Kurzfristvorhersage der Wolkenbedeckung zur effizienten Nutzung von Solarenergie

1. Kurzfristvorhersage der Wolkenbedeckung zur effizienten Nutzung von Solarenergie • Diplomarbeit Florian Zimmer • DLR - Deutsches Zentrum für Luft und Raumfahrt • IMGI - Institute of Meteorology and Geophysics in Innsbruck 1

2. Inhaltsverzeichnis 1.) Stand der Wissenschaft 2.) 1. Teil Kurzfristvorhersage der Wolkenbedeckung (Kurzbeschreibung) 3.) 2. Teil Kurzfristvorhersage der Direktnormalstrahlung (Kurzbeschreibung) Exkurs: SOLEMI 4.) Offene Fragestellungen und Ziele dieser Arbeit 5.) Strategie zur Beantwortung der Fragestellungen 6.) Modell A: Wolkenvorhersage im thermischen Meteosat Kanal 7.) Modell B: Wolkenvorhersage im solaren Bereich 8.) Visuelle Auswertung & Verifikation durch Gütemaße 9.) Verifikation der Strahlungsvorhersage 10.) Zusammenfassung 11.) Ausblick

3. Stand der Wissenschaft 3 Forecasting of Solar Radiation (LORENZ et al., 2007) Typische Zielanforderung für Solarstrahlungsvorhersage und die dazugehörige räumliche und zeitliche Auflösung Konzentrierendes thermisches Kraftwerk (STPP) * meteorologische Randbedingungen beeinflusst * Abschattungseffekte von Wolken * Unsicherheit in der Verfügbarkeit von Solarstrahlung * diskontinuierliches Energieangebot * Starke Einbußen in der Leistung Numerische Wettermodelle werden der Anforderung noch nicht gerecht andere Vorhersagemethode für den Kurzfristbereich

4. Kurzfristvorhersage der Wolkenbedeckung 4 1.Teil -Die Idee- Pixelverschiebungsmethode „optical Flow“ effektive Wolkenbeobachtung in hoher zeitlicher und räumlicher Auflösung Meteosat Second Generation liefert diese Information SEVIRI (Spinning Enhanced Visible and Infrared Imager) 12 Spektralkanäle Low Resolution 15 Minuten zeitliche Auflösung 3km * 3km räumliche Auflösung (Subsatellitenpunkt) Extrapolation der Wolkeninformation in die Zukunft

5. Kurzfristvorhersage der DNI 5 2.Teil -Die Idee- Solar Energy Mining Service stellt Irradianz Daten für die Solarenergie Branche in hoher Qualität zur Verfügung. (Standortplanung STPP) Methode: Ableitung der DNI aus Meteosatdaten (Schillings et al) Exkurs SOLEMI

6. Exkurs: 6 Methode liefert stündliche DNI Werte für große Regionen und viele Jahre in hoher räumlicher Auflösung aus Meteosat-Daten (SCHILLINGS et al., 2004). Die DNI bei Durchgang durch die Atmosphäre durch atmosphärische Bestandteile absorbiert und gestreut. kein Trübungsindex, sondern alle wichtigen Bestandteile werden separat betrachtet Einfluss in wolkenfreien Atmosphäre Clear Sky Parametrisierungsmodell von (BIRD and HULSTROM, 1981) und (IQBAL, 1983) Den stärksten Einfuss auf die DNI haben Wolken (Transmission der Wolken berücksichtigen). Wolkenparametrisierung durch so genannte Wolken-Indices eingerechnet. Bestimmung der Wolken-Indices (Hermann Mannstein) Grundprinzip des Algorithmus (VIS und IR) besteht darin, ein wolkenfreies Referenzbild aus Analyse vorheriger Satellitenbilder zu erstellen. Dieses Referenzbild dient dann zum Vergleich zum aktuellen Satellitenbild zur Ableitung der Bewölkungsinformation.

7. Kurzfristvorhersage der DNI 7 2. Teil -Die Idee- Pixelverschiebungsmethode „optical Flow“ Solar Energy Mining Service stellt Irradianz Daten für die Solar Energie Branche in hoher Qualität zur Verfügung. (Standortplanung STPP) Methode: Ableitung der DNI aus Meteosatdaten (Schillings et al) Exkurs SOLEMI Extrapolation der Wolkenindexkarten in die Zukunft danach Berechnung der DNI auf Grundlage extrapolierter Wolkenindexkarten

8. Offene Fragestellungen und Ziele 8 1.) Kann eine Wolkenvorhersage, basierend auf der Extrapolation von Satellitendaten, den Zeitraum von wenigen Stunden abdecken? 2.) Wie gut ist diese Vorhersage? 3.) Bis zu welchem Zeitpunkt können sinnvolle Ergebnisse erzielt werden? 4.) Es soll die Frage geklärt werden in welchem Zeitraum die auf Satellitendaten basierende kurzfristige Vorhersage der Wolken, der Wolkenvorhersage eines numerischen Modells überwiegt? 5.) Ist das „Nowcasting“ besser als die Modellprognose und wenn ja, für welchen Zeitraum? 6.) Kann durch die Extrapolation von Wolkenindexkarten in die Zukunft und die darüber berechnete Direktnormalstrahlung sinnvoll vorhergesagt werden? 7.) Wie gut stimmen die vorhergesagten Strahlungswerte zu den gemessenen Strahlungswerten?

9. Strategie zur 9 Beantwortung der Fragestellungen * Entwicklung zweier Modelle (VIS- und IR-Daten) * Vergleich der Modelle mit Beobachtung, COSMO-DE Gesamtbewölkung und synthetisch erzeugten Satellitenbilder * 3 Fallbeispiele, unterschiedliche synoptische Bedingungen * visuelle Auswertung * Auswertung durch meteorologische Gütemaße * Auswertung durch DAS (Displacement and Amplitude Score, Keil et al) * Vorhersage der DNI wird an gemessener DNI evaluiert (2 Standorte: PSA und Köln, Pyrheliomessung) Modell A: Wolkenvorhersage im thermischen Meteosat Kanal Modell B: Wolkenvorhersage im solaren Bereich detaillierte Beschreibung folgt

10. Strategie zur 10 Beantwortung der Fragestellungen * Entwicklung zweier Modelle (VIS- und IR-Daten) * Vergleich der Modelle mit Beobachtung, COSMO-DE Gesamtbewölkung und synthetisch erzeugten Satellitenbilder * 3 Fallbeispiele, unterschiedliche synoptische Bedingungen * visuelle Auswertung * Auswertung durch meteorologische Gütemaße * Auswertung durch DAS (Displacement and Amplitude Score, Keil et al) * Vorhersage der DNI wird an gemessener DNI evaluiert (2 Standorte: PSA und Köln, Pyrheliomessung) a) COSMO-DE Gesamtbewölkung b) auf Meteosat Auflösung projizierte Gesamtbewölkung COSMO-DE Modellgebiet

11. Strategie zur 11 Beantwortung der Fragestellungen * Entwicklung zweier Modelle (VIS- und IR-Daten) * Vergleich der Modelle mit Beobachtung, COSMO-DE Gesamtbewölkung und synthetisch erzeugten Satellitenbilder * 3 Fallbeispiele, unterschiedliche synoptische Bedingungen * visuelle Auswertung * Auswertung durch meteorologische Gütemaße * Auswertung durch DAS (Displacement and Amplitude Score, Keil et al) * Vorhersage der DNI wird an gemessener DNI evaluiert (2 Standorte: PSA und Köln, Pyrheliomessung) Synthetische Satellitenbilder (LMSynSat) * schnellen vorwärtsrechnenden Strahlungstransfermodell im thermischen Infrarot * Fast Radiative Transfer Model for TIROS Operational Vertical Sounder (RTTOV) * RTTOV berechnet aus Temperaturprofilen, Gaskonzentration, Oberflächen- und Wolkeneigenschaften Helligkeitstemperaturen * In COSMO-DE werden spezifische Feuchte, Wolkenwasser, Wolkeneis, Wolkenbedeckung, Oberflächentemperatur, 2m-Temperatur und eine Land-See-Maske berücksichtigt synthetisch erzeugte Helligkeitstempertur (10,8müm) a) COSMO-DE Modellgebiet b) auf Meteosat Auflösung projiziert

12. Strategie zur 12 Beantwortung der Fragestellungen * Entwicklung zweier Modelle (VIS- und IR-Daten) * Vergleich der Modelle mit Beobachtung, COSMO-DE Gesamtbewölkung und synthetisch erzeugten Satellitenbilder * 3 Fallbeispiele, unterschiedliche synoptische Bedingungen * visuelle Auswertung * Auswertung durch meteorologische Gütemaße * Auswertung durch DAS (Displacement and Amplitude Score, Keil et al) * Vorhersage der DNI wird an gemessener DNI evaluiert (2 Standorte: PSA und Köln, Pyrheliomessung) * 01.09.2009: Durchgang einer Kaltfront * 21.09.2009: Unterschiedliche Strömungsrichtungen und Auflösungs- und Bildungsprozesse von Wolken * 15.10.2009: Unterscheidung zwischen Schnee und Wolken, Durchgang einer Okklusionsbewölkung über den Alpenraum

13. Strategie zur 13 Beantwortung der Fragestellungen * Entwicklung zweier Modelle (VIS- und IR-Daten) * Vergleich der Modelle mit Beobachtung, COSMO-DE Gesamtbewölkung und synthetisch erzeugten Satellitenbilder * 3 Fallbeispiele, unterschiedliche synoptische Bedingungen * visuelle Auswertung * Auswertung durch meteorologische Gütemaße * Auswertung durch DAS (Displacement and Amplitude Score, Keil et al) * Vorhersage der DNI wird an gemessener DNI evaluiert (2 Standorte: PSA und Köln, Pyrheliomessung) 1. ) Bei Referenzbeobachtung, Kurzfristvorhersage und COSMO-DE Prognose alle Pixel in selben Wertebereich: bewölkt = 1 nicht bewölkt = 0 2.) kategorische Variablen klären ob Ereignis statt gefunden hat „ja oder nein“ 3.) Kontingenztabelle 4.) Berechnung der Gütemaße (ACC, POD, FAR, TS, BIAS, EQTH) Bsp.: BIAS

14. Strategie zur 14 Beantwortung der Fragestellungen * Entwicklung zweier Modelle (VIS- und IR-Daten) * Vergleich der Modelle mit Beobachtung, COSMO-DE Gesamtbewölkung und synthetisch erzeugten Satellitenbilder * 3 Fallbeispiele, unterschiedliche synoptische Bedingungen * visuelle Auswertung * Auswertung durch meteorologische Gütemaße * Auswertung durch DAS (Displacement and Amplitude Score, Keil et al) * Vorhersage der DNI wird an gemessener DNI evaluiert (2 Standorte: PSA und Köln, Pyrheliomessung) Korrelation Der Korrelationskoeffzient r ist eine direkte Messung, wie gut die Vorhersage X mit der Beobachtung Y übereinstimmt.

15. Strategie zur 15 Beantwortung der Fragestellungen * Entwicklung zweier Modelle (VIS- und IR-Daten) * Vergleich der Modelle mit Beobachtung, COSMO-DE Gesamtbewölkung und synthetisch erzeugten Satellitenbilder * 3 Fallbeispiele, unterschiedliche synoptische Bedingungen * visuelle Auswertung * Auswertung durch meteorologische Gütemaße * Auswertung durch DAS (Displacement and Amplitude Score, Keil et al) * Vorhersage der DNI wird an gemessener DNI evaluiert (2 Standorte: PSA und Köln, Pyrheliometermessung) Wissenschaftliche oder diagnostische Verifikationsmethoden Auf Beobachtung und Vorhersage wird Trackingverfahren angewendet (Trackingverfahren = Pixelverschiebungsmethode „optical Flow“) quantitative Aussage über wie gut ein Vorhersagefeld zu dem Beobachtungsfeld in Lage und Amplitude passt. Der Betrag des berechneten Vektorfeldes gibt ein Gütemaß über den Verschiebungsfehler Differenz zwischen den gemorphten Bildern ein Maß für den Amplitudenfehler ist (KEIL und CRAIG, 2009).

16. Wolkenvorhersage im thermischen Kanal 16 Modell A:

17. Wolkenvorhersage im solaren Bereich 17 Modell B: 1. Schritt

18. Wolkenvorhersage im solaren Bereich 18 Modell B: 2. Schritt MeCIDA basiert auf den 7 Infrarotkanäle von SEVIRI. Durch die Kombination von verschiedenen Schwellenwerttests und morphologischen Tests erkennt dieser Algorithmus hohe Eiswolken.

19. Wolkenvorhersage im solaren Bereich 19 Modell B: 3. Schritt

20. Visuelle Auswertung 01.09.2009 20 Beobachtung: d) RGB aus Metosat Kanälen VIS006 VIS008 IR108 h) Referenzwolkenmaske Wolke: Pixelwert 1 keine Wolke: Pixelwert 0 Kurzfristvorhersage: Vorhersagebeginn 07:00UTC Vorhersagezeitraum +6h a) Modell A (IR Daten) e) Modell B (VIS Daten) Beobachtung: b) Modell A (IR Daten) f) Modell B (VIS Daten) Modelldiagnose/-prognose: c) LMSynSat: (Auflösung: 15min, Temperaturgrenzwert) g) COSMO-DE Gesamtbewölkung (stündliche Auflösung, Vorhersagestart 0:00UTC)

21. Verifikation 01.09.2009 durch Gütemaße 21 Displacement and Amplitude Score Korrelation BIAS Zusammenfassung: Modell B startet mit dem besten Gütemaß, liegt der Methode zu Grunde Eine Annäherung der Modelle ist im Bereich von +3 Stunden zu verzeichnen Der Mittelpunkt liegt bei 5-6 Stunden Bei Durchgang einer Kaltfront, kann durch einen Temperaturgrenzwert auf Wolken geschlossen werden (vgl. Modell A und B) COSMO-DE Gesamtbewölkung zu ausgebreitete Bewölkung

22. Visuelle Auswertung 21.09.2009 22 Beobachtung: d) RGB aus Metosat Kanälen VIS006 VIS008 IR108 h) Referenzwolkenmaske Wolke: Pixelwert 1 keine Wolke: Pixelwert 0 Kurzfristvorhersage: Vorhersagebeginn 07:00UTC Vorhersagezeitraum +6h a) Modell A (IR Daten) e) Modell B (VIS Daten) Beobachtung: b) Modell A (IR Daten) f) Modell B (VIS Daten) Modelldiagnose/-prognose: c) LMSynSat: (Auflösung: 15min, Temperaturgrenzwert) g) COSMO-DE Gesamtbewölkung (stündliche Auflösung, Vorhersagestart 0:00UTC)

23. Verifikation 21.09.2009 durch Gütemaße 23 Displacement and Amplitude Score Korrelation BIAS Zusammenfassung: Modell B startet mit dem besten Gütemaß, liegt der Methode zu Grunde Eine Annäherung der Modelle ist im Bereich von +5 Stunden zu verzeichnen Der Mittelpunkt liegt bei 6-7 Stunden Modelle die über einen Temperaturgrenzwert auf Wolken schließen zu geringe Bewölkung (vgl. Modell A und LMSynsat), Nebelfelder COSMO-DE Gesamtbewölkung zu ausgebreitete Bewölkung

24. Visuelle Auswertung 15.10.2009 24 Besonderheit: Schneeerkennung im Alpenraum IR1.6 Modell B Beobachtung: d) RGB aus Metosat Kanälen VIS006 VIS008 IR108 h) Referenzwolkenmaske Wolke: Pixelwert 1 keine Wolke: Pixelwert 0 Kurzfristvorhersage: Vorhersagebeginn 07:00UTC Vorhersagezeitraum +6h a) Modell A (IR Daten) e) Modell B (VIS Daten) Beobachtung: b) Modell A (IR Daten) f) Modell B (VIS Daten) Modelldiagnose/-prognose: c) LMSynSat: (Auflösung: 15min, Temperaturgrenzwert) g) COSMO-DE Gesamtbewölkung (stündliche Auflösung, Vorhersagestart 0:00UTC)

25. Verifikation 15.10.2009 durch Gütemaße 25 Displacement and Amplitude Score Zusammenfassung: Modell B startet mit dem besten Gütemaß, liegt der Methode zu Grunde Eine Annäherung der Modelle ist nicht zu verzeichnen. Extrapolationsmodelle besser als COSMO-DE Modell A erkennt Schnee als Wolke Nordstau in beiden Meteosat Modelle (Verschiebungsvektoren treffen auf Vektoren die keine Verschiebung haben) COSMO-DE Gesamtbewölkung zu ausgebreitete Bewölkung BIAS

26. Verifikation der Strahlungsvorhersage 26 RGB besonders schönes Ereignis: Messstation: DLR/Sonnenofen in Köln Kurzfristvorhersage der DNI für 4h Vorhersagestart 07:00 08:00 10:00 UTC nach Abzug der Bewölkungsformation, Anstieg der DNI Beobachtung CI-VIS Vorhersage CI-VIS Beobachtung CI-IR Vorhersage CI-IR

27. Verifikation der Strahlungsvorhersage 27 RGB besonders schönes Ereignis: Messstation: PSA/Spanien 12.07.2007 Kurzfristvorhersage der DNI für 4h Vorhersagestart 07:00 08:00 10:00 UTC Abschattungseffekt sehr gut vorhergesagt. Beobachtung CI-VIS Vorhersage CI-VIS Beobachtung CI-IR Vorhersage CI-IR

28. Verifikation der Strahlungsvorhersage 28

29. Zusammenfassung 29 1.) Kann eine Wolkenvorhersage, basierend auf der Extrapolation von Satellitendaten, den Zeitraum von wenigen Stunden abdecken? Ja 2.) Wie gut ist diese Vorhersage? Abhängig von den Startbedingung (Wolkenerkennung), schlechte Vorhersage über Temperaturgrenzwert, keine dynamischen Prozesse, tageszeitliche Abhängigkeit, Mehrschichtbewölkung, gestaute Vektoren, Rechenzeit (1 Minute) 3.) Bis zu welchem Zeitpunkt können sinnvolle Ergebnisse erzielt werden? 3-4 Stunden 4.) Es soll die Frage geklärt werden in welchem Zeitraum die auf Satellitendaten basierende kurzfristige Vorhersage der Wolken, der Wolkenvorhersage eines numerischen Modells überwiegt? nicht eindeutig bestimmbar 5.) Ist das „Nowcasting“ besser als die Modellprognose und wenn ja, für welchen Zeitraum? Ja in einem Zeitraum zwischen 3 und 7 Stunden 6.) Kann durch die Extrapolation von Wolkenindexkarten in die Zukunft und die darüber berechnete Direktnormalstrahlung sinnvoll vorhergesagt werden? sehr gut bei einfachen Wolkenzugbahnen/Strömungen, schwierig bei Mehrschichtbewölkung mit unterschiedlichen Strömungen, dynamische Prozesse 7.) Wie gut stimmen die vorhergesagten Strahlungswerte zu den gemessenen Strahlungswerten? Tendenz erkennbar (Verifikation über 250W/m^2)

30. Ausblick 30 * Besonderes in der Kurzfristvorhersage wurde eine deutliche Verbesserung der Wolkenprognose erarbeitet * Durch einfache Verfahren kann die Wolkenbedeckung für einen Zeitraum von 3-4 Stunden gut vorhergesagt werden * Liefert der Energiewirtschaft ein sehr interessantes Produkt (...kurzfristige Wolkenprognosen gefragt) * Für die Steuerung von thermischen Kraftwerken könnte diese schnelle Wolkenvorhersage (Rechenzeit: 1 Minute auf Bürocomputer für COSMO-DE Modellgebiet) für die Zukunft sehr interessant werden * In numerischen Modellen, könnte diese Methode zur Vorhersage von Wolken, besonders im Kurzfristbereich deutliche Verbesserungen erzielen (Assimilierung in den ersten Stunden der Laufzeit eines numerischen Modells) * Die Strahlungsvorhersage aus Wolkenindexkarten könnte, durch die gezeigten Ergebnisse in der Welt der Strahlungsvorhersage zu weiteren Forschungsarbeiten führen

31. VIELEN DANK