Auswirkung von Schneebedeckung auf den Ertrag von Photovoltaikanlagen

Transkript

1 Auswirkung von Schneebedeckung auf den Ertrag von Photovoltaikanlagen O.Harari 1, I.Kaelin 1, S.A.Mathez 2, C.Koller 1 1 University of Applied Science Zürich, ZHAW, IUNR/IAS, CH-8820 Wädenswil, Switzerland; 2 Solar Campus GmbH, CH-8620 Wetzikon, Switzerland; Einleitung Heutige Simulationstools für Photovoltaikanlagen berechnen in den Wintermonaten oft zu hohe Erträge für Anlagen im alpinen Raum. Dies kommt daher, dass die Schneeliegedauer auf den Modulen nicht miteinbezogen wird. Diese kann je nach Standort über längere Zeitspannen (bis zu mehreren Monaten) zu Ertragseinbußen führen. Ziel dieser Studie ist es, einen zusätzlichen Parameter ("Verschneiungsgrad") aus empirischen Daten zu ermitteln. Dieser soll die Auswirkung der Schneebedeckung in PV-Simulationsprogrammen berücksichtigen. Einfluss der Umgebungsparameter auf die PV-Leistung In der folgenden Abbildung werden über IDAWEB bezogene Wetterdaten (Globalstrahlung [kw/m 2 ], Schneefall [cm], Umgebungstemperatur [ C]) und der erreichte PV Ertrag [kwh/kwp] (PV-Anlage in Lenzerheide) im Januar 2013 einander gegenübergestellt. Peak bei 1.8 Peak bei 2.6 Abbildung 1: Einfluss der Umgebungsparameter auf die PV-Leistung Aus Abbildung 1 ist zu erkennen, dass Schneefall eine negative Auswirkung auf den PV-Ertrag haben kann. Dieser wurde beispielsweise eindeutig am 2., 11., 12.,

2 und 28. Januar durch Schnee auf den Modulen reduziert. Die Temperaturen lagen an diesen Tagen immer unter dem Gefrierpunkt. Nicht immer führt Schneefall aber zu einer Ertragseinbuße (siehe z.b. 30. und 31. Januar). An diesen Tagen kam es zumindest tagsüber zu Temperaturen über 0 C. Die Umgebungstemperatur scheint eine entscheidende Rolle zu spielen, was die Haftung des Schnees auf den Modulen angeht. Vergleich Simulation mit Messdaten Annahme: Werden in der Simulationssoftware Polysun, die zum Zeitpunkt der PV- Ertragsmessungen stattgefundenen Wetterdaten und der Horizont eingelesen, so sollte die Differenz der Simulation zu den gemessenen Erträgen in der Schneeliegedauer begründet sein, da alle übrigen relevanten Faktoren in der Simulation berücksichtigt werden. Datengrundlage Das EWZ (Elektrizitätswerk der Stadt Zürich) stellt für diese Arbeit die PV- Ertragsmessdaten zur Verfügung. Neigung und Azimut wurden Vorort ausgemessen. Um die realen Bedingungen in der Simulation möglichst genau abzubilden, werden zeitlich und räumlich mit den EWZ-Messdaten übereinstimmende externe Meteodaten in Polysun eingelesen. Für die Simulation mit externen Meteodaten werden Satelliten basierende Rasterdaten von MeteoSchweiz (Bundesamt für Meteorologie und Klimatologie) im NetCDF-Format bezogen. Die stündlichen Globalstrahlungs- und Diffusstrahlungsdaten sind pro Tag in einer separaten NetCDF-Datei gespeichert, währenddessen die Temperaturdaten als Tagesminimal-, Tagesmaximal-, und Tagesmittelwerte jeweils pro Jahr in einer separaten NetCDF-Datei gespeichert sind. Für den gewünschten Zeitraum von 6 Jahren sind diese schweizweiten Globalstrahlungs-, Diffusstrahlungs- und Temperaturdaten in 4`398 Einzeldateien abgespeichert. Diese wurden mit der Programmiersprache R bearbeitet und die gewünschten Standorte extrahiert.

3 Qualitativer Vergleich Aus dem Vergleich der Simulation mit den Messdaten lässt sich der Einfluss durch Schnee bei der PV-Anlage Kalliope Feldis (Höhe ü. M.: 1476 m, Azimut: 175, Neigung: 19.7 ) klar erkennen (Abbildung 2). Abbildung 2: Simulation und Messdaten PV-Anlage Kalliope Feldis (1476 m ü. M.) 2009 bis 2014 Statistische Auswertungen Die 12 getesteten PV-Anlagen befinden sich im Kanton Graubünden zwischen m. ü. M. Die Auswertung zeigt, dass die Annahme leider nicht generell bestätigt werden kann; bei den 12 getesteten Anlagen kommt es während den 6 Jahren teils auch im Sommer zu signifikanten Abweichungen der Messdaten von der Simulation. Detaillierter wird darauf in der Masterthesis 1 eingegangen. Die unerwarteten Abweichungen in den Sommer- und Herbstmonaten wie auch die punktuelle und knappe Datenlage verunmöglichen eine abschließende Aussage bezüglich des 1 Harari, O: Bauwerkintegrierte Photovoltaik im alpinen Raum ; Masterthesis, ZHAW Wädenswil, 2016

4 Verschneiungsgrads. Daher wird in dieser Arbeit versucht, die Simulationsgenauigkeit in den verschiedenen Monaten bzw. Quartalen zu quantifizieren. In diesem Zusammenhang definieren wir den einer PV-Anlage, als das Verhältnis aus Messdaten und Simulation. Der quantifiziert damit die Genauigkeit des Simulationstools (hier Polysun). Ein von 1 bedeutet, dass der simulierte PV-Ertrag zu 100 % mit dem gemessenen PV-Ertrag übereinstimmt. Abbildung 3: en (GF Meteo ) der Jahreserträge; n=12 Die en der Jahreserträge können über die Jahre erheblich variieren (Abbildung 3). Über alle getesteten 12 Anlagen liegt der Median der jährlichen en immer unter 1. Dies bedeutet, dass die von der Simulation erwarteten jährlichen PV- Erträge in der Praxis im Allgemeinen nicht erreicht werden. Die Streuung der en ist unter anderem auf die unterschiedlichen Höhenlagen zurückzuführen. Jahreszeitliche Schwankungen des s Werden die monatlichen en der 12 getesteten PV-Anlagen im Kanton Graubünden in 4 Quartale à 3 Monate unterteilt, ergeben sich pro Quartal 3 x 12 en, währenddessen beim Vergleich der Jahreserträge oder der monatlichen Erträge, die Stichprobe 12 en beinhaltet. Die Quartale werden gemäß den meteorologischen Jahreszeiten eingeteilt: Q1 = Dezember, Januar, Februar Q2 = März, April, Mai Q3 = Juni, Juli August Q4 = September, Oktober, November In den folgenden 2 Abbildungen werden die en der Jahre 2012 und 2014 besprochen. Der Kruskal-Wallis-Test zeigt, dass in beiden Jahren bezüglich Median signifikante Unterschiede zwischen den en der Quartale vorliegen (p<0.05). Mit der post-hoc Analyse (Wilcoxon-Test) lassen sich die Unterschiede lokalisieren. Verschiedene Gruppen sind durch unterschiedliche Buchstaben gekennzeichnet. Das Jahr 2012 zeigt, dass in schneereichen Jahren auch im Frühlingsquartal Q2 mit Einbußen infolge von Schneebedeckung gerechnet werden muss (Abbildung 4). Im Jahr 2014 hebt sich das Winterquartal nicht eindeutig von den übrigen Monaten ab (Abbildung 5). Eine größere Streuung ist im Winterquartal (Q1) jedoch immer zu vermerken.

5 Kruskal Wallis: P = 3.23 * Kruskal Wallis: P = 4.25 * 10-4 Abbildung 4: en (GF Meteo ) pro Quartal im Jahr 2012 mit post-hoc Analyse (die Buchstaben definieren die Gruppenzugehörigkeit); n=36 Abbildung 5: en (GF Meteo ) pro Quartal im Jahr 2014 mit post-hoc Analyse (die Buchstaben definieren die Gruppenzugehörigkeit); n=36 Pro Anlage wird aus den monatlichen en (GFMeteo) über die 6 Jahre der Median gebildet. Dies entspricht den mittleren monatlichen en unter Einbezug von Meteodaten in der Simulation (Median GFMeteo). Wegen der starken Streuung über die Jahre wird der Median verwendet. Dieser ist weniger empfindlich auf Ausreißer als der Mittelwert. Ein Vergleich der mittleren monatlichen en zeigt, dass die definierten Quartale sinnvoll gewählt worden sind. Mit einer post-hoc Analyse werden die monatlichen Unterschiede bezüglich der en lokalisiert. Die mit einem (a) gekennzeichneten Gruppen weisen deutlich niedrigere en auf als die Gruppen mit einem b (Abbildung 6). Kruskal Wallis: P = 5.32* Abbildung 6: Mittlere monatliche en unter Einbezug von Meteodaten in der Simulation (Median GF Meteo ) mit post-hoc Analyse (die Buchstaben definieren die Gruppenzugehörigkeit); n=12

6 Kruskal Wallis: P = 5.81 * Eingeteilt in die definierten Quartale, liegen die mittleren en über die getesteten 6 Jahre im Winterquartal (Q1) signifikant tiefer als in den übrigen Quartalen (Abbildung 7). Die geringen en im Q1 sind mit großer Wahrscheinlichkeit der unberücksichtigten Schneeliegedauer in der Simulation zuzuschreiben. Abbildung 7: Mittlere en (Median GF Meteo ) in den einzelnen Quartalen mit post-hoc Analyse (die Buchstaben definieren die Gruppenzugehörigkeit); n=36 Abhängigkeit des s von der Höhe über Meer Im Winterquartal Q1 ist eine negative Korrelation zwischen der Höhe über Meer und dem (Median GFMeteo) zu erkennen (Abbildung 8). Dies widerspiegelt sich im Pearson Korrelationskoeffizient (-0.60), welcher statistisch abgesichert ist (p-wert: 1.25*10-4 ). Mit zunehmender Höhe über Meer nimmt der der Simulation ab. Zudem kommt es mit ansteigender Höhe über Meer zu einer größeren Streuung der en. Dies weist darauf hin, dass mit zunehmender Höhe des Standorts, klimatische und anlagenspezifische Faktoren einen größeren Einfluss auf die eventuale Schneebedeckung der PV-Anlagen haben. Aus Abbildung 8 lässt sich Korrelation Höhe über Meer und Abbildung 8: Korrelation Höhe über Meer und (Median GF Meteo ) im Q1; n=36 erkennen, dass im Winterquartal (Q1) bei den PV-Anlagen, welche auf 600 m ü. M. installiert sind, im Mittel mit einem um ca. 20 % geringeren Ertrag gerechnet werden muss, als die Simulation aufgrund der Einstrahlung und Temperatur kalkuliert. Auf einer Höhe von 1500 m ü. M. muss im Mittel bereits mit einer Einbuße von ca. 60 % im Vergleich zur Simulation gerechnet werden. Zwischen den beiden genannten Höhenlagen nimmt die Einbuße infolge von Schneebedeckung annähernd linear zu. Neigung und Azimut korrelieren bei dem vorhandenen Datensatz nicht mit dem.

7 Fazit Die gemessenen Erträge der 12 untersuchten PV-Anlagen im alpinen Raum weichen infolge der Schneebedeckung im Winter zum Teil deutlich von den Simulationen ab. Die von der Simulation erwarteten jährlichen PV-Erträge werden im Mittel nicht erreicht. Um die Genauigkeit der Simulation in den einzelnen Monaten zu quantifizieren, definieren wir den als das Verhältnis aus Messdaten und Simulation. Pro Anlage wird über die 6 Jahre der Median der monatlichen en gebildet. Im Winterquartal (Dezember, Januar, Februar) liegen diese mittleren en signifikant tiefer als in den übrigen Quartalen. Zudem ist im Winterquartal eine negative Korrelation zwischen der Höhe über Meer und den mittleren en zu erkennen. Gerade im Winter sind in alpinen Lagen aufgrund der Einstrahlungs- und Temperaturverhältnisse überaus hohe Solarerträge möglich - je nach Neigung der Module sind in den Monaten Februar und März die höchsten Monatserträge zu erwarten. Ein besseres Verständnis der Voraussetzungen für zuverlässige Solarerträge ist daher von großer Bedeutung für die Verbreitung von PV-Anlagen in höher gelegenen Regionen. In höheren Lagen wäre eine Förderung von PVT-Anlagen eventuell prüfenswert. Im Winter kann dieses System kurzzeitig im Umkehrkreislauf betrieben werden und die aufgeheizten Kollektoren sorgen dann für schneefreie und leistungsfähige PV-Flächen. Ausblick Zur Bestimmung eines Verschneiungsgrads für Simulationstools sind folgende weiteren Schritte nötig: Erweitern der Datenlage: mind PV-Anlagen in unterschiedlichen Höhenlagen, mit verschiedenen Neigungen und Ausrichtungen möglichst verteilt im gesamten alpinen Raum. Erweitern des Meteo-Datensatz in der Simulation: Zusätzlich zur Globalstrahlung, Diffusstrahlung, Umgebungstemperatur, Luftfeuchtigkeit und Windgeschwindigkeit sollten Messdaten der Schneehöhe auf der horizontalen Fläche integriert werden. Bei verschiedenen Umgebungsbedingungen (Kombinationen aus solarer Einstrahlung, Umgebungstemperatur, Luftfeuchtigkeit, ev. Wind), gilt es einen Zusammenhang zwischen der Schneebedeckung auf der horizontalen Fläche und der unterschiedlich geneigten Moduloberfläche zu finden. Auch der Einfluss der Ausrichtung gilt es in Feldmessungen zu prüfen. Da PV-Anlagen in den meisten Fällen gegen Süden, bzw. Südwest/Südost ausgerichtet werden, ist möglicherweise der Parameter Azimut in der Anwendung nicht entscheidend. Sicher müsste jedoch der Faktor gestapelter Schnee (abhängig von der Höhe der Module über Boden, bzw. dem Schneefänger und der Länge der geneigten Ebene), mitberücksichtigt werden. Auch müsste die Situation einer Teilbedeckung durch Schnee in die Simulation einfließen. In einer ersten Vereinfachung könnte angenommen werden, dass eine vollflächige Schneeschicht auf den Modulen zu einem Ertrag von 0 kwh/kwp führt. Durch die Einbindung des Lichtdurchlassgrads verschiedener Schneearten und dicken könnte die Simulation in einem weiteren Schritt verfeinert werden.