Tuulivoiman tuotannon ennustaminen Saksan ja Tanskan sähköverkoissa

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 • RisøWasp 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?