[论文解读] Determining offshore wind installation times using machine learning and open data
本文提出一种机器学习方法，利用来自 jackup 船舶的公开获取 AIS 数据，自动确定海上风力涡轮机的安装时间，且无需事先知晓涡轮机位置。通过聚类船舶轨迹，该方法识别出安装、航行和港口阶段，结果显示 57.2% 的安装时间用于安装涡轮机，且该时间存在显著的风速相关变异性。
The installation process of offshore wind turbines requires the use of expensive jack-up vessels. These vessels regularly report their position via the Automatic Identification System (AIS). This paper introduces a novel approach of applying machine learning to AIS data from jack-up vessels. We apply the new method to 13 offshore wind farms in Danish, German and British waters. For each of the wind farms we identify individual turbine locations, individual installation times, time in transit and time in harbor for the respective vessel. This is done in an automated way exclusively using AIS data with no prior knowledge of turbine locations, thus enabling a detailed description of the entire installation process.
研究动机与目标
- 开发一种基于公开可用 AIS 数据的自动化方法，以估算海上风电安装时间。
- 在不知晓涡轮机位置的前提下，识别涡轮机安装时间、航行时长和港口停留时间。
- 通过提供数据驱动的时间分解，减少未来海上风电项目成本估算的不确定性。
- 实现不同风电场和项目之间 jackup 船舶性能的基准化比较。
- 探究天气条件（尤其是风速）对安装效率的影响。
提出的方法
- 收集在丹麦、德国和英国水域运营的 jackup 船舶的高分辨率 AIS 数据（位置、速度、航向）。
- 应用聚类算法，将船舶位置划分为不同的运行阶段：安装、航行和港口。
- 利用空间和时间聚类，从船舶运动模式推断涡轮机位置和安装事件。
- 通过分析时间序列和与已知风电场布局的空间接近度，验证聚类分配结果。
- 整合来自西门子歌美飒内部数据库的风速数据，评估天气对安装时长的影响。
- 自动化整个处理流程，消除对特定场地脚本的依赖，降低维护开销。
实验结果
研究问题
- RQ1在不知晓涡轮机位置的前提下，机器学习技术能否准确识别 AIS 数据中的涡轮机安装事件？
- RQ2在总安装时间中，实际涡轮机安装所占比例是多少，与航行和港口作业时间相比如何？
- RQ3风速如何影响不同海上风电场安装时长的持续时间和变异性？
- RQ4该自动化方法在多大程度上可减少未来海上风电项目成本估算的不确定性？
- RQ5不同风电场和 jackup 船舶的安装时间和性能表现有何差异？
主要发现
- 该方法仅使用 AIS 数据，成功识别出 13 个海上风电场的安装、航行和港口阶段，且未事先知晓涡轮机位置。
- 在 Horns Rev 3 风电场，总安装时间 4,932.5 小时中，57.2% 用于实际涡轮机安装，35.1% 用于港口停留。
- Horns Rev 3 风电场每台风机的平均安装时间为 100.6 小时，显著高于以往估计值，原因在于包含了航行和港口停留时间。
- 风速与安装时长之间存在非线性关系，风速越高，安装时长的变异性越大。
- 与传统脚本方法相比，该机器学习方法在保持相近准确度的同时，显著降低了维护开销。
- 该方法支持在不同风电场和船舶之间进行性能基准化比较，有助于迭代优化安装时间估算。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。