Jan Dobschinski. Vorhersage der Prognosegüte verschieden großer Windpark-Portfolios

Transkript

1 8 Jan Dobschinski Vorhersage der Prognosegüte verschieden großer Windpark-Portfolios

2

3

4 kassel university press

5

6 Sieben Milliarden Träume. Ein Planet. Motto des Weltumwelttages 2015

7

8 Vorwort Die vorliegende Dissertation habe ich im Rahmen meiner Tätigkeiten als wissenschaftlicher Mitarbeiter am Fraunhofer-Institut für Windenergie und Energiesystemtechnik (IWES) in Kassel angefertigt. Besonders hervorzuheben sind die öffentlich geförderten Forschungsprojekte RAVE - Netzintegration von Offshore-Windparks (FKZ ) und Erstellung innovativer Wetter- und Leistungsprognosemodelle für die Netzintegration wetterabhängiger Energieträger (EWeLiNE, FKZ A), welche mir die Möglichkeit gaben, Fragestellungen im Kontext der Windleistungsprognose detailliert betrachten zu können und auf relevante Daten zurückzugreifen. In diesem Zusammenhang möchte ich den drei deutschen Übertragungsnetzbetreibern Amprion GmbH, TenneT TSO GmbH und 50Hertz Transmission GmbH sowie dem Deutschen Wetterdienst für die Datenbereitstellung innerhalb der genannten Projekte danken. Besonders danken möchte ich zuallererst Herrn Prof. i. R. Dr. Heinrich Werner, meinem Doktorvater, der meine Arbeit von Anfang an betreute und mir stets mit vielen wertvollen Hinweisen und Diskussionen zur Seite stand. Insbesondere danke ich ihm für das entgegengebrachte Vertrauen, das es mir ermöglichte, die Arbeit nach eigenem Ermessen zu erstellen. Ein weiterer besonderer Dank gilt Herrn Prof. Dr. Bernhard Sick, der freundlicherweise noch kurzfristig den Kommissionsvorsitz und die Gutachterposition übernommen und mich in der entscheidenden Phase der Fertigstellung mit sehr vielen nützlichen Anmerkungen unterstützt hat. Mit seinen erstklassigen Hinweisen hat er noch einen deutlichen Einfluss auf das Gelingen der Arbeit gehabt. Danken möchte ich ebenfalls Herrn Dr. Bernhard Lange, der mir als mein erster Gruppenleiter am Fraunhofer IWES (damals noch Institut für Solare Energieversorgungstechnik ISET) die Inhalte der Windleistungsprognose näher brachte und mich bei der Themenfindung für meine Arbeit jederzeit unterstützte. Ein weiterer Dank gilt meinen Kolleginnen und Kollegen sowie Vorgesetzten am Fraunhofer IWES, die mir stets freundschaftlich zur Seite standen und mit zahlreichen Diskussionen einen enormen Einfluss auf die von mir in dieser Arbeit behandelten Fragestellungen hatten. Ein herzlicher Dank gilt meinen Eltern und Schwiegereltern, welche mich und meine kleine Familie in vielerlei Hinsicht unterstützten und mir den Freiraum schafften, den ich benötigte, um diese Dissertationsschrift neben meinem Beruf fertigstellen zu können. Ein großer Dank geht auch an meinen Bruder Kai, der das Korrekturlesen übernommen hat. Ganz zum Schluss, aber am aller meisten, möchte ich meinen Kindern Jona und Lena sowie meiner lieben Frau Rebecca danken, die mir unendlich viel Verständnis entgegenbrachten, wenn ich wiedermal die Familienwochenenden im Büro verbringen musste. Aus meiner wundervollen Familie konnte ich stets die Kraft und Motivation schöpfen, die ich letztendlich benötigte, um das Ziel zu erreichen. Und hierfür bin ich sehr dankbar! VII

9 VIII

10 Kurzzusammenfassung Für den Betrieb und die Planung von Stromversorgungssystemen mit hohen Anteilen von Windenergie sind nicht nur verlässliche Modelle zu Vorhersage der zu erwartenden Windstrommengen erforderlich, sondern auch detaillierte Informationen über die Prognosegüte in Raum und Zeit. In der vorliegenden Arbeit wurde ein Windparkprognosemodell auf Basis Künstlicher Neuronaler Netze und Generalisierter Linearer Modelle entwickelt. Die beachtliche Güte des Modells konnte in einem internationalen Prognosewettbewerb bestätigt werden, in welchem die erzeugten Prognosen den geringsten Fehler im Vergleich zu elf weiteren Modellen aus Europa, Japan, Indien, USA und Australien aufwiesen. Das Modell wurde in dieser Arbeit eingesetzt, um mehr als 5000 Prognosen unterschiedlich großer Windparks und Windparkportfolios auf Basis 20 verschiedener Wetterprognosen für Zeithorizonte von 1 bis 48 Stunden zu berechnen. Die Güte der Prognosen wurde hinsichtlich räumlicher und zeitlicher Abhängigkeiten ausgewertet, um verschiedene offene Fragestellungen im Forschungsbereich der Windleistungsprognose verlässlich beantworten zu können. Dies betrifft beispielsweise die Integration von aktuellen Messwerten zur Verbesserung der Kürzestfristprognose, die Abhängigkeit der mittleren und maximalen Fehler vom Aggregationslevel, Zeithorizont und Wettermodell, die regionalen Unterschiede in der Vorhersagbarkeit verschiedener Wettermodelle sowie die Kombination von Wettermodellen. Auf Basis der umfangreichen Fehleranalyse wurden verschiedene Abhängigkeitsanalysen durchgeführt, um die Vielzahl von Einflussfaktoren, welche die Qualität einer Windleistungsprognose bedingen, näher identifizieren und formalisieren zu können. Die Analyse hat ergeben, dass ein nahezu positiv-linearer Zusammenhang zwischen dem RMSE- Prognosefehler und der Variabilität der Windstromeinspeisung im Auswertezeitraum besteht. Die Variabilität wird hierbei definiert durch den mittleren absoluten 1-Stunden- Leistungsgradienten. Der Determinationskoeffizient R 2 des beobachteten Zusammenhangs ist für alle Leistungsprognosemodelle und alle Vorhersagehorizonte größer Die Abhängigkeit zwischen Prognosegüte und Variabilität konnte genutzt werden, um ein neues Fehlermaß beta einzuführen, welches lediglich den modellspezifischen Fehler angibt, und so erstmals einen fairen Vergleich der Prognosegüte unterschiedlich großer Windparks und Portfolios erlaubt. Eine zusätzliche Analyse hat ergeben, dass die Wettermodelle mit geringeren Standardabweichungen, Mittelwerten und Gradienten in den Windgeschwindigkeitsprognosen sowie mit einer erhöhten räumlichen Auflösung im Mittel zu besseren Leistungsprognosen in dieser Arbeit führten. Mit Bezug auf die verschiedenen Abhängigkeiten wurde ein Künstliches Neuronales Netz Modell zur Vorhersage der Prognosegüte entwickelt und getestet. Die RMSE- Prognosegüte eines bisher nicht prognostizierten Windparks oder Portfolios konnte hierbei mit einem mittleren absoluten Fehler kleiner 0.4 % der installierten Leistung a priori für alle Vorhersagehorizonte und Fallbeispiele abgeschätzt werden. IX

11 X

12 Abstract The operation and planning of an electrical power system with high share of wind energy requires not only reliable models to forecast the upcoming wind power but also information about the spatial and temporal dependency of the forecast quality. Within this work a wind farm power prediction model has been developed on the basis of artificial neural networks and generalized linear models. The outstanding forecast quality of the model has been approved in an international benchmarking where the generated forecast showed the smallest error compared to eleven other models from Europe, Japan, India, USA and Australia. Within the scope of the present work the developed model has been applied to generate more than 5000 forecasts for unequal sized wind farms and wind farm portfolios based on 20 different weather forecast models. The time horizon of the forecasts covers 1 to 48 hours. The quality of the different forecasts has been analyzed with respect to spatial and temporal dependencies to be able to answer open questions in the research area of wind power forecasting. These concerns, for example, the usage of current power measurements to optimize shortest-term forecasts, the dependencies between mean and maximum errors and different aggregation levels, time horizons and weather models, the regional differences in the forecast performance of different weather forecasts as well as the combination of different weather forecasts. Based on the large-scale error investigation, an analysis has been performed to identify factors that correlate with the mean quality of a wind power forecast. The study revealed that there is a close to linear relationship between the RMSE forecast error and the variability of the wind power production during the testing time period. The variability is presented by the mean absolute gradient of the wind power production time series with a time resolution of one hour. The coefficient of determination R 2 between the highlighted relationship is higher than 0.86 for all time horizons and weather models. The identified correlation between variability and the forecast error was subsequently used to introduce a new error metric beta which only provides the forecast model-specific quality and which allows for a fair comparison between forecasts of different sized wind farms and wind farm portfolios. A further investigation has shown that weather models with less standard deviation, mean value and gradients in the wind speed forecast, but a higher spatial resolution in the model grid, lead in average to better wind power forecast quality within this study. With regard to all identified dependencies an artificial neural network model has been developed to estimate the forecast quality of diverse wind farms and portfolios in advance. The case studies have shown that the RMSE forecast errors of a test set of wind farms and portfolios could be estimated in advance with a mean absolute error smaller than 0.4 % of the respective installed capacity. XI

13 XII

14 INHALTSVERZEICHNIS VORWORT... VII KURZZUSAMMENFASSUNG... IX ABSTRACT... XI INHALTSVERZEICHNIS... XIII ABKÜRZUNGSVERZEICHNIS... XV 1 EINLEITUNG MOTIVATION ZIELSETZUNG UND WISSENSCHAFTLICHER FORTSCHRITT VERÖFFENTLICHUNGEN STRUKTUR DER ARBEIT DIE ROLLE DER WINDLEISTUNGSVORHERSAGE IN DEUTSCHLAND ENTWICKLUNG UND STAATLICHE FÖRDERUNG DER WINDENERGIE IN DEUTSCHLAND WINDLEISTUNGSPROGNOSEN ZUR NETZ- UND MARKTINTEGRATION IN DEUTSCHLAND Wälzungsmechanismus bei fester Vergütung der Windenergie Direktvermarktung von Windenergie Windleistungsprognosen für die Lastflussberechnung Übersicht aktuell eingesetzter Windstromprognoseprodukte ZUSAMMENFASSUNG VERWENDETE DATENBASIS LEISTUNGSMESSUNGEN EINZELNER WINDPARKS Geheimhaltung Vorverarbeitung der Leistungsmessungen Einspeisecharakteristik WINDSTROMEINSPEISUNG DER VIER REGELZONEN UND VON GESAMTDEUTSCHLAND NUMERISCHE WETTERVORHERSAGEMODELLE ZUSAMMENFASSUNG BERECHNUNG DER WINDLEISTUNGSPROGNOSEN STAND DER TECHNIK METHODIK ZUR ERSTELLUNG DER WINDLEISTUNGSPROGNOSEN BEWERTUNGSKRITERIEN UND FEHLERMAßE KÜNSTLICHE NEURONALE NETZE GENERALISIERTE LINEARE MODELLE MODELLEINGANGSPARAMETER Basis-Modeleingangsparameter Neuartige Modelleingangsparameter Analyse der Modelleingangsparameter durch eine sequentielle Vorwärtsselektion Einfluss der Modelleingangsdaten bei Verwendung mit KNN- und GLM-Modellen VERGLEICH UND KOMBINATION VON KNN- UND GLM-MODELLEN INTEGRATION VON ONLINE-LEISTUNGSMESSUNGEN XIII

15 4.9 AGGREGATION ZU WINDPARKPORTFOLIOS UND GESAMTDEUTSCHLAND ZUSAMMENFASSUNG ANALYSE UND KOMBINATION DER EINZELNEN WETTERMODELLE VERGLEICH DER NWV BASIERTEN LEISTUNGSPROGNOSEN AUF WINDPARKEBENE VERGLEICH DER NWV BASIERTEN LEISTUNGSPROGNOSEN FÜR VERSCHIEDEN GROßE WINDPARK-PORTFOLIOS ERGEBNISORIENTIERTE KOMBINATION DER NWV BASIERTEN LEISTUNGSPROGNOSEN ZUSAMMENFASSUNG UND BEWERTUNG VERGLEICHBARKEIT UND A PRIORI ABSCHÄTZUNG DER PROGNOSEGÜTE EINFLUSSFAKTOREN AUF DIE GÜTE VON WINDLEISTUNGSPROGNOSEN Formulierung des Prognosefehlers Einfluss des Windkomplex auf die Prognosegüte STANDARDISIERUNG DES PROGNOSEFEHLERS A PRIORI ABSCHÄTZUNG DER PROGNOSEGÜTE ZUSAMMENFASSUNG ZUSAMMENFASSUNG AUSBLICK ZUKÜNFTIGE HERAUSFORDERUNGEN FÜR EINSPEISEPROGNOSEN ERNEUERBARER ENERGIEN LITERATURVERZEICHNIS ANHANG A1 WETTERMODELL-SPEZIFISCHE PROGNOSEGÜTE ÜBER DEUTSCHLAND A2 - WINDPARKMESSUNGEN XIV