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

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)

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

Kappaleessa tarkastellut ennustetyökalut

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)

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

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

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)

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

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”

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

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

Kysymyksiä?