Probabilistiske Metoder i Vindenergi

• Gennemføre statistisk analyse af målte vindhastighed tidsserier og data fra SCADA (supervisory control and data acquisition) systemer
• Anvende sandsynlighedsfordelinger og stokastiske variable ved løsningen af ingeniørmæssige problemer
• Definere, kalibrere, og på systematisk vis vurdere statistiske modeller ved hjælp af simple machine learning værktøj.
• Udføre usikkerheds-kvantificering og opformering ved almindeligt anvendte probabilistiske modeller
• Forklare konceptet af risikoanalyse og udføre simple risikobaserede beslutningsanalyser
• Uddrag nyttige indsigter fra data ved at anvende maskinindlæring og beslutningsmodelleringsværktøjer
• Anvende metoder for strukturel pålidelighedsanalyse på simple design-ligninger
• Forklare hvordan information om usikkerheder samt probabilistiske modeller kan anvendes ved design af vindmøller
• Udfør realistisk problemløsning i en selvstændig måde: at identificere og beskrive et relevant problem, finde passende metoder, udføre og demonstrere løsningens holdbarhed.

1) Introduktion til statistik og sandsynlighedsteori i vindenergi fagområdet igennem praktisk applikation af målte data.
– Stikprøve statistikker. Students t-fordeling. Central grænseværdi sætning. Konfidensintervaller. Bootstrapping metode.
– Statistiske fordelinger: egenskaber, estimering af parametre. Multivariate fordelinger.
– Fordeling af ekstremer. Statistisk ekstrapolation – eksempel med ekstrapolering af ekstreme vindhastigheder og ekstreme laster.
2) Introduktion til data modellering:
– Introduktion til machine learning. Regressionmodeller med usikkerhed. Estimering af modelparametre: mindste kvadrater og max-likelihood metoder. Bayesiansk opdatering. Øvelse med machine learning for modeller for estimering af laster. Øvelse med Bayesiansk opdatering og Bayesian Neural Networks.
– Generering af data. Design af statistiske eksperimenter samt Monte Carlo-metoden.
– Usikkerhedskvantificering og formering
– Vindmølle SCADA data eksempel – filtrering og muligheder for data-drevet analyse.
3) Strukturpålidelighed og probabilistisk design
– Grænseværdier. Koncept for strukturel pålidelighedsanalyse. Øvelser med FORM og Monte Carlo metoderne.
– Structurelt design med usikkerheder. Sikkerhedsfaktorer og kalibrering af sikkerhedsfaktorer. Øvelse med “probabilistisk design”.
– Risikoanalyse, beslutningsteori og deres brug til at evaluere præstationen af machine learning værktøj.
4) Data science – slutprojekt
– Arbejde selvstændigt på et data-science projekt. Projektets emne kan vælges imellem flere foruddefinerede valgmuligheder, eller ny specielt emne kan defineres.
– Præsentation af de studerendes endelige projekter. Peer diskussioner og forslag til forbedringer.

Kurset begynder med en introduktion til den grundlæggende teori inclusive øvelser. De studerende bliver også introduceret til kravene til det endelige projekt og får adgang til studenterprojekter fra tidligere år. I løbet af de første uger fokuserer det praktiske arbejde på en række relaterede øvelser der fremhæver processen af probabilistisk design. Resultaterne fra disse øvelser afleveres som en kort rapport, og de studerende vil modtage løbende feedback. Bagefter begynder de studerende at arbejde på deres projektopgave, individuelt eller i grupper på 2 til 3. Disse opgaver sigter mod løsninger af virkelige tekniske udfordringer ved brug af data science og andre værktøj introduceret i kurset. Emnet for opgaven kan vælges imellem flere foruddefinerede eksempler, men de studerende er også velkomme til at definere deres eget emne så længe det er relateret til kursets indhold. Derefter presenteres projektemnerne for de andre kursusdeltagere. Under resten af kurset deltager de studerende sideløbende i forelæsninger og arbejder på deres egne projekter. Ved afslutningen af kurset vil de studerende lave en præsentation af resultaterne af deres projekt, og aflevere en rapport som indholder deres opgaver.

46300, Baggrundsviden i statistik og sandsynlighedsteori anbefales, svarende til indholdet af kurserne 02402 og 02406. Det antages også, at de studerende er bekendt med grundlæggende vindenergi emner svarende til kurset 46300, og er i stand til at bruge programmeringssproget Matlab eller Python. På baggrund af disse forudsætninger, der anbefales at kurset tages i løbet af det andet år i kandidatstudierne.

Lektier, øvelser og projektarbejde.

Der anbefales, at kurset tages i det tredje semester af kandidatstudiet.