WIEVIEL STROM ERZEUGEN WIND UND SONNE MORGEN?

WIEVIEL STROM ERZEUGEN WIND UND SONNE MORGEN? Das Forschungsprojekt EWeLiNE* *Erstellung innovativer Wetter- und Leistungsprognosemodelle für die Net...
0 downloads 1 Views 2MB Size
WIEVIEL STROM ERZEUGEN WIND UND SONNE MORGEN? Das Forschungsprojekt EWeLiNE* *Erstellung

innovativer Wetter- und Leistungsprognosemodelle für die Netzintegration wetterabhängiger Energieträger

© Fraunhofer

Strom aus Erneuerbaren Energien

Anteil der Erneuerbaren [%] zu der Stromproduktion in Deutschland ?

? ? 2012: 25% 2010: 18%

 Fokus auf Wind- und PV-Leistung  Wetterabhängige, fluktuierende Stromerzeugung

© Fraunhofer

Aufgaben der Übertragungsnetzbetreiber German High-Voltage Transmission System

 Systemsicherheit  Produktion = Verbrauch  Spannungshaltung  Frequenzhaltung von 50 Hertz

 Vermarktung (EEG, Netzverluste)  Ungleichgewicht  Einsatz von Regelleistung

Francis McLloyd

© Fraunhofer

Energie- und Finanzfluss Stromfluss (EEG)

Zahlungsfluss (EEG)

EEG-Anlage

Stochastische Einspeisung

EEG-Vergütung VNB

Stochastische Einspeisung HoBa

Spotmarkt

Prämienzahlung ÜNB ÜNB ÜNB ÜNB

Lieferant

Reduzierte EEG-Umlage Begünstigter

© Fraunhofer

EEG-Umlage Verbraucher

Kritische Wettersituationen

 Folgetagprognose nahe der Reserveleistung (ca. 7 GW): Abfall der Windleistung nicht vorhergesagt:

© Fraunhofer

Nebel nicht vorhergesagt:

Typische Fehlerquellen

Wind:

PV



Winter: Stabile Wetterlage (pos. Bias)



Konvektive Wettersituationen



Sommer: Low-Level-Jet nicht vorhergesagt



Schneebedeckung auf PV-Anlagen



Fronten verschoben



Nebel, Hochnebel

Würzburg

Andrea Steiner, DWD © Fraunhofer

Carmen Köhler, DWD

Wetterprognose

COSMO-EU GME

© Fraunhofer

COSMO-DE

Einflussgrößen für Windleistungsprognosen

Atmosphäre Turbulenzen

Bewuchs

Charakteristik

Wind

Wind

Ozean

Abschattung

Gebirge

Park

Urban Lokal

Natürlich Global

© Fraunhofer

Schritte zur Windleistungsprognose

Globale Einflüsse Numerische Wetterprognose

Ergebnis

Windleistungs -konversionsmodell

Windleistungs -prognose

• Physikalisch • Statistisch

• Day-Ahead • Short -Term Wind power

• Punkt • Ensemble

Lokale & Parkeinflüsse

time

© Fraunhofer

Physikalische Windleistungsprognose

© Fraunhofer

Statistische Windleistungsprognose Wettervorhersage am Windpark Leistungsmessungen Windmessungen

12000

Messung Prognose D+1

10000

Leistung [MW]

8000

6000

4000

2000

0 14.1

15.1

16.1

17.1

18.1

19.1

20.1

Tag

Windparkprognose © Fraunhofer

21.1

Hochrechnung über repräsentative Windparkprognosen Windeinspeisung einer Zelle Unterteilung in Zellen mit

durch gewichtete Summe aller

bekannter Nennleistung

Referenzwindparks

Pi  ki  s j * Aij * Pj j

4 measurement prediction

3.5

power in GW

3 2.5 2 1.5 1 0.5 0 Sat

Sun

Mon

Tue

Wed

Thu

time

Psum (t )   Pi (t ) i

© Fraunhofer

Fri

Sat

Ausgleichseffekte

Windleistung in Deutschland

Windparkgruppe

Einzelne WEA

© Fraunhofer

Forschungsprojekt EWeLiNE

 2012-2016, 20 Wissenschaftler  Forschungsschwerpunkte  Optimierung des Wettermodells und der Leistungsprognosen für Anwendungen in der Energiewirtschaft  Integration von neuen Beobachtungsgrößen in das meteorologische Vorhersagesystem (z.B. Leistungsdaten)  Probabilistische Prognosen für den Umgang mit Vorhersageunsicherheiten  Entwicklung von Vorhersagen in enger Zusammenarbeit mit den Anwendern

© Fraunhofer

Holistische Verbesserung der Vorhersage

Assimilation

Kalibrierung MOS Optimierung

Anforderungen

© Fraunhofer

Anwendung

Projektstruktur EWeLiNE Zusätzliche NWV-modelle

Datenassimilation inkl. Vorwärtsoperator

Beobachtungsdaten:

Numerische Wettervorhersage (NWV) Modelle

Statistisches PostProzessing

Nachbearbeitung: Erstellung Wetterprognoseprodukte

Leistungsprognosemodelle

Nachbearbeitung: Erstellung Leistungsprognoseprodukte

Leistungsdaten

Meteorologische Daten

Zusammenführung Wetterund Leistungsprognoseprodukte

Hauptverantwortlich: DWD IWES

ÜNB © Fraunhofer

Kombination Modelle

Anwendung: Wetter- und Leistungsprognosen

Probabilistische Prognosen 20

wind speed [m/s]

15

Measurement EPS mean PEPS

10

0 11-Aug-2008

12-Aug-2008 Time

13-Aug-2008

Probability Density

5

Time

© Fraunhofer

Angebot von negativer Regelleistung durch Windkraftanlagen mit Windkraftanlagen

Forderung 100% Vertrag

nicht möglich

99,994% guter Erfahrungswert

Nutzung von probabilistischen Wind Prognosen Wahrscheinlichkeit

X

P(X≤x)

P(X≥x)

Leistung

Mit probabilistischen Prognosen kann die Zuverlässigkeit des Angebots bestimmt werden. © Fraunhofer

Ensemble-Prognosen  Mehrere Läufe mit veränderten Bedingungen  Ensembles mit hochaufgelösten Ausschnittsmodellen sind noch jung und Gegenstand intensiver Forschung.  Das COSMO-DE-EPS ist ein zentraler Bestandteil des Projektes!

1 IFS GME GFS BC-EPS

© Fraunhofer

GSM

2

3

4

5

Leistungskurven (Statistik erhaltend) 1 0.25

0.8

distribution

power [-]

0.2

0.6

0.4

0.15

(Messung und Prognose) 0.1

0.05

0 0

0.2

0 0

© Fraunhofer

Verteilung der Leistung

0.2

0.4

0.6 power

5

10

15 20 wind speed [m/s]

25

30

0.8

1

Zeitverlauf der Ensembleprognose und Messungen

1

0.8

power

0.6

0.4

0.2

0 12/09

© Fraunhofer

12/16

12/23

12/30 time

01/06

01/13

01/20

Verifikation Rank-Histogramm

 Ist die Statistik der 20 Ensemble-Membern äquivalent zu den Beobachtungen?  Sind die Beobachtungen wie ein weiteres Member des Ensembles? Antwort mit dem “Verifikation Rank Histogramm” Methode: Ensemble Member werden aufsteigend sortiert und die Position (“Rank”) der Beobachtungen werden identifiziert:

Rank 1

© Fraunhofer

Leistung

Rank 5

Leistung

Rank 13

Leistung

Reliabilität und Streuung des Ensembles 600

1

500

400

300 200

0.8

100

empirical probability

0

1

2

3

4

5

6

7

8

9 10 11 12 13 14 15 16 17 18 19 20 21

0.6

0.4

0.2

0 0

0.2

0.4

0.6

0.8

1

forecast probability

Das Leistungsensemble ist unterdispersiv (Streuung zu gering) © Fraunhofer

Vergleich von Quantile- und Ensemble-Prognose 0.7

Quantile Ensemble

0.6 0.5

power

0.4 0.3 0.2 0.1 0 -0.1 21:00 00:00

03:00

06:00

09:00 time

12:00

Quantile: 5% - 95% © Fraunhofer

15:00

18:00

21:00

Reliabilität Ensemble versus Quantile Vorhersage Quantile Prognose

1

1

0.8

0.8 empirical frequency

empirical probability

Ensemble

0.6

0.4

0.2

0 0

0.6

0.4

0.2

0.2

0.4

0.6

forecast probability

0.8

1

0 0

0.2

0.4

0.6

forecast probability

Streuung des Ensembles ist zu gering -> Kalibrierung notwendig

© Fraunhofer

0.8

1

CRPS 0.045

potential CRPS Reliability

0.04 0.035

CRPS

0.03 0.025 0.02 0.015 0.01 0.005 0

© Fraunhofer

EPS

mean median+spread CDE

Deutschlandprognose

Eingangsdaten

1. Persistenz 2. 68 Windparkprognosen 3. Ist-Hochrechnungen von 4 Regelzonen mit Zeitverschiebungen

4. 2.+3. Zielgröße

Deutschland EEG

© Fraunhofer

Fehler der verschiedenen Ansätze  Testzeitraum 1.9.2013 – 30.11.2013  Vorhersagehorizont = 90 Min

Deutliche Prognoseverbesserung durch Modell 3 und 4

© Fraunhofer

Vergleich über Vorhersagehorizont

1. 3. 2. 2.+3.

© Fraunhofer

Industrie- und Forschungsplattform Prognose

 Teilnehmer (50 - 60)

 Übertragungsnetzbetreiber  Verteilnetzbetreiber  Direktvermarkter

 Hersteller  Wetterdienstleister  Prognoseanbieter

 Forschungseinrichtungen  Universitäten  Treffen sind Halbjährig  Nächstes Treffen am 28.11.2014 in Offenbach © Fraunhofer

Homepage www.projekt-eweline.de

© Fraunhofer