WIEVIEL STROM ERZEUGEN WIND UND SONNE MORGEN?

Transkript

1 WIEVIEL STROM ERZEUGEN WIND UND SONNE MORGEN? Das Forschungsprojekt EWeLiNE * * Erstellung innovativer Wetter- und Leistungsprognosemodelle für die Netzintegration wetterabhängiger Energieträger

2 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

3 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

4 Energie- und Finanzfluss Stromfluss (EEG) Zahlungsfluss (EEG) Stochastische Einspeisung Stochastische Einspeisung HoBa EEG-Anlage VNB ÜNB ÜNB ÜNB ÜNB EEG-Vergütung Prämienzahlung Spotmarkt Reduzierte EEG-Umlage Lieferant EEG-Umlage Begünstigter Verbraucher

5 Kritische Wettersituationen Folgetagprognose nahe der Reserveleistung (ca. 7 GW): Abfall der Windleistung nicht vorhergesagt: Nebel nicht vorhergesagt:

6 Typische Fehlerquellen Wind: Winter: Stabile Wetterlage (pos. Bias) Sommer: Low-Level-Jet nicht vorhergesagt Fronten verschoben PV Konvektive Wettersituationen Schneebedeckung auf PV-Anlagen Nebel, Hochnebel Würzburg Andrea Steiner, DWD Carmen Köhler, DWD

7 Wetterprognose COSMO-EU COSMO-DE GME

8 Charakteristik Einflussgrößen für Windleistungsprognosen Atmosphäre Turbulenzen Abschattung Wind Wind Bewuchs Ozean Park Urban Gebirge Natürlich Lokal Global

9 Wind power Schritte zur Windleistungsprognose Globale Einflüsse Lokale & Parkeinflüsse Ergebnis Numerische Wetterprognose Windleistungs -konversionsmodell Windleistungs -prognose Punkt Ensemble Physikalisch Statistisch Day-Ahead Short -Term time

10 Physikalische Windleistungsprognose

11 Statistische Windleistungsprognose Wettervorhersage am Windpark Leistungsmessungen Windmessungen Messung Prognose D Leistung [MW] Tag Windparkprognose

12 Hochrechnung über repräsentative Windparkprognosen Unterteilung in Zellen mit bekannter Nennleistung Windeinspeisung einer Zelle durch gewichtete Summe aller Referenzwindparks P k s * A * P i i j j ij j measurement prediction 3 power in GW Sat Sun Mon Tue Wed Thu Fri Sat time P sum( t) Pi ( t) i

13 Ausgleichseffekte Windleistung in Deutschland Windparkgruppe Einzelne WEA

14 Forschungsprojekt EWeLiNE , 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

15 Holistische Verbesserung der Vorhersage Assimilation Kalibrierung MOS Anwendung Optimierung Anforderungen

16 Projektstruktur EWeLiNE Zusätzliche NWV-modelle Datenassimilation inkl. Vorwärtsoperator Numerische Wettervorhersage (NWV) Modelle Statistisches Post- Prozessing Leistungsprognosemodelle Kombination Modelle Beobachtungsdaten: Leistungsdaten Meteorologische Daten Hauptverantwortlich: DWD IWES ÜNB Nachbearbeitung: Erstellung Wetterprognoseprodukte Zusammenführung Wetterund Leistungsprognoseprodukte Anwendung: Wetter- und Leistungsprognosen Nachbearbeitung: Erstellung Leistungsprognoseprodukte

17 Probability Density Probabilistische Prognosen Measurement EPS mean PEPS wind speed [m/s] Aug Aug Aug-2008 Time Time

18 Wahrscheinlichkeit Angebot von negativer Regelleistung durch Windkraftanlagen Forderung 100% Vertrag mit Windkraftanlagen nicht möglich 99,994% guter Erfahrungswert Nutzung von probabilistischen Wind Prognosen X P(X x) P(X x) Leistung Mit probabilistischen Prognosen kann die Zuverlässigkeit des Angebots bestimmt werden.

19 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! IFS GME BC-EPS GFS GSM

20 Leistungskurven (Statistik erhaltend) 1 power [-] distribution Verteilung der Leistung (Messung und Prognose) power wind speed [m/s]

21 Zeitverlauf der Ensembleprognose und Messungen power /09 12/16 12/23 12/30 01/06 01/13 01/20 time

22 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 Leistung Rank 5 Leistung Rank 13 Leistung

23 Reliabilität und Streuung des Ensembles empirical probability forecast probability Das Leistungsensemble ist unterdispersiv (Streuung zu gering)

24 Vergleich von Quantile- und Ensemble-Prognose Quantile Ensemble 0.4 power :00 00:00 03:00 06:00 09:00 12:00 15:00 18:00 21:00 time Quantile: 5% - 95%

25 Reliabilität Ensemble versus Quantile Vorhersage Ensemble Quantile Prognose empirical probability empirical frequency forecast probability forecast probability Streuung des Ensembles ist zu gering -> Kalibrierung notwendig

26 CRPS potential CRPS Reliability CRPS EPS mean median+spread CDE

27 Deutschlandprognose Eingangsdaten 1. Persistenz Windparkprognosen 3. Ist-Hochrechnungen von 4 Regelzonen mit Zeitverschiebungen Zielgröße Deutschland EEG

28 Fehler der verschiedenen Ansätze Testzeitraum Vorhersagehorizont = 90 Min Deutliche Prognoseverbesserung durch Modell 3 und 4

29 Vergleich über Vorhersagehorizont

30 Industrie- und Forschungsplattform Prognose Teilnehmer (50-60) Übertragungsnetzbetreiber Verteilnetzbetreiber Direktvermarkter Hersteller Wetterdienstleister Prognoseanbieter Forschungseinrichtungen Universitäten Treffen sind Halbjährig Nächstes Treffen am in Offenbach

31 Homepage