Abstract
Denne masteroppgaven undersøker korttidsprognostisering av kraftproduksjon fra havvindparker ved bruk av dyplæring, med særlig fokus på transformerbaserte modeller og modellen TimeGPT. Studien benytter måledata fra Anholt og Westermost Rough vindparker, levert av Ørsted A/S. Datasettene inkluderer SCADA-data, lidar-målinger og bølgebøyeobservasjoner. Målet med oppgaven er å vurdere ytelsen til TimeGPT sammenlignet med andre toppmoderne dyplæringsmodeller, og å undersøke hvordan ulike eksterne variabler, særlig fra lidar-systemet, påvirker prognosenøyaktigheten.
Resultatene viser at TimeGPT gir konkurransedyktige resultater, kun slått av Temporal Fusion Transformer i nøyaktighet. Det ble gjennomført en grundig dataanalyse som avdekket sesongmessige forskjeller i vindforhold og produksjon, hvor vinterperioden viste høyere vindhastigheter og lavere turbulens. Dette forklarer delvis den høyere kraftproduksjonen observert om vinteren. Lidar-data viste seg spesielt nyttig som input i modellene, der visse høydeavhengige vindskjærvariabler forbedret presisjonen for kortere horisonter. I tillegg viste en kubert transformasjon av lidar-vindhastigheten ved navhøyde bedre samsvar med kraftkurven enn tilsvarende SCADA-målinger.
Bølgebøyedata fra Westermost Rough ble analysert, og det ble observert en svak korrelasjon mellom disse og kraftproduksjonen. Begrensninger i datasettet, som manglende verdier og begrenset tidsomfang, påvirket modelltreningen. Fremtidig arbeid bør fokusere på flerårige datasett og sesongspesifikke modeller, samt videre integrasjon av romlige forhold som vindturbinplassering og vindretning.