Detailansicht
The influence of meteorological parameters on wind speed extreme events in wind turbine and era5 data
causal inference by heterogeneous Granger causality and its statistical validation
Marin Seršić
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Informatik
Betreuer*in
Claudia Plant
Mitbetreuer*in
Katerina Schindlerova
DOI
10.25365/thesis.76255
URN
urn:nbn:at:at-ubw:1-25885.72465.457725-6
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
In dieser Arbeit werden die kausalen Auswirkungen von meteorologischen Parametern auf die auftretenden Extremwerte der Windgeschwindigkeit in zwei Datensätzen untersucht: ERA5-Daten aus dem Windpark Andau in Österreich während ausgewählter europäischer Windstürme und Daten, die aus den Windkraftanlagen des Windparks Andau im Zeitraum 2000.-2020. gewonnen wurden. Es wird die Granger Kausalinferenz verwendet, nämlich das heterogene grafische Granger-Modell (HGGM). Das HGGM kann kausale Beziehungen in Zeitreihen mit beliebigen Verteilungen aus der Exponentialfamilie aufdecken, im Gegensatz zum klassischen Granger-Modell für Kausalinferenz, das weniger Verteilungen unterstützt. Zu diesem Zweck wurde eine Python-Implementierung des HGGM auf der Grundlage der ursprünglichen MATLAB-Implementierung erstellt. Die Analyse des ERA5-Sturmdatensatzes zeigt, dass Windrichtung, potenzielle Vorticity, konvektive verfügbare potenzielle Energie und Feuchtigkeit einen kausalen Einfluss auf hohe Windgeschwindigkeitsextreme während Stürmen haben. Ein t-Test zeigt jedoch, dass nur die konvektiv verfügbare potenzielle Energie und die relative Luftfeuchtigkeit statistisch signifikant sind. Im Vergleich zu den Ergebnissen einer Präsentation, bei der eine ähnliche Methode (HMML) verwendet wurde, fand HGGM weniger kausale Zusammenhänge. Im Gegensatz zu HMML litt es unter Überschätzungen, die die Entfernung mehrerer stark korrelierter Variablen erforderten. In den Turbinendaten waren die Extrema zwischen hoch und niedrig aufgeteilt. Um Überschätzungen zu vermeiden, musste die Dauer der Zeitreihe von ursprünglich 96 auf 200 Stunden verlängert werden. Die Analyse ergab, dass Temperatur und (relative) Luftfeuchtigkeit einen statistisch signifikanten Einfluss auf extrem hohe Windgeschwindigkeiten haben. Grenzschichthöhe, Temperatur und Windgeschwindigkeit haben einen statistisch signifikanten Einfluss auf extrem niedrige Windgeschwindigkeiten. Insgesamt fand HGGM mehrere kausale Zusammenhänge zwischen verschiedenen meteorologischen Variablen und extremen Windgeschwindigkeiten in beiden Datensätzen. HMML fand jedoch mehr kausale Zusammenhänge im ERA5-Datensatz, und es gab keine Probleme mit Überschätzungen. Die Arbeit schließt mit einigen Vorschlägen für weitere Forschungsarbeiten.
Abstract
(Englisch)
This thesis investigates the causal effects of meteorological parameters on the extreme values occurring in wind speed in two datasets: ERA5 data from the Andau wind park in Austria during select European wind storms, and data retrieved from the Andau park wind turbines in the period 2000.-2020. It uses Granger causal inference, namely the heterogeneous graphical Granger model (HGGM). HGGM can detect causal relations in time series with any distribution in the exponential family, unlike the classical Granger model for causal inference which supports fewer distributions. For this, a python implementation of HGGM was made based on the original MATLAB implementation. In the ERA5 storm dataset, the analysis reveals that wind direction, potential vorticity, convective available potential energy, and humidity have a causal effect on high wind speed extremes during windstorms. However, a t-test shows that only convective available potential energy and relative humidity are statistically significant. Compared to the results from a presentation using a similar method (HMML), HGGM found fewer causal links. Unlike HMML, it suffered from overestimations requiring the removal of several highly correlated variables. In the turbine data, extremes were split between high and low. To prevent overestimations, the time series duration had to be extended from the initial 96 hours to 200. The analysis found that temperature and (relative) humidity have a statistically significant effect on extremely high wind speeds. Boundary layer height, temperature and wind speed have a statistically significant effect on extremely low wind speeds. Overall, HGGM found several causal links between various meteorological variables and wind speed extremes in both datasets. However, HMML found more causal links in the ERA5 dataset and it did not suffer from issues with overestimations. The thesis finished with some suggestions for further research.
Schlagwörter
Schlagwörter
(Deutsch)
Granger Kausalität Meteorologische Daten
Schlagwörter
(Englisch)
Granger Causality Meteorological data
Autor*innen
Marin Seršić
Haupttitel (Englisch)
The influence of meteorological parameters on wind speed extreme events in wind turbine and era5 data
Hauptuntertitel (Englisch)
causal inference by heterogeneous Granger causality and its statistical validation
Publikationsjahr
2024
Umfangsangabe
49 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Claudia Plant
Klassifikationen
54 Informatik > 54.72 Künstliche Intelligenz ,
54 Informatik > 54.80 Angewandte Informatik
AC Nummer
AC17242670
Utheses ID
71526
Studienkennzahl
UA | 066 | 921 | |