, um die Bedürfnisse des Schweizer Marktes sowie der Schweizer Produkt- und Serviceanbieter zu bedienen. Dazu fokussieren wir uns auf drei reale Anwendungsfälle und nutzen die Ergebnisse, um verallgemeinerte Methoden für die Open-Source- Library zu entwickeln.

Kurzbeschreibung (Englisch)

In this work we will develop an open-source library for applying novel machine learning solutions foroptimising wind farm performance in complex terrain based on SCADA data. We focus on complexterrain in order to serve the needs of the Swiss market as well as Swiss product and service providers.This will be done by focusing on three real use cases and using the results to develop generalisedmethods for the open-source library.

Kurzbeschreibung (Französisch)

Dans ce travail, nous développerons une bibliothèque open source pour l'application d'algorithmes innovants de machine learning afin d'optimiser la performance des parcs éoliens en terrain complexe sur la base de données SCADA. Nous nous concentrons sur les terrains complexes afin de répondre aux besoins du marché suisse et des fournisseurs de produits et de services suisses. Pour ce faire, nous nous focalisons sur trois cas d'application réels et utilisons les résultats pour développer des méthodes généralisées pour la bibliothèque open-source.

Schlussbericht (Deutsch)

Das Ziel dieser Arbeit war die Erstellung einer Open-Source-Bibliothek, openimpact, zur Modellierung von Windparks in komplexem Gelände unter Verwendung von Supervisory control and data acquisition (SCADA)-Daten. Drei Anwendungsfälle wurden untersucht: der Einfluss von Nachlaufinteraktionen und die Wirksamkeit von Turbinen-Upgrades (bereitgestellt von WinJi AG und Elektrizitätswerke des Kantons Zürich (EKZ)) sowie ein dritter Fall, basierend auf einem Open-Source-Datensatz, um die Fähigkeiten der Bibliothek zu demonstrieren. Es wurde eine Datenpipeline für das Einlesen von Daten in ein Data Warehouse und deren Umwandlung in ein Standardformat nach IEC 61400-25 Konventionen erstellt. Dieser Prozess ist in openimpact für dokumentiert. Für den ersten Anwendungsfall wurden ein Graphenmodell und ein Graph Neural Network (GNN) entwickelt, um Nachlaufinteraktionseffekte vorherzusagen. Das Graphenmodell verknüpfte die Leistungsdaten der Turbinen mit denen der benachbarten Turbinen, war aber auf ein Feature (Leistungsdaten) beschränkt. Deshalb wurde ein GNN entwickelt, welches weitere Features wie Windgeschwindigkeiten, Gierfehler und räumliche Grössen integriert. Anhand der GraphGym Bibliothek wurde das GNN Design entworfen und die Hyperparameter wurden mittels Bayes’sche Optimierung ermittelt. Das Modell konnte erfolgreich Nachlaufinteraktionen erfassen und Leistungskurven vorhersagen, unterschätzte jedoch die Gesamtenergieproduktion um 4%. Der zweite Anwendungsfall befasste sich mit der Analyse eines Windparks mit nachgerüsteten Turbinen. Dabei wurde ein Problem mit unzuverlässigen Windgeschwindigkeitsmessungen nach dem Upgrade festgestellt. Deshalb wurde ein GNN-Modell erstellt, um Windgeschwindigkeiten für diese Turbinen zu schätzen, unter Verwendung von Daten benachbarter Turbinen. Die Genauigkeit des Modells wurde durch den Vergleich der Leistungskoeffizienten vor und nach dem Upgrade demonstriert, wobei eine deutliche Verbesserung festgestellt wurde. Weitere Validierungen sind jedoch in Zusammenarbeit mit dem Projektpartner erforderlich. Darüber hinaus wurde der positive Einfluss der Upgrades auf die Turbinenleistung bestätigt. Anhand der Daten, welche die fehlerhaften Windgeschwindigkeitsmessungen beinhalten, wurde eine Verbesserung der Turbinenleistung von über 13% festgestellt. Nach der Ersetzung der fehlerhaften Windgeschwindigkeiten mit denen des vom GNN geschätzten Windgeschwindigkeiten, zeigte sich eine realistischere Verbesserung in Übereinstimmung mit Literaturwerten von etwa 4%. Der dritte Anwendungsfall diente zur Demonstration der openimpact-Bibliothek. In der Bibliothek, veröffentlich auf Github, sind eine Datenverarbeitungspipeline, Skripte für die Hyperparametereinstellung, GNN-Training sowie eine API basierend auf FastAPI für den Modell-Einsatz enthalten. Insgesamt zeigten die entwickelten Modelle Potenzial zur Verbesserung in der Windparkmodellierung. Jedoch wurden auch einige Einschränkungen festgestellt, wie die Unterschätzung der Energieproduktion.

Schlussbericht (Englisch)

This work focused on creating an open-source library, openimpact, for modelling wind farm performance in complex terrain using Supervisory control and data acquisition (SCADA) data. Three use cases were explored to investigate the wake interaction effect, and theturbine upgrade efficacy (provided by WinJi AG and Elektrizitätswerke des Kantons Zürich (EKZ)), and a third use case was based on an open-source dataset to demonstrate the library's capabilities. A data pipeline was established for ingesting data into a data warehouse and transforming it into a standard format according to IEC 61400-25 conventions. This process is documented in openimpact. For the first use case, a graph model, and a Graph Neural Network (GNN) were developed to predict wake interaction effects. The graph model linked turbine power outputs with neighboring turbines but was limited to one feature (power output). The GNN, enhanced to include features such as wind speeds, yaw errors, and spatial values. The GNN design was determined based on a controlled random search with GraphGym and further hyperparameters were tuned using Bayesian optimisation. It successfully captured wake interactions and predicted power curves, though it underestimated total energy production by 4%. Further work on GNN design and hyperparamter optimization is needed. The second use case involved analysing a wind farm with retrofitted turbines. It highlighted an issue with unreliable wind speed measurements post-upgrade. A GNN model was created to impute wind speeds for these turbines, using data from neighboring ones. The model's accuracy was demonstrated by comparing power coefficients before and after the upgrades, revealing a notable improvement. However, further validation is needed with the project partner. Moreover, the upgrades' positive impact on turbine performance was confirmed. Initial data, potentially affected by faulty wind speed measurements, suggested an over 13% improvement. However, when adjusted with the GNN imputed wind speeds, the improvement aligned more realistically with literature values, showing an increase of approximately 4%. The third use case utilised the openimpact library for a standalone deployment approach. It includes a data processing pipeline, scripts for hyperparameter tuning, GNN training, and an API based on FastAPI for model deployment. Overall, the library and the developed models showed promise in enhancing wind farm modelling, though some limitations were identified, such as the underestimation of energy production.

Zugehörige Dokumente

• Final report_english [PDF] 3'491 kB

Schlussbericht (Französisch)

L'objectif de ce travail était de créer une bibliothèque open-source, openimpact, pour modéliser des parcs éoliens en terrain complexe en utilisant des données de contrôle et d'acquisition de données de supervision (SCADA). Trois cas d'application ont été étudiés : l'influence des interactions de suivi et l'efficacité des mises à niveau des turbines (fournies par WinJi AG et Elektrizitätswerke des Kantons Zürich (EKZ)), ainsi qu'un troisième cas basé sur un ensemble de données open source afin de démontrer les capacités de la bibliothèque. Un pipeline de données a été créé pour l'importation de données dans un entrepôt de données et leur conversion dans un format standard selon les conventions CEI 61400-25. Ce processus est documenté dans openimpact pour. Pour le premier cas d'utilisation, un modèle de graphe et un réseau de neurones de graphe (GNN) ont été développés pour prédire les effets d'interaction de suivi. Le modèle de graphe reliait les données de performance des turbines à celles des turbines voisines, mais il était limité à une caractéristique (données de performance). Un GNN a donc été développé pour intégrer d'autres caractéristiques telles que les vitesses de vent, les erreurs de lacet et les grandeurs spatiales. La conception du GNN a été réalisée à l'aide de la bibliothèque GraphGym et les hyperparamètres ont été déterminés par optimisation bayésienne. Le modèle a réussi à détecter les interactions de sillage et à prédire les courbes de puissance, mais a sous-estimé la production totale d'énergie de 4%. Le deuxième cas d'application concernait l'analyse d'un parc éolien avec des turbines mises à niveau. Un problème de mesures peu fiables de la vitesse du vent après la mise à niveau a été identifié. Un modèle GNN a donc été créé pour estimer les vitesses du vent pour ces turbines, en utilisant les données des turbines voisines. La précision du modèle a été démontrée en comparant les coefficients de puissance avant et après la mise à niveau, et une amélioration significative a été constatée. Des validations supplémentaires sont toutefois nécessaires en collaboration avec le partenaire du projet. En outre, l'influence positive des mises à niveau sur les performances des turbines a été confirmée. Une amélioration de plus de 13% de la performance de la turbine a été constatée sur la base des données comprenant les mesures de vitesse du vent erronées. Après avoir remplacé les vitesses de vent erronées par les vitesses de vent estimées par le GNN, une amélioration plus réaliste, conforme aux valeurs de la littérature, a été constatée, soit environ 4%. Le troisième cas d'utilisation a servi à démontrer la bibliothèque openimpact. Cette bibliothèque, publiée sur Github, comprend un pipeline de traitement des données, des scripts pour la configuration des hyperparamètres, la formation GNN et une API basée sur FastAPI pour l'utilisation des modèles. Dans l'ensemble, les modèles développés ont montré un potentiel d'amélioration dans la modélisation des parcs éoliens. Cependant, certaines limites ont été identifiées, comme la sous-estimation de la production d'énergie.