Formålet med kurset er at lære de grundlæggende principper i statistisk modellering og dataanalyse i forbindelse med vindenergi. De studerende anvender probabilistiske metoder og machine learning værktøjer til forskellige problemstillinger fra vindenergi. En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

• Gennemføre statistisk analyse af målte vindhastighed tidsserier og data fra SCADA (supervisory control and data acquisition) systemer
• Anvende sandsynlighedsfordelinger og stokastiske variable ved løsningen af ingeniørmæssige problemer
• Definere, kalibrere, og på systematisk vis vurdere statistiske modeller ved hjælp af simple machine learning værktøj.
• Udføre usikkerheds-kvantificering og opformering ved almindeligt anvendte probabilistiske modeller
• Forklare konceptet af risikoanalyse og udføre simple risikobaserede beslutningsanalyser
• Uddrag nyttige indsigter fra data ved at anvende maskinindlæring og beslutningsmodelleringsværktøjer
• Anvende metoder for strukturel pålidelighedsanalyse på simple design-ligninger
• Forklare betydningen af sikkerhedsfaktorer og hvordan man kalibrerer dem ved brug af pålidelighedsmodeller
• Udfør realistisk problemløsning i en selvstændig måde: at identificere og beskrive et relevant problem, finde passende metoder, udføre og demonstrere løsningens holdbarhed.

1) Introduktion til statistik og sandsynlighedsteori i vindenergi fagområdet igennem praktisk applikation af målte data.
- Stikprøve statistikker. Students t-fordeling. Central grænseværdi sætning. Konfidensintervaller. Bootstrapping metode.
- Statistiske fordelinger: egenskaber, estimering af parametre. Multivariate fordelinger.
- Fordeling af ekstremer. Statistisk ekstrapolation - eksempel med ekstrapolering af ekstreme vindhastigheder og ekstreme laster.
2) Introduktion til data modellering:
- Introduktion til machine learning. Regressionmodeller med usikkerhed. Estimering af modelparametre: mindste kvadrater og max-likelihood metoder. Bayesiansk opdatering. Øvelse med machine learning for modeller for estimering af laster. Øvelse med Bayesiansk opdatering og Bayesian Neural Networks.
- Generering af data. Design af statistiske eksperimenter samt Monte Carlo-metoden.
- Usikkerhedskvantificering og formering
- Vindmølle SCADA data eksempel - filtrering og muligheder for data-drevet analyse.
3) Strukturpålidelighed og probabilistisk design
- Grænseværdier. Koncept for strukturel pålidelighedsanalyse. Øvelser med FORM og Monte Carlo metoderne.
- Structurelt design med usikkerheder. Sikkerhedsfaktorer og kalibrering af sikkerhedsfaktorer. Øvelse med "probabilistisk design".
- Risikoanalyse, beslutningsteori og deres brug til at evaluere præstationen af machine learning værktøj.
4) Data science - slutprojekt
- Arbejde selvstændigt på et data-science projekt. Projektets emne kan vælges imellem flere foruddefinerede valgmuligheder, eller ny specielt emne kan defineres.
- Præsentation af de studerendes endelige projekter. Peer diskussioner og forslag til forbedringer.

Kurset begynder med en introduktion til den grundlæggende teori inclusive øvelser. De studerende bliver også introduceret til kravene til det endelige projekt og får adgang til studenterprojekter fra tidligere år. Efter nogle forelæsninger begynder de studerende at arbejde på deres projektopgave, individuelt eller i grupper på 2 til 3. Disse opgaver sigter mod løsninger af virkelige tekniske udfordringer ved brug af data science og andre værktøj introduceret i kurset. Emnet for opgaven kan vælges imellem flere foruddefinerede eksempler, men de studerende er også velkomme til at definere deres eget emne så længe det er relateret til kursets indhold. Derefter presenteres projektemnerne for de andre kursusdeltagere. Under resten af kurset deltager de studerende sideløbende i forelæsninger og arbejder på deres egne projekter. Ved afslutningen af kurset vil de studerende lave en præsentation af resultaterne af deres projekt, og aflevere en rapport som indholder deres opgaver. I kursets forløb skal de studerende også aflevere korte rapporter og få tilbagemelding vedrørende løsninger af tre udvalgte øvelser. Ding, Yu, Data Science for Wind Energy, Chapman & Hall / CRC (2020)

Madsen H.O., Krenk, S., Lind, N. C., Methods of Structural Safety, Dover Publications Inc., Mineola, New York (2006) Der anbefales, at kurset tages i det tredje semester af kandidatstudiet. 27. april, 2022