Artificial intelligence, LiDAR and co-operative remote sensing for atmospheric observation and off-shore wind energy

dc.contributor
Universitat Politècnica de Catalunya. Departament de Teoria del Senyal i Comunicacions
dc.contributor.author
Salcedo Bosch, Andreu
dc.date.accessioned
2024-02-14T11:36:51Z
dc.date.available
2024-02-14T11:36:51Z
dc.date.issued
2023-06-30
dc.identifier.uri
http://hdl.handle.net/10803/690062
dc.description
Tesi amb menció de Doctorat Internacional
ca
dc.description.abstract
(English) Remote sensing of the atmosphere is widely used by the wind energy industry to both assess future wind farms deployment sites as well as to improve their operation. With the rising interest in offshore wind energy, remote sensing of the atmosphere has become essential in offshore deep-sea sites in order to reduce deployment and operation costs. Particularly, floating LiDARs have become the de-facto instrument for offshore wind resource assessment due to its flexibility and capabilities to measure the wind with equivalent accuracy as meteorological met-masts in a cost-effective manner. The main goal of this Thesis is to study and exploit the potentialities of existing atmospheric remote sensing instruments, with special emphasis on floating Doppler wind LiDARs. Towards this purpose, different signal processing and machine learning solutions are proposed and analysed. First, the correction of the effect of vertical wind on micro-rain-radar measurements is tackled by means of inverse methods. Second, the capabilities of floating LiDARs to retrieve ocean-related parameters is studied. To that end, signal processing techniques based on spectral analysis of the buoy's motion are used to characterize the ocean waves period. Third, and core part of this Thesis, the motion-induced error of floating-LiDAR measurements of the wind is studied in terms of estimation and compensation. Regarding the former, a novel analytical formulation to estimate horizontal-wind-speed bias and turbulence-intensity-increment error products is presented. The latter topic is tackled using machine learning techniques, specifically, an Unscented Kalman filter for motion compensation of floating-Doppler-wind-LiDAR measurements is presented, and its performance is analyzed under different wave and atmospheric scenarios. The presented methodologies are validated against reference fixed LiDARs and anemometers in the context of two measurement campaigns: "Pont del Petroli" and IJmuiden campaigns. Data clustering techniques are used to assess the quality of the retrieved data products under different scenarios of interest for the industry. The results attained by the novel solutions presented here further demonstrate the capabilities of floating Doppler wind LiDARs for off-shore wind monitoring, which strengthens their position as key remote-sensing instruments for the off-shore wind energy industry.
ca
dc.description.abstract
(Català) La indústria eòlica utilitza la teledetecció de l'atmosfera com a eina per identificar futurs emplaçaments de camps eòlics així com per optimitzar el seu funcionament. En les últimes dècades, amb l'increment de camps eòlics marins, la teledetecció ha esdevingut fonamental per reduïr el cost de les seves instal·lacions. Especialment, els LiDAR Doppler flotants han guanyat terreny en la indústria eòlica marina com a instrument estandard per a la evaluació del recurs eòlic gràcies al seu baix cost, la seva flexibilitat i la seva precisió en mesurar el vent en comparació amb altres mètodes existents. L'objectiu principal d'aquesta tesi és l'estudi i explotació de les capacitats d'instruments de teledetecció ja existents, amb especial èmfasi en el LiDAR Doppler flotant. Per a fer-ho, s'analitzaren una sèrie de mètodes de processat de senyal i "machine learning". En primer lloc s'estudia la correcció de l'efecte del vent vertical en mesures del radar de pluja "micro-rain-radar" emprant mètodes inversos. En segon lloc s'abordaren les possibles aplicacions del LiDAR flotant en la mesura de paràmetres oceanogràfics. En aquest sentit, es presenta un nou mètode basat en estimació espectral per poder estimar el període de les onades a partir de mesures de la inclinació del LiDAR flotant. En tercer lloc, la part principal de la tesi aborda l'estimació i la correcció de l'error causat per l'onatge en les mesures dels LiDAR Doppler flotants. Pel que fa a l'estimació de l'error, es desenvolupa una formulació analítica per estimar el biaix de la velocitat horitzontal del vent així com l'increment de la intensitat de turbulència. Pel que fa a la correcció de l'error, es presenta un "Unscented Kalman filter" capaç de corregir l'error en les mesures del vent causat per l'onatge en LiDARs flotants. A més a més, el seu rendiment s'estudia en diferents escenaris atmosfèrics i d'onatge d'interès. Els mètodes desenvolupats en aquesta tesi s'han validat amb mesures de LiDARs fixes i anemòmetres com a referència. Les dades experimentals provenen principalment de dues campanyes de mesures: la campanya de Pont del Petroli i la campanya d'"IJmuiden". S'han utilitzat eines de clusterització de dades per tal d'estudiar la qualitat dels productes de dades obtinguts en escenaris d'interès per a la indústria eòlica. Els resultats assolits pels mètodes presentats en aquesta tesi mostren les capacitats i possibles aplicacions futures dels LiDARs flotants i reforcen la seva posició com a instrument clau dins la indústria eòlica marina.
ca
dc.description.abstract
(Español) La industria eólica utiliza la teledetección de la atmósfera como herramienta para identificar futuros emplazamientos de campos eólicos así como para optimizar su funcionamiento. En las últimas décadas, con el incremento de campos eólicos marinos, la teledetección se ha convertido en fundamental para reducir el coste de sus instalaciones. Especialmente, los LiDAR Doppler flotantes han ganado terreno en la industria eólica marina como instrumento estándar para la evaluació del recurso eólico gracias a su bajo coste, su flexibilidad y su precisión al mesurar el viento en comparación con otros métodos. El objetivo principal de esta tesis es el estudio y explotación de las capacidades de instrumentos de teledetección ya existentes, con especial énfasis en el LiDAR Doppler flotante. Para hacerlo, se analizaron una serie de métodos de procesado de señal y "machine learning". En primer lugar se estudia la corrección del efecto del viento vertical en medidas del radar de lluvia "micro-rain-radar" empleando métodos inversos. En segundo lugar se abordaran las posibles aplicaciones del LiDAR flotante en la medida de parámetros oceanográficos. En este sentido, se presenta un nuevo método basado en estimación espectral para poder estimar el periodo de oleaje a partir de medidas de la inclinación del LiDAR flotante. En tercer lugar, la parte principal de la tesis aborda la estimación y la corrección del error causado por el oleaje en las medidas de los LiDAR Doppler flotantes. En cuanto a la estimación del error, se desarrolla una formulación analítica para estimar el sesgo de la velocidad horizontal del viento así como el incremento de la intensidad de turbulencia. En cuanto a la corrección del error, se presenta un "Unscented Kalman filter" capaz de corregir el error en las medidas del viento causado por el oleaje en LiDARs flotantes. Además, su rendimiento se estudia en diferentes escenarios atmosféricos y de oleaje de interés. Los métodos desarrollados en esta tesis se han validado con medidas de LiDARs fijos y anemómetros como referencia. Los datos experimentales provienen principalmente de dos campañas de medidas: la campaña de "Pont del Petroli" y la campaña de "IJmuiden". Se han utilizado herramientas de clusterización de datos para estudiar la calidad de los productos de datos obtenidos en escenarios de interés para la industria eólica. Los resultados logrados por los métodos presentados en esta tesis muestran las capacidades y posibles aplicaciones futuras de los LiDARs flotantes y refuerzan su posición como instrumento clave dentro de la industria eólica marina.
ca
dc.format.extent
148 p.
ca
dc.language.iso
eng
ca
dc.publisher
Universitat Politècnica de Catalunya
dc.rights.license
L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by-nc-nd/4.0/
ca
dc.rights.uri
http://creativecommons.org/licenses/by-nc-nd/4.0/
*
dc.source
TDX (Tesis Doctorals en Xarxa)
dc.subject.other
Àrees temàtiques de la UPC::Enginyeria de la telecomunicació
ca
dc.subject.other
Àrees temàtiques de la UPC::Informàtica
dc.subject.other
Àrees temàtiques de la UPC::Energies
dc.title
Artificial intelligence, LiDAR and co-operative remote sensing for atmospheric observation and off-shore wind energy
ca
dc.type
info:eu-repo/semantics/doctoralThesis
dc.type
info:eu-repo/semantics/publishedVersion
dc.subject.udc
004
ca
dc.subject.udc
620
ca
dc.subject.udc
621.3
ca
dc.contributor.director
Rocadenbosch Burillo, Francisco
dc.embargo.terms
cap
ca
dc.rights.accessLevel
info:eu-repo/semantics/openAccess
dc.description.degree
DOCTORAT EN TEORIA DEL SENYAL I COMUNICACIONS (Pla 2013)


Documents

TASB1de1.pdf

5.924Mb PDF

Aquest element apareix en la col·lecció o col·leccions següent(s)