Tuulivoiman tuotannon ennustaminen Saksan ja Tanskan sähköverkoissa Johdanto Tuulivoiman tuotannon ennustetyökalut –Prediktor –Wind Power Prediction Tool.

Esitys aiheesta: "Tuulivoiman tuotannon ennustaminen Saksan ja Tanskan sähköverkoissa Johdanto Tuulivoiman tuotannon ennustetyökalut –Prediktor –Wind Power Prediction Tool."— Esityksen transkriptio:

1 Tuulivoiman tuotannon ennustaminen Saksan ja Tanskan sähköverkoissa Johdanto Tuulivoiman tuotannon ennustetyökalut –Prediktor –Wind Power Prediction Tool –Zephyr –Previento –eWind –SIPREÓLICO –Advanced Wind Power Prediction Tool Online monitorointi ja tuulivoiman tuotannon ennustaminen Lyhyen aikavälin ennusteet –Honeymoon Yhteenveto Ontrei Raipala

2 Johdanto Tuulivoiman tuotannon ennustetyökalujen merkitys tulee korostumaan: –Tuulivoimakapasiteetti kasvaa kovalla vauhdilla –Tuulivoiman tuotannon ennustaminen on vaikeaa –Tulevaisuudessa tuottajat saattavat joutua maksamaan ennustevirheistään (sääntelemättömät markkinat) –=> Tarve kehittää tarkempia ennustetyökaluja Ennusteilta vaaditut aikajänteet määräytyvät enimmäkseen markkinoiden aikataulujen mukaan Ennustetyökalujen vaatimukset vaihtelevat muutenkin maittain (alueen laajuus, tuulivoiman tuotannon keskittyneisyys – ennusteiden paikallisuus)

3 Tuulivoiman tuotannon ennustetyökalut Ensimmäiset tuulivoiman tuotannon ennustetyökalut kehitettiin Tanskassa Osa ennustemalleista perustuu numeeriseen laskentaan ja fysiikan mallien hyväksikäyttöön Toiset puolestaan tilastoihin, neuroverkkojen käyttöön ja sumeaan laskentaan Tämän tyypin ennustetyökalut kykenevät oppimaan kokemuksistaan, mutta toisaalta myös edellyttävät runsasta koulutusdataa toimiakseen tarkasti

4 Kappaleessa tarkastellut ennustetyökalut

5 Prediktor Risø National Laboratory:n kehittämä (Tanska) Perustuu paljolti fysiikan mallien hyväksikäyttöön Suuren skaalan virtaus (large scale flow) saadaan ensin numeerisella HIRLAM (High Resolution Limited Area Model) mallilla Tästä saadaan tuulennopeus maanpinnalla käyttäen gestrofista lakia ja logaritmista tuuliprofiilia Risø Wasp ohjelma ottaa huomioon paikallisten kohteiden vaikutuksen tuulennopeuteen (maan epätasaisuus- ja sen vaihtelut, suuret kappaleet, rinteiden ja laaksojen synnyttämät hidastavat ja nopeuttavat vaikutukset) Risø Park ohjelma huomioi toisten turbiinien aiheuttaman tuulen varjoefektin tuulipuistoissa MOS-moduulit ottavat huomioon menetelmän yleiset virheet, sekä tekijät, joita ei kyetä mallintamaan fysiikan mallein Prediktor laskee 36 tunnin ennusteet usealle tuulipuistolle kahdesti päivässä. (mahdollisuus ylösskaalaamiseen)

6 Wind Power Prediction Tool (WPPT) Perustuu tilastollisten menetelmien hyödyntämiseen WPPT järjestelmään syötetään tuulennopeus- ja suunta, ilman lämpötila ja referenssituulipuistojen tuotannon mittaukset (5 min keskiarvot) Online-mittaukset kattavat vain osan tuulivoiman tuotannosta => ylösskaalaus Malliin syötetään myös 48h eteenpäin kattavia meteorologisia ennusteita WPPT käyttää tilastollisia optimointimenetelmiä päättäessään kuinka paljon painoarvoa annetaan mittauksille ja kuinka paljon meteorologisille ennusteille

7 Zephyr Tanskassa kehitetty lyhyen aikavälin ennustejärjestelmä Yhdistelmä Prediktorista ja WPPT:sta Online-mittaukset ja tilastolliset menetelmät tuottavat hyviä ennusteita lyhyellä aikavälillä (0-9h) Meteorologiset mallit parantavat pitkän aikavälin (36-48h) ennusteita Perustuu Java2 ohjelmistoalustaan => joustavuus

8 Advanced Wind Power Prediction Tool (AWPT) 1/2 AWPT koostuu kolmesta tasosta Saksan sääpalvelun tarjoamat tarkat numeeriset sääennusteet Tuulivoimaloiden tuotantotehon määrittäminen neuroverkkojen avulla Online-malli, jonka avulla arvioidaan verkkoon syötettyä kokonaistehoa ennustetuista referenssipuistojen tehoista Tarkimmat tulokset saataisiin, jos kaikki turbiinit olisivat varustettu online-mittauksin (kallista)

9 AWPT 2/2 Sään paikallisennustemalli (Lokal-Modell) tuottaa sääennusteita 7x7km2 resoluutiolla tuntikohtaisesti päivittäen ennusteet 2x päivässä Tuulennopeus 30m korkeudella, tuulen suunta, kosteus, pilvisyys, ilman lämpötila eri korkeuksilla Neuroverkkosovellus tekee tuotantoennusteet referenssituulipuistoille paikallismallin tuottaman datan perusteella Online-malli laskee koko tarkasteltavan alueen tuotannon ennusteet

10 Yleistä ennustejärjestelmistä Ylösskaalaus on sitä tarkempaa, mitä suurempi on mitatun ja arvioidun kapasiteetin suhde Ennustevirheen arvioitiin käytetään useita virhefunktioita, mutta yleisin lienee tuotantokapasiteettiin normalisoitu RMSE (Root Mean Squared Error). Korrelaatiovakio on myös tarkoitukseen hyvin soveltuva. Verkkoyhtiöllä on kuitenkin omat ennustejärjestelmien arviointikriteerinsä Liian optimistiset ennusteet johtavat yhtiöille kalliiseen tehovajaustilanteeseen Menetelmien tarkkuutta voidaan arvioida vertaamalla niitä persistence malliin P(t) = P(t+l) ”what you see is what you get”

11 Yleistä ennustejärjestelmistä Kaikki kappaleessa tarkastellut ennustejärjestelmät ovat kuitenkin tuottaneet epätyydyttäviä tuloksia seuraavissa tilanteissa: Hyvin nopeat sään muutokset Kun turbiinit joudutaan turvallisuussyistä sammuttamaan korkeilla (myrsky) tuulennopeuksilla Kun järjestelmiin syötetään huonoja mittauksia, joita ei automaattisesti huomata (online-mittauksia käyttävät mallit) Kun hyvin paikalliset sääilmiöt aiheuttavat virheitä ylösskaalaukseen Kun sääpalveluennusteet viivästyvät tai niitä ei ole saatavilla Kun meteorologiset ennusteet ovat huonoja

12 Yhteenveto Tässä tarkastellut mallit voidaan karkeasti jaotella kahteen luokkaan Järjestelmät, jotka perustuvat numeeriseen sään ennustamiseen ja fysiikan malleihin. Käyttävät myös MOS-moduuleja systemaattisten virheiden poistamiseen (MOS moduulien mittausdatan ei tarvitse olla online-dataa). Tarkempia pitkän aikavälin ennusteissa Järjestelmät, jotka käyttävät tilastollisia menetelmiä tuottaakseen NWP datasta tuotantoennusteita ja online- mittauksia optimoidakseen lyhyen aikavälin ennusteet Tarkempia lyhyen aikavälin ennusteissa

13 Kysymyksiä?