With the increasing energy demand each year and the simultaneous need to meet global sustainability goals—especially in Sweden, which aims to be 100% renewable by 2040—wind energy is set to play a key role. The country aims to have 33,000 MW of installed wind energy capacity in the future. To achieve this, new wind projects must be approved, and they are moving these projects into forested areas. However, this approach brings setbacks: the wind conditions in forest environments can be turbulent and less predictable, which may influence the turbine performance and lead to increased fatigue damage, which ends in shortening the turbines’ expected lifespans. This research utilizes a year-long time series dataset of wind characteristics, gathered via SODAR measurements, which will serve as input for the optimal clustering model. The resulting diverse wind profiles are then utilized by both the TurboSim and OpenFast software to simulate the corresponding wind loads. This approach allows for an assessment of which wind profiles exert greater or lesser damage on the turbine’s tower and blades. By analyzing their wind characteristics, insights into the reasons behind varying levels of damage can be obtained. In the end, K-means with a PCA analysis was the best model to use for this study. Among the resulting clusters, the wind profile of Cluster Three was the most dangerous one in terms of its high shear, which poses a significant risk for fatigue damage. Wind veer showed to have nearly neutral impact on affecting the turbines and for a positive outcome, cluster 2 didn’t show no notable risk for structural damage and demonstrated a high average power output in simulations, having the best ration of output power and damage in the turbine parts (blade and tower), better than Cluster 3. Furthermore, cluster 3 is not only the most dangerous one but also appears more frequently across different REWS, employed to condense the dataset into an efficient input format for the clustering model.

Med den årligen ökande energiförbrukningen och det samtidiga behovet att uppnå globala hållbarhetsmål, inte minst i Sverige, som har som mål att nå 100% förnybar elproduktion till år 2040, förväntas vindkraft spela en central roll. För 2040, Sverige siktar på att uppnå en installerad vindkraftskapacitet på 33000 MW. För att realisera detta krävs godkännande av nya vindkraftsprojekt, vilka i allt större utsträckning placeras i skogsområden. Att bygga i skogsmiljö medför nackdelar: vindförhållandena i dessa miljöer präglas ofta av ökad turbulens och svårförutsägbarhet, vilket kan påverka turbinernas prestanda negativt och leda till ökad utmattningsskada, vilket kan förkorta livslängden hos turbinerna. I detta arbete används ett års tidsseriedata av vindkarakteristik, insamlade via SODAR-mätningar, som indata till en optimerad klustringsmodell. De resulterande vindprofilerna används därefter i simuleringsprogrammen TurboSim och OpenFAST för att simulera motsvarande vindbelastningar. Tillvägagångssättet möjliggör en utvärdering av hur olika vindprofiler påverkar turbinernas torn och blad, och i vilken utsträckning vindprofilerna bidrar till materialutmattning. Analysen visar att en K-means klustringsmodell i kombination med PCAanalys var den mest lämpliga modellen för den här studien. Bland de identifierade klustren utmärkte sig kluster 3 som särskilt riskfyllt på grund av hög vindskjuvning, vilket medför betydande risk för utmattningsskador. Veer visades ha däremot en i stort sett neutral inverkan. Kluster 2 uppvisade mest gynnsamma egenskaper: låg strukturell påverkan, hög genomsnittlig uteffekt i simuleringarna och det bästa förhållandet mellan produktion och skada på turbinen, bättre än kluster 3. Kluster 3 visade sig inte bara vara det mest belastande, utan förekom även oftare i flera REWS-konfigurationer. Detta bidrog i sin tur till en mer effektiv reducering och strukturering av datasetet inför klustringsmodellen.