Utilize este identificador para referenciar este registo: http://hdl.handle.net/10451/28479
Título: Stochastic methods for the characterization and simulation of wind energy production
Autor: Scholz, Teresa, 1986-
Orientador: Lopes, Vitor
Lind, Pedro Gonçalves, 1976-
Gama, Margarida Telo da, 1956-
Palavras-chave: Teses de doutoramento - 2016
Data de Defesa: 2016
Resumo: The aim of this PhD thesis is to apply tools from stochastic modeling to wind power, speed and direction data, in order to reproduce their empirically observed statistical features. In particular, the wind energy conversion process is modeled as a Langevin process, which allows to describe its dynamics with only two coefficients, namely the drift and the diffusion coefficients. Both coefficients can be directly derived from collected time-series and this so-called Langevin method has proved to be successful in several cases. However, the application to empirical data subjected to measurement noise sources in general and the case of wind turbines in particular poses several challenges and this thesis proposes methods to tackle them. To apply the Langevin method it is necessary to have data that is both stationary and Markovian, which is typically not the case. Moreover, the available time-series are often short and have missing data points, which affects the estimation of the coefficients. This thesis proposes a new methodology to overcome these issues by modeling the original data with a Markov chain prior to the Langevin analysis. The latter is then performed on data synthesized from the Markov chain model of wind data. Moreover, it is shown that the Langevin method can be applied to low sample rate wind data, namely 10-minute average data. The method is then extended in two different directions. First, to tackle non-stationary data sets. Wind data often exhibits daily patterns due to the solar cycle and this thesis proposes a method to consider these daily patterns in the analysis of the timeseries. For that, a cyclic Markov model is developed for the data synthesis step and subsequently, for each time of the day, a separate Langevin analysis of the wind energy conversion system is performed. Second, to resolve the dynamical stochastic process in the case it is spoiled by measurement noise. When working with measurement data a challenge can be posed by the quality of the data in itself. Often measurement devices add noise to the time-series that is different from the intrinsic noise of the underlying stochastic process and can even be time-correlated. This spoiled data, analyzed with the Langevin method leads to distorted drift and diffusion coefficients. This thesis proposes a direct, parameter-free way to extract the Langevin coefficients as well as the parameters of the measurement noise from spoiled data. Put in a more general context, the method allows to disentangle two superposed independent stochastic processes. Finally, since a characteristic of wind energy that motivates this stochastic modeling framework is the fluctuating nature of wind itself, several issues raise when it comes to reserve commitment or bidding on the liberalized energy market. This thesis proposes a measure to quantify the risk-returnratio that is associated to wind power production conditioned to a wind park state. The proposed state of the wind park takes into account data from all wind turbines constituting the park and also their correlations at different time lags.
Esta tese visa a aplicação do método de Langevin a dados da potência eólica, da velocidade e da direção do vento. Modelar o processo de conversão da energia eólica como um processo de Langevin permite descrever a sua dinâmica, utilizando unicamente dois coeficientes, nomeadamente os coeficientes de arraste e de difusão, que representam o comportamento determinístico e estocástico do sistema, respetivamente. Ambos os coeficientes podem ser derivados diretamente das séries temporais medidas. No entanto, a aplicação a dados medidos, em geral, e a dados medidos em turbinas eólicas, em particular, coloca vários desafios. Esta tese propõem m´métodos para os resolver. Para analisar dados com o método de Langevin é necessário que sejam estacionários e Markovianos, o que a priori não é dado. Além disso, as séries temporais disponíveis são tipicamente muito curtas e com frequentes intervalos sem dados disponíveis. Ambos estes problemas influenciam o processo de estimativa. Esta tese propõe uma nova metodologia para ultrapassar estes obstáculos, utilizando a modelação dos dados originais com uma cadeia de Markov previamente `a análise de Langevin. Esta ultima é realizada com dados sintetizados a partir da cadeia de Markov. Estes dados sintéticos não têm falhas de pontos de dados, são de extensão arbitrária e, por construção, Markovianos e estacionários. Ao trabalhar com dados medidos, outro desafio ´e colocado pela própria qualidade dos dados. Frequentemente, os dispositivos de medida adicionam um ruído `as séries temporais que ´e de natureza diferente do ruído intrínseco do processo subjacente estocástico. Analisar estes dados contaminados com o Método de Langevin pode ser difícil, dado que o ruído que está presente nos dados também distorce os coeficientes de arraste e difusão extraídos destes. Esta tese propõe uma forma directa, não paramétrica, de estimar os coeficientes de Langevin, assim como os parâmetros do ruido de medida. Uma situação frequente quando se lida com medições de dados de vento ´e a sua baixa taxa de amostragem. Esta tese aplica o método de Langevin aos dados médios de períodos de 10 minutos, que são os dados tipicamente disponíveis, e mostra que mesmo com esta baixa taxa de amostragem, ´e possível extrair as características da dinâmica do processo de conversão de energia eólica. Dados de vento exibem muitas vezes padrões diários devido ao ciclo solar e esta tese propõe um método para considerar estes padrões diários na análise das séries temporais. Para isso, desenvolve-se um modelo cíclico de Markov para a sintetizacão dos dados e subsequentemente, para cada período de 10 minutos do dia, ´e feita uma análise de Langevin do sistema de conversão de energia eólica. Outra característica da energia eólica ´e a natureza intermitente da sua fonte (daí a modelação através de processos estocásticos), que levanta várias questões no ˆâmbito das reservas contratuadas no mercado liberalizado da energia. Esta tese propõe uma medida para quantificar o quociente de risco-retorno que está associado `a produção¸ ˜ao de energia eólica, condicionado ao estado do parque eólico. O estado do parque eólico definido toma em conta dados vindos de todas as turbinas eólicas do parque e também as suas correlações temporais.
Descrição: Tese de doutoramento, Física, Universidade de Lisboa, Faculdade de Ciências, 2016
URI: http://hdl.handle.net/10451/28479
Designação: Doutoramento em Física
Aparece nas colecções:FC - Teses de Doutoramento

Ficheiros deste registo:
Ficheiro Descrição TamanhoFormato 
ulsd730665_td_Teresa_Shcolz.pdf18,46 MBAdobe PDFVer/Abrir


FacebookTwitterDeliciousLinkedInDiggGoogle BookmarksMySpace
Formato BibTex MendeleyEndnote Degois 

Todos os registos no repositório estão protegidos por leis de copyright, com todos os direitos reservados.