Learning-based forecasting of metocean variables : a path to maintenance operations optimization for offshore wind energy - TEL - Thèses en ligne
Thèse Année : 2024

Learning-based forecasting of metocean variables : a path to maintenance operations optimization for offshore wind energy

Méthodes d’apprentissage pour la prévision de variables météo-océaniques : une opportunité pour l’optimisation des opérations de maintenance de l’éolien en mer

Résumé

Offshore wind energy maintenance operations are highly sensitive to forecast uncertainty. Numerical weather prediction are limited by their computational cost for the uncertainty estimation and the update frequency, which is an argument for the development of data-driven methods. The importance of offshore measurements is highlighted by the results. A method for designing an optimal sensors network is proposed using unsupervised clustering. This method has been used by the French weather service to define future networks of floating LIDAR for offshore wind. Deep learning models for the joint probabilistic forecasting of metocean parameters are proposed. Their relevance for assimilating a large amount of input data is demonstrated. A Gaussian posterior and a generative approach using normalizing flows are compared. It is shown that the use of normalizing flows can relax any assumption on the shape of the forecast probability density while maintaining sampling and likelihood computation capabilities. A real case study dataset is built on a relevant area for offshore wind. The probabilistic models are adapted for joint wind and wave forecasting, for which the non-Gaussian properties of the normalizing flows is beneficial for forecast reliability. An evaluation framework dedicated to offshore operations is proposed, including the generation of probabilistic scenarios and the measure of decision-making economic impact. It is shown that the search for an economic optimum in the probabilistic decision-making leads to higher risk during operations, and this should be taken into account for forecast selection and evaluation.
Les opérations de maintenance de l’éolien en mer sont sensibles aux incertitudes des prévision météo-océaniques. Les modèles de prévision numérique sont limités par leur coût de calcul pour l’estimation des incertitudes, ce qui pousse au développement de méthodes basées sur l’apprentissage profond. L’importance des mesures in-situ en mer est mis en exergue par les résultats de cette thèse. Une méthode basée sur le clustering non supervisé de données de modèle numérique est proposée pour la définition d’un réseau de capteurs optimal pour la reconstruction de la ressource en vent. Des méthodes d’apprentissage profond sont proposées pour la prévision météo-océaniques probabiliste. Nous montrons leur intérêt pour assimiler un grand nombre de données d’entrée. Une hypothèse de postérieur Gaussien et une approche générative utilisant les flots normalisants sont comparées. Ceux-ci permettent de relâcher les hypothèses sur la distribution postérieure, maintenant une capacité d’échantillonnage et de calcul exact de la vraisemblance. Un cas d’étude réaliste est construit sur une zone représentative pour l’éolien en mer en France. Pour la prévision jointe du vent et des vagues, les propriétés non-Gaussiennes des flots normalisants se sont montrées bénéfiques à la calibration de la prévision. Un cadre d’évaluation représentatif des opérations en mer est proposé incluant la génération de scénarios et mesurant l’impact économique et le risque lié à la prise de décision. Nous montrons qu’il est crucial de prendre en compte le risque dans la sélection et l’évaluation des modèles de prévision.
Fichier principal
Vignette du fichier
2024IMTA0416_Robin_Marcille.pdf (34.98 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04866198 , version 1 (06-01-2025)

Identifiants

  • HAL Id : tel-04866198 , version 1

Citer

Robin Marcille. Learning-based forecasting of metocean variables : a path to maintenance operations optimization for offshore wind energy. Signal and Image Processing. Ecole nationale supérieure Mines-Télécom Atlantique, 2024. English. ⟨NNT : 2024IMTA0416⟩. ⟨tel-04866198⟩
0 Consultations
0 Téléchargements

Partager

More