Launching
63

ML Wind Power-Prediction


Recording Slides In English

Ziel: (Challenge #8)

  • Entwicklung von Machine Learning-Algorithmen (oder Tools/Apps) für verbesserte standortspezifische Leistungsprognosen von Windenergieanlagen.
  • Entwicklung von alternativen Algorithmen z.B. Artificial Neural Networks

Idee:

Die genaue Vorhersage der Stromproduktion einer Windkraftanlage an einem bestimmten Standort ist sowohl in der Planungs- als auch in der Betriebsphase wichtig, aber die standardmäßige Methode zur Speicherung von Leistungskurven ist nicht spezifisch für die atmosphärischen Bedingungen am Standort und kann daher ungenau sein. Das Ziel dieser Herausforderung ist die Entwicklung eines Algorithmus für maschinelles Lernen, um die Genauigkeit der standortspezifischen Leistungskurvenvorhersage zu verbessern. Dazu wird Ihnen ein Datensatz von 8'000 simulierten Leistungen der NREL 5MW-Referenzwindturbine aus dem Simulationswerkzeug ASHES bei verschiedenen atmosphärischen Bedingungen zur Verfügung gestellt. Dieser neue Algorithmus könnte in einem zukünftigen Innovationsprojekt zu einem Werkzeug für Windparkbetreiber entwickelt werden.

Daten:

  • Ein Datensatz von 8'000 simulierten Leistungen der NREL 5MW-Referenzwindturbine aus dem Simulationswerkzeug ASHES bei verschiedenen atmosphärischen Bedingungen wird zur Verfügung gestellt.

Machine Learning Wind Turbine Power Curve Prediction

Goal:

  • Development of machine learning algorithms (or tools/aps) for improved site-specific performance prediction of wind turbines.
  • Development of alternative algorithms e.g. Artificial Neural Networks

Idea:

The accurate prediction of the power production of a wind turbine at a particular site is important in both the planning and operation phases, but the standard power curve binning method is not specific to the atmospheric conditions at the site and can therefore be inaccurate. The goal of this challenge is to develop a machine learning algorithm in order to improve site-specific power curve prediction accuracy.

This new algorithm could be developed into a tool for wind farm operators in a future innovation project.

Data

For this challenge, you will be provided with a dataset of 8'000 simulated powers of the NREL 5MW reference wind turbine from the simulation tool ASHES at a range of different atmospheric conditions.

Download data here: https://github.com/sarah-barber/powercurve/tree/master


29.08.2020 10:54 Project updated

Launched at Energy Hackdays 2020 by

nikki_böhler andrejsio xuewang johannesjosi

Maintainer nikki_böhler

Updated 31.08.2020 10:48

  • johannesjosi / update / 29.08.2020 10:56
  • johannesjosi / update / 29.08.2020 10:55
  • johannesjosi / star / 28.08.2020 10:35
  • xuewang / star / 25.08.2020 09:46
  • nikki_böhler / update / 21.08.2020 15:27
All attendees, sponsors, partners, volunteers and staff at our hackathon are required to agree with the Hack Code of Conduct. Organisers will enforce this code throughout the event. We expect cooperation from all participants to ensure a safe environment for everybody. For more details on how the event is run, see the Guidelines on our wiki.

Creative Commons LicenceThe contents of this website, unless otherwise stated, are licensed under a Creative Commons Attribution 4.0 International License.