Vereisungsvorhersage für Windenergieanlagen

Transkript

1 Vereisungsvorhersage für Windenergieanlagen Methode und Entwickelung zu verbesserung der Vorhersage bei Vereisung Ir. Jarno Schipper Forecasting Analyst 1 SAFER, SMARTER, GREENER

2 DNV GL - Energy Asset Operations & Management Dienstleistungen Technische Betriebsführung Betriebsdatenanalyse und Optimierung Kurzzeit-Ertragsvorhersagen Inspektionen, Vermessungen und Gutachten SCADA-Lösungen Ertragsdatenanalyse Erfahrung Betriebsdatenanalyse von 50GW+ Kurzzeit-Ertragsvorhersagen für 40GW+ SCADA Systeme installiert auf über 7GW Inspektionen von >700 WEA per Jahr Leistungskurvenvermessung auf 500+ Anlagen 2

3 Überblick Motivation Methoden Resultaten Zusatzleistungen Schlussvolgerung Borrowed from Wind Energy Update 3

4 Power (% capacity) Wind Speed (m/s) Motivation Verlusten durch vereisung Eis vermindert den Wirkungsgrad: Jährliche ertragsverlusten von ~0% bis >10% Monatliche ertragsverlusten von 1% bis mehr als >50% Vereisungsvorhersagen sind meist nicht validiert! Grund: Es fehlt an zuverlässliche beobachtungsdaten! 1 0,8 0,6 Actual Power Expected Power Wind Speed ,4 6 0, Dez 13. Dez 15. Dez 17. Dez 19. Dez 21. Dez 23. Dez 25. Dez 27. Dez 29. Dez 31. Dez -0,2-3 4

5 ISO zu Eisbildung Makkonen Model Temperatur, Wind, LWC (Liquid Water Content) und MVD (Median volume Diameter) Abhängig von Objekt (Oberfläche, Größe, Form, Orientierung) Kondensationkeimen müssen vorhanden sein. Kennlinie von 1 Anlage betroffen von Eisansatz. Zuversichtliche Daten fehlen und es ist Sache die Kennlinien zu verwenden und diese zu modellieren 5

6 Vereisung in Europa Vereisung am häufigsten bei Temperaturen zwischen 0 und -7 C. Hebung von Luft über Komplexes Gelände führt zu bessere voraussetzungen von Vereisung The number of icing days, ref WECO,

7 Vanilla, Himbeer oder Chocola Art von Eis ist wichtig um die reduzierung der Leistung der WKA zu bestimmen. Jenach Eisart ändert sich die Dichte und damit das Gewicht/Lasten auf die Rotorblätter Unterschiedliche Eisarten kleben auch leichter/schwerer an die Rotorblätter Jenach Temperatur, Feuchte und Zeit sind verschiedene Eisarten möglich Type of ice Density kg/m 3 Adhesion and Cohesion Colour Glaze 900 Strong Transparent Wet Snow 300 to 600 Weak (forming) Strong (frozen) White Hard rime 600 to 900 Strong Opaque Soft rime 200 to 600 Low to medium White 7

8 Methoden Leistungsvorhersagen Wind Speed Wind Direction Temperature Pressure Ice accretion 8

9 Methoden Eismodel Z Wind Speed Wind Direction Temperature Pressure Relative Humidity LWC Ensemble Predictions Makkonen Modell Ensemble NWP Vorhersage Bestimmung Zeit Frost/Tau Eisbildung parametrisieren Adiabatische hebung Leistungs korrektur Base Icing 9

10 Normalised power Methoden Von Eis nach LEistung 1 0,9 0,8 0,7 0,6 0,5 0 g/m 7 g/m 15 g/m 0,4 0,3 25 g/m 60 g/m 0,2 0, Windspeed [m/s] Finnish Wind Energy Atlas: Ljungberg & Niemelä Model Basierend auf ISO wird der Eisdichte am Rotorblatt berechnet und mit der Windgeschwindigkeit die Leistung korrigiert 10

11 Resultaten November 2015

12 Validation Data 3 Wind Parks, ~40 WKA Projekten in Region 2 und Region 3, wo genügend Daten zu Verfügung standen um das Modell zu Testen Für jede Wind Park: ~1 Jahr Daten um das Modell zu trainieren ~1 Jahr Daten um das Modell zu validieren. Region 3 Region 2 Für all Projekten waren die Anlagen in Betrieb. Auch während Periode mit Vereisung (in gegensatz zu Deutschland) Region November 2015

13 Mean Absolute Error (% capacity) Resultaten 20% Wind Park 1 Avg. 13% icing loss over 4 years 18% 16% 14% 12% 10% 8% 6% 4% Day ahead accuracy improvement = 0.95% Base Forecast Power Icing Forecast Power 2% 0% Forecast Horizon (hours) 13

14 Mean Absolute Error (% capacity) Results 20% Wind Farm 2 - Avg. 6% icing loss over 3.5 years 18% 16% 14% 12% 10% 8% 6% 4% Day ahead accuracy improvement = 0.65% Base Forecast Power Icing Forecast Power 2% 0% Forecast Horizon (hours) 14

15 Mean Absolute Error (% capacity) Results 20% Wind Farm 3 - Avg. 4% icing loss over 3.5 years 18% 16% 14% 12% 10% 8% 6% 4% Day ahead accuracy improvement = 0.21% Base Forecast Power Icing Forecast Power 2% 0% Forecast Horizon (hours) 15

16 Mean Absolute Error (% capacity) Results 20% Overall 18% 16% 14% 12% 10% 8% 6% 4% Day ahead accuracy improvement = 0.6% Base Forecast Power Icing Forecast Power 2% 0% Forecast Horizon (hours) 16

17 Zusatzleistungen Ein bessere Vorhersage ist immer Kostengünstiger für Einspeisung und für Direktvermarktung. Für Windparkbetreiber: Preventives aktivierung von ein de-icing System Warnung an Wartungspersonal und bessere Planung Arbeiten Verbesserung der HSE während der Winterzeit (z.b. Eiswurf) 17

18 Power (% capacity) Eiswarnungs System 100% 80% 60% 40% 20% 0% 16. Okt 18. Okt 20. Okt 22. Okt 24. Okt 26. Okt 28. Okt Icing Forecast Power Icing Probability Actual Power 18

19 Schlussfolgerung Validierung hat gezeigt das DNV GL Eismodell hilft um die Leistungsvorhersage zu verbessern. Erfolgreich zu Bestimmung der verschiedene Arten von Eis. Reduziert der MAE bis zu 0.95% der Kapazität Eisbildung Eislasten Leistung ist zu modellieren Verbesserungspotenzial Meteorologische Voraussetzungen Vereisung Vereisungszeit Tau und Eiswurf Mehr daten Mehr validieren = Verbesserte Methoden Verbesserung der Vorhersage = Mehr gewinn, besssere betrieb des Wind Park und weniger Lasten auf der Anlage (wenn preventiv geheizt werden kann oder früher abgeregelt werden kann) 19

20 Vielen Dank für Ihre Aufmerksamkeit Jarno Schipper SAFER, SMARTER, GREENER November 2015