Koneoppivan mallin rakentaminen tuulivoimaloiden jäätämisen ennustamiseen

Abstract

Opinnäytetyön tavoitteena oli rakentaa koneoppiva malli tuulivoimaloiden jäätämisen ennustamiseen sekä käsitellä koneoppivan mallin rakennusprosessia. Jäätäminen tarkoittaa jään kertymistä esineen pinnoille ja se aiheuttaa tuulivoimaloille erilaisia haasteita. Työn toimeksiantaja pysyy anonyymina, jotta asiakkuudet ja niihin liittyvä data pysyvät myös paremmin anonyymina. Opinnäytetyö on luonteeltaan toiminnallinen.

Opinnäytetyön teoriaosiossa perehdytään aluksi Suomen tuulivoimaan yleisesti sekä jäätämiseen ja sen vaikutuksiin tuulivoimaloissa. Työssä esitellään myös aiempia tutkimuksia jäätämisen ennustamiseen liittyen. Teoriaosan pääpaino on kuitenkin koneoppimissa ja mallin rakentamisen eri vaiheissa. Koneoppimiseen liittyen aiheina käsitellään neuroverkkoja, tukivektorikonetta, logistista regressiota sekä ARIMAa. Teoriaosuus on koottu mahdollisimman tuoreista kirjallisuuslähteistä ja luotettavilta verkkosivustoilta.

Työn toiminnallisessa osiossa analysoitiin ensimmäiseksi tuulipuistoista saatua aineistoa Jupyter Notebookissa. Tutkittavia tuulipuistoja oli kuusi ja näistä jokaisesta tehtiin oma tiedosto. Aineistoa esikäsiteltiin ja luotiin tarvittavia lisämuuttujia. Aineistoon tuotiin lisäksi säähavaintoja Ilmatieteen laitoksen havaintoasemilta, jotka sijaitsivat lähimpänä kutakin tuulipuistoa. Malleja rakennettiin ja testiin käyttäen neuroverkkoja, tukivektorikonetta, logistinen regressio ja ARIMA.

Tuloksien perusteella ARIMA vaikutti olevan malleista toimivin lyhyen aikavälin ennustamiseen, ja neuroverkot taas soveltuivat parhaiten sääennusteen pohjalta pitkän aikavälin ennustamiseen. Yhtä kaikille testiaineiston kohteille sopivaa sisärakennetta ei löytynyt ja tuloksien pohjalta jokaiselle puistolle tulee optimoida oma sisäinen rakenne ARIMAan ja neuroverkkohiin. Työn lopussa on suunniteltu ohjelmiston rakenne ennustamiseen.

Johtopäätöksenä voidaan havaita, että jäätämisen ennustaminen on haastavaa varsinkin pitkälle tulevaisuuteen, lyhyen aikavälin ennusteet saadaan toimimaan luotettavammin.