Windleistungsprognose als Werkzeug zur Integration von Windenergie in das Stromversorgungssystem

Transkript

1 Windleistungsprognose als Werkzeug zur Integration von Windenergie in das Stromversorgungssystem Internationale Erfahrungen mit ISETs Wind Power Management System WPMS Florian Schlögl, Ljubomir Adzic, Christoph Karner*), Bernhard Lange, Reinhard Mackensen, Kurt Rohrig, Temistocle Baffa Scirocco **) Institut für Solare Energieversorgungstechnik, ISET e.v., Königstor 59, Kassel, Germany, tel: +49-(0) , fax: +49-(0) , web: *) Verbund - Austrian Power Grid AG, Am Hof 6a, 1010 Wien, Österreich, christoph.karner@verbund.at, tel: +43-(0) **) Terna, Via Palmiano Roma, temistocle.baffascirocco@terna.it, Tel , Fax Kurzfassung: Windenergie ist eine dargebotsabhängige Energieform, d. h. die Einspeisung von elektrischer Leistung ist unter anderem von der Windstärke abhängig. Um diese fluktuierende Einspeisung in das elektrische Energieversorgungssystem integrieren zu können, sind ab einem gewissen Anteil von Windenergie an der Gesamtenergieerzeugung Vorhersagesysteme unabdingbar. Das vom ISET entwickelte Wind Power Management System (WPMS) ist seit längerem bei den deutschen Übertragungsnetzbetreibern (ÜNB) erfolgreich im Einsatz. Dort wird vor allem die Folgetagsprognose zur Planung und Netzbetriebsführung verwendet. Die Berechnung der Prognosen wird mittels künstlicher neuronaler Netze (KNN) durchgeführt. Neben der Prognosefunktionalität bietet das WPMS auch einen Hochrechnungsalgorithmus, der es ermöglicht die Energieerzeugung eines größeren Gebiets aus wenigen repräsentativen Messungen zu ermitteln. Im Zuge des Ausbaus der Windenergieerzeugung in Europa wird ein Prognosesystem auch für andere Länder interessant. Dabei stellen sowohl die unterschiedlichen wirtschaftlichen und rechtlichen Rahmenbedingungen als auch die verschiedenen Betriebsabläufe bei den ÜNB neue Anforderungen an das Prognosesystem. Im Rahmen der Installation des WPMS in den Ländern Ägypten, Italien und Österreich wurde das System an die entsprechenden Bedingungen angepasst und dabei um verschiedene Funktionen erweitert. Es werden die Erfahrungen, die bei der Einführung des WPMS in den oben genannten Ländern gemacht wurden, beschrieben. Hierfür wird zunächst die aktuelle Situation der Windenergie in den verschiedenen Ländern dargestellt, um anschließend auf die Anforderungen der ÜNB an das Prognosesystem, insbesondere an Prognosezeitpunkt und - Seite 1 von 10

2 horizont einzugehen. Schließlich werden die Ergebnisse der Vorhersage und die Erfahrungen bei der Einführung des Systems präsentiert. Durch die notwendig gewordene Weiterentwicklung verfügt WPMS nun über die folgenden Merkmale: Eine Folgetagsvorhersage basierend auf Daten, die mit Hilfe numerischer Wettermodelle ermittelt wurden. Eine Kurzfristvorhersage, die zusätzlich gemessene Leistungsdaten der nahen Vergangenheit verwendet, um eine Verbesserung der Prognosegüte im Bereich bis zu 8 Stunden zu erreichen. Eine dynamische Ermittelung des Prognosefehlers. Eine Hochrechnung zur Ermittlung der Gesamtleistung auf Basis einiger weniger Messungen. Vorhersagen für Teilregionen des Vorhersagegebiets. Ein Werkzeug, dass es dem Anwender ermöglicht die KNN mit neuen Daten zu verbessern. Keywords: Windleistungsprognose, Integration von Windenergie, künstliche neuronale Netze 1 Einleitung Das äußerst dynamische Wachstum der Windenergie hält weltweit weiter an. Ende des Jahres 2006 wurde eine installierte Leistung von 74,246 GW erreicht. Im gleichen Jahr wurden 15,216 GW neu installiert. Das entspricht einem Zuwachs von 26 % nach einem Zuwachs von 24 % im Jahr davor. Der Anteil der durch Wind erzeugten Energie an der Gesamterzeugung von elektrischer Energie beträgt weltweit mehr als 1 %. Auch für die folgenden Jahre wird eine ähnliche Entwicklung vorrausgesagt. Für das Ende des Jahres 2007 wird eine installierte Leistung von 90 GW erwartet. [WEI2007] Bei Windenergie handelt es sich um eine dargebotsabhängige Energieform. Im Gegensatz zu den meisten Fällen konventioneller Erzeugung ist es nicht möglich, die elektrische Energie gemäß Fahrplänen bereitzustellen, vielmehr ist die Erzeugung abhängig vom nicht zu beeinflussenden Wettergeschehen. Ist der Anteil der Windenergie im elektrischen Energieversorgungssystem gering, so geht die fluktuierende Einspeisung aus Wind im Lastrauschen unter, d. h. sie macht sich als negativer Lastprognosefehler bemerkbar und kann mit den üblichen Mitteln zur Regelung des elektrischen Stroms ausgeglichen werden. Erreicht der Anteil der Windenergie einen bestimmte Größenordnung, so wird dieses Vorgehen unwirtschaftlich. Ähnlich wie die Last ist die Windenergieerzeugung, innerhalb der Grenzen der Prognosegenauigkeit, prognostizierbar. Der Einsatz eines Windprognosesystems ermöglicht es, die Windenergieeinspeisung bis zu 3 Tage im voraus zu bestimmen und so den Einsatz konventioneller Kraftwerke zu bestimmen oder auf den Strommärkten aktiv zu werden. Auf diese Weise müssen nur noch die durch die Seite 2 von 10

3 Prognosefehler verursachten Abweichungen durch teure Ausgleichsenergie aus kurzfristig abrufbaren Regelenergiarten aufgebracht werden. Neben der oben beschriebenen Folgetagsprognose kann auch eine Vorhersage für kürzere Zeiträume, d.h. im Bereich einiger weniger Stunden, nützlich sein. Dazu kann, im weiteren Sinne, auch die Bestimmung der augenblicklichen Einspeisung (Ist-Prognose) gezählt werden. Diese Kurzfristprognose kann verwendet werden, um einerseits auf eventuell vorhandenen Intra-Day-Märkten tätig zu werden, oder andererseits Netzbetriebsführung zu unterstützen. Dabei kann die Tatsache genutzt werden, dass aufgrund räumlicher Ausgleichseffekte, die Windeinspeisung im Vergleich zur Last weniger stark fluktuiert. Deshalb müssen zur Ausregelung der Windenergie nicht die sehr kurzfristig abrufbaren und damit sehr teuren Regelenergieprodukte, wie Primär- oder Sekundärregelung in Anspruch genommen werden. 2 Das Wind Power Management System (WPMS) In Zusammenarbeit mit der E.ON Netz GmbH wurde am ISET ein Modell entwickelt, dass aktuell die zeitgleich eingespeiste Windleistung aller Windenergieanlagen (WEA) im Versorgungsgebiet berechnet und der Systemführung zur Verfügung stellt. Über Gleichungssysteme und Parameter, die neben den technischen Daten der WEA auch die räumliche Verteilung berücksichtigen, wird dabei die aktuell eingespeiste Windleistung für das betreffende Versorgungsgebiet ermittelt. Die Messdaten von ausgewählten, repräsentativen Windparks werden je nach ÜNB auf verschiedenen Wegen an die Leitwarte übermittelt. Die für den Lastverteiler online berechnete Summenganglinie wird rückwirkend in regelmäßigen Abständen mit einer über Extrapolation von Wind- und Leistungsdaten berechneten Summenganglinie verglichen und mittels Parameteroptimierung fortlaufend angepasst und verbessert. Dieses Modell ist seit Mitte 1999 im Lastverteiler der e.on Netz GmbH, seit Anfang 2003 bei RWE Transportnetze Strom und seit Ende 2003 bei Vattenfall Europe Transmission für die Online-Erfassung der aktuellen Windeinspeisung erfolgreich im Einsatz. Eine ausführliche Beschreibung dieses Hochrechenverfahrens befindet sich in [ROH2004] Kernstück des Prognosemodells sind Künstliche Neuronale Netze. Bei diesem Ansatz steht nicht ein physikalisches Modell im Vordergrund sondern die Verknüpfung von Erfahrungswerten aus der Vergangenheit. Für die Windleistungsprognose wird das KNN mit gemessenen Wind- und Leistungsdaten aus der Vergangenheit trainiert. Da kein physikalisches Modell verwendet wird, können auch Zusammenhänge untersucht werden, die sehr komplex und nicht vollständig analytisch darstellbar sind. Von Vorteil ist, dass auch mit widersprüchlichen, unvollständigen oder verrauschten Daten hochwertige Prognosen erstellt werden können Die, mit den trainierten KNN berechneten, Windparkleistungen der repräsentativen Standorte werden als Eingangsdaten für das Online-Modell genutzt. Mit dieser Kombination wird die Vorhersage der Windleistung der gesamten Regelzone, basierend auf nur wenige Standorte mit numerischer Windvorhersage, ermöglicht. Die numerischen Wettervorhersagen des DWD werden bislang nur zweimal täglich zur Verfügung gestellt. Dieses führt zu Ungenauigkeiten bei den so genannten physikalischen Seite 3 von 10

4 Windleistungsprognosemodellen, die nur diese meteorologischen Daten für ihre Vorhersagen nutzen. Der Einfluss der lokalen Wettersituation auf die zu erwartende Windenergieeinspeisung ist bei kürzeren Prognosehorizonten jedoch größer als der Einfluss der Großwetterlage. Zusätzlich zu den prognostizierten Winddaten werden online gemessene Windparkleistungen als Eingangsgrößen für das Modell genutzt, um damit Kurzzeitprognose bis zu 8 Stunden zu optimieren. Um die Beziehung zwischen prognostizierten, meteorologischen Parametern und der Windparkleistung zu erlernen, werden die KNN mit Daten aus der Vergangenheit trainiert. Das minimal benötigte Datenvolumen beträgt rund 4 Monate, stündlich aufgelöste, zeitgleiche meteorologische Parameter und gemessene Leistungsdaten. Nach dieser ersten Trainingsphase ist das Modell einsatzbereit. In der ersten Einsatzphase (ca. 1,5 2 Jahre) werden die KNN regelmäßig nachtrainiert, um die Genauigkeit zu verbessern. Abbildung 1: Modulare Struktur des WPMS Durch den modularen Aufbau des WPMS ist diese einfach in beliebige Systemumgebungen integrierbar. Die Eingangsdaten, die prognostizierten meteorologischen Parameter und die gemessenen Windparkdaten werden über einen Präprozessor in XML-Format konvertiert und an den Prognose-Kern geschickt. Die Ergebnisse des Kerns werden wiederum im XML- Format zur Verfügung gestellt und können über einen Post-Prozessor in beliebige Formate umgewandelt werden. Eine weiterführende Beschreibung der Windprognose befindet sich in [BOY2007]. 3 WPMS international In Länder mit einer hohen Durchdringung des Energieversorgungssystems mit Windenergie, wie Dänemark, Spanien oder Deutschland, werden bereits seit geraumer Zeit Prognosesysteme zur Integration der fluktuierenden Einspeisung aus WEA in das Stromnetz Seite 4 von 10

5 eingesetzt. Im Zuge des weltweiten Ausbaus der Windenergie kommen immer mehr Länder in die Situation, wo Prognosesystem für die Ausregelung des Windstroms zuständigen Institutionen, meist der ÜNB, interessant wird. Im letzten Jahr wurde das vom ISET entwickelte WPMS in den drei Ländern Ägypten, Italien und Österreich installiert. 3.1 Ägypten Beschreibung der Windsituation Ägyptens Stromsektor ist weit entwickelt und weist eine nahezu 100-prozentige Versorgung der Bevölkerung aus. Angesichts eines rasant steigenden Energiebedarfs der wachsenden ägyptischen Bevölkerung und Wirtschaft, gewinnt das Potential an eigenen erneuerbaren Energien immer mehr Bedeutung. Um die dringend benötigten Einkünfte aus Erdöl- und Erdgasexporten nicht durch den hohen Eigenkonsum zu schmälern, um die Schadstoffemissionen zu senken, seinen internationalen Verpflichtungen nachzukommen und um die wirtschaftliche Entwicklung Ägyptens langfristig durch Ausschöpfung regenerativer Ressourcen zu sichern, beginnt das Land, seine Energie-Potentiale jenseits von Öl und Gas auszuloten und zu nutzen. [KfW2007] Abbildung 2: Windpotential in Ägypten An der Küste des Roten Meeres entstand in mehrjähriger deutsch-dänisch-ägyptischer Kooperation der Windpark Zafarana. In dieser Region ist die Windsituation mit Durchschnittswindgeschwindigkeiten von bis zu 10 m/s besonders günstig (siehe Abbildung Seite 5 von 10

6 2). Es wurden insgesamt zwei Windparks mit dänischer und zwei Windparks mit deutscher Unterstützung errichtet. Nach Fertigstellung der vierten und letzten Ausbaustufe hat das Projekt eine Leistung von 140 Megawatt. Ägypten hatte Ende 2006 installierte Windleistung von 230 MW bei einer gesamten installierten Leistung von etwas über 20 GW. Der Anteil der erzeugten Energie aus Wind betrug 0,5 % [WEI2007] Anforderungen an das Prognosesystem Die Bevölkerung Ägyptens konzentriert sich auf das Niltal und delta, weshalb sich auch dort das Zentrum des Energieverbrauchs befindet. Da die Erzeugung von Windstrom jedoch an der Küste des Golfs von Sues angesiedelt ist, muss der Strom über relativ weite Strecken transportiert werden. Bisher ist die Menge der erzeugten Windenergie noch so gering, dass die Integration in das elektrische Versorgungssystems noch ohne Windleistungsprognose problemlos möglich ist. Die Institution eines Übertragungsnetzbetreibers, der für solche Fragestellungen zuständig wäre, befindet sich gegenwärtig im Aufbau. Ziel des Projektes war es deshalb, vor allem, die Nützlichkeit eines Prognosesystems zu demonstrieren. Im Rahmen des Projekts Feasability Study for a large Wind Farm at Gulf of Zayt sollten vier Windparks in Zafarana prognostiziert werden. Dabei handelt es sich um je zwei Parks, die von deutscher und von dänischer Seite co-finanziert wurden. Eine Übersicht über die Windparks bietet Tabelle 1. Name Installed Capacity No. of Turbines Capacity per Turbine Manufacturer In operation since ZF1 DANIDA1 30 MW kw Nordex Apr ZF2 KFW1 33 MW kw Nordex May 2001 ZF3 DANIDA2 30 MW kw Vestas Nov ZF4 KFW2,3 47 MW kw Vestas Jun Tabelle 1: Übersicht über die prognostizierten Windparks in Zafarana Umsetzung der Anforderungen Da es sich in erster Linie um ein Demonstrationsprojekt handelt gab es kaum Anforderungen von Seiten der Betreiber. Als Eingangsdaten wurden meteorologische Daten der Firma WEPROG gewählt. Diese stehen vier mal am Tag zur Verfügung. Leistungsmessungen standen im Zeitraum von bis zur Verfügung. Die Qualität der Leistungsdaten war nicht sehr gut, so dass nur etwa ein Drittel des ohnehin recht kurzen Zeitraums genutzt werden konnte. Im Anbetracht der hohen Kapazitätsfaktoren war die Qualität der Vorhersagen sehr gut (siehe Tabelle 2). Es kann allerdings nicht ausgeschlossen werden, dass durch die oben erwähnte Datenfilterung schwer zu prognostizierende Perioden ausgeschlossen wurden. Name DANIDA1 KFW1 DANIDA2 KFW2,3 nrmse 11,89 % 14,51 % 15,62 % 18,15 % mrmse 27,17 % 34,99 % 32,99 % 34,80 % Capacity Factor 43,76 % 41,46 % 47,36 % 52,16 % Seite 6 von 10

7 Correlation 88,38 % 88,16 % 88,18 % 83,96 % Bias 1,83 % 0,17 % -1,98 % -0,61 % Tabelle 2: Genauigkeitsmasse der 4 Ägyptische Windparks 3.2 Italien Beschreibung der Windsituation Abbildung 3: Verteilung der installierten Windleistung in Italien Italien hatte Ende 2006 eine installierte Windleistung von etwas über 2 GW bei einer gesamten installierten Leistung von ca. 93 GW. Der Anteil der erzeugten Energie aus Wind betrug 2 % [WEI2007]. Verglichen mit der Situation in Länder wie Dänemark, Spanien oder Deutschland ist der Anteil der Windenergie über das ganze Land gesehen relativ gering. Allerdings ist dieser Anteil ungleich verteilt. Vor allem auf den Inseln Sardinien und Sizilien befinden sich große Windkapazitäten, während insbesondere Sardinien recht schwach an das italienische Gesamtnetz angeschlossen ist (siehe Abbildung 3) Anforderungen an das Prognosesystem Die ungleichmäßige Verteilung der WEA in Italien, mit Schwerpunkten in der Südhälfte des Landes und auf den Inseln macht schon heute den Einsatz eines Prognosesystem sinnvoll. Seite 7 von 10

8 Der italienische ÜNB Terna (Trasmissione Elettricità Rete Nazionale S.p.A) hat deshalb eine EU-Ausschreibung durchgeführt. Da die Anforderungen an das Prognosesystem waren recht umfangreich. Es wurde eine Windleistungsprognose gefordert, die zwei mal täglich bis spätestens 08:00 und 18:00 verfügbar sein muss. Der Vorhersagehorizont muss 72 Stunden betragen, die ersten 24 Stunden davon mit viertelstündlicher Auflösung, der Rest mit stündlicher Auflösung. Zusätzliche muss für jede Prognose ein Genauigkeitsintervall angegeben werden. Zu erreichende Genauigkeitswerte wurden vorgeschrieben und mussten in einer Validierungsphase nachgewiesen werden. Sehr hohe Anforderungen wurden an das Datenmanagement und die Benutzeroberfläche gestellt Umsetzung der Anforderungen Um die sehr hohen Anforderungen erfüllen zu können, hat ISET zusammen mit der Kisters AG und ifs Italia S.r.l. ein Konsortium gebildet, das die Ausschreibung für sich entscheiden konnte. Kisters bietet, unter anderem, die professionelle Energiedatenmanagementsoftware BelVis an, in die WPMS als Prognosemodul integriert wurde. Mit BelVis konnten die hohen Anforderungen, die Terna an Datenmanagement und Benutzerfreundlichkeit gestellt wurden, erfüllt werden. ifs sorgte für Installation, Inbetriebnahme und Betreuung bei Terna vor Ort. Die meteorologischen Daten werden von MC-Wetter geliefert. Gemäss der Anforderungen wurde ein Genauigkeitsintervall implementiert. Dieses basiert auf dem RMSE der aus historischen Prognosen für verschiedene Windklassen bestimmt wird. Anschließend wird das Intervall so skaliert, dass 80 % aller Werte für diesen historischen Datensatz innerhalb der Grenzen des Intervalls liegen. 3.3 Österreich Beschreibung der Windsituation Die gesamte installierte Leistung an Windenergie in Österreich betrug Ende 2006 ca. 1 GW bei einer gesamten installierten Leistung von etwa 8 GW. Der Anteil der erzeugten Energie aus Wind betrug 1,5 % [WEI2007]. Für die Windenergieprognose wurden die Windkraftanlagen in der Regelzone Ost, basierend auf detaillierte Analysen, zu zehn virtuellen Windparks, sogenannten Windclustern, zusammengefasst. Aufgrund der geografischen Gegebenheiten konzentriert sich die installierte Leistung im Osten der Regelzone mit Schwerpunkt im östlichen Niederösterreich und dem nördlichen Burgenland. In den letzten Jahren erfolgte in Österreich ein rasanter Ausbau der Windkapazitäten. Seit dem Januar 2003 erhöhte sich die installierte Leistung von ca. 130 auf knapp über 973 MW. Im Detail kann die Verteilung und größenordnungsmäßige Zuordnung der Anlagen zu den Clustern der kommenden Abbildung entnommen werden: Der schnelle Kapazitätszuwachs stellt wesentlich höhere Anforderungen an die Leistungsprognose um einen sicheren Netzbetrieb gewährleisten zu können. Außerdem bestand die Notwendigkeit die erzeugte Ökoenergie quotengerecht an die Bilanzgruppen zu verteilen. So wurden in den letzten Jahren in der APG eine Reihe von Tools und Modellen entwickelt um dieser sensiblen Aufgabe gerecht zu werden. Seite 8 von 10

9 Abbildung 4: Windcluster (Virtuelle Windparks) Anforderungen an das Prognosesystem Aus den obengenannten Grund wurde von der APG das ISET beauftragt, den größten Windcluster Andau Neusiedl, der fast 38 % der gesamten Winderzeugung repräsentiert, zusätzlich zu den bereits bestehenden Prognosewerkzeugen, mittels neuronalen Netzen zu modellieren. Damit wird die Möglichkeit geschaffen zukünftig die APG-internen Modelle mit einem extern entwickelten Tool zu verifizieren und auf Plausibilität hin überprüfen zu können. Für die tägliche Zuweisung der Ökostrommenge muss die Windleistung bis spätestens 10 Uhr berechnet werden. Basis dafür sind die meteorologischen Prognosen der ZAMG (Zentralanstalt für Meteorologie und Geodynamik) in Wien, die täglich automatisiert übermittelt werden. Am Freitag besteht die Notwendigkeit, nach dem derzeit gültigen Regelsystem, die Leistungsprognose bereits bis Montag zu erstellen. Wenn ein Wochenende durch Feiertage verlängert wird kann sich der Prognosehorizont sogar bis zu sechs Tagen erstrecken. Diese Mehrtagesprognosen stellen derzeit auch die größte Herausforderung an die APG dar, da mit zunehmenden Prognosehorizont sich die Qualität der Windprognose deutlich verringert Umsetzung der Anforderungen Es wurden meteorologischen Daten der Wettermodelle ALADIN und des ECMWF, die durch die ZAMG bereitgestellt wurde, verwendet, um die KNN zu trainieren. Bei ALADIN handelt es sich um ein Wettermodell, das speziell für die Wettersituation im Alpenraum angepasst ist. Es hat sich gezeigt, dass die mit dem ALADIN-Modells erzeugten Daten trainierten Netze bessere Ergebnisse liefern als die, die mit den ECMWF Daten trainiert wurden. Die Prognosequalität von KNN hängt unter anderem von der Menge historischer Daten ab, die für das Training verwendet werden können. Damit APG die Möglichkeit hat die KNN neu zu trainieren, wenn mit der Zeit mehr Daten auflaufen wurde vom ISET ein Nachtrainingstool entwickelt. Dabei handelt es sich um ein vereinfachtes KNN-Trainingstool, das ein einfaches und benutzerfreundliches Nachtraining der KNN erlaubt. Seite 9 von 10

10 4 Zusammenfassung In den letzten Jahren konnte ISETs WPMS erfolgreich in den drei Ländern Ägypten, Italien und Österreich eingeführt werden. Dabei zeigte sich, dass das Prinzip von WPMS, die Bestimmung der zu erwartenden Windleistung aus prognostizierten Wetterdaten mit Hilfe neuronaler Netze, problemlos auf die Verhältnisse anderer Länder übertragen lässt. Das beinhaltet die Verwendung von Prognosedaten unterschiedlicher Wetterdienste, unterschiedlichen Wettersysteme, die Windparkkonstellation und vor allem die Anforderungen der ÜNB. WPMS verfügte vor der Einführung in die drei obengenannten Länder über eine Folgetagsvorhersage basierend auf Daten von numerischen Wettermodellen, eine Kurzfristvorhersage im Bereich bis zu 8 Stunden, die zusätzlich gemessene Leistungsdaten der nahen Vergangenheit verwendet und der Hochrechnung zur Ermittlung der Gesamtleistung auf Basis einiger weniger Messungen. Um die Anforderungen der internationalen Kunden zu erfüllen, wurde eine dynamische Ermittelung des Prognosefehlers, Vorhersagen für Teilregionen des Vorhersagegebiets und ein Werkzeug, dass es dem Anwender ermöglicht die KNN mit neuen Daten zu verbessern hinzugefügt. 5 Literatur [WEI2007] WWEA (ed.), Wind Energy International 2007/2008, 2007, ISBN: [LAN2007] Lange B. et al, Wind Power Prediction in Germany - Recent Advances and Future Challenges, European Wind Energy Conference, Athen, 02/2006. [BOY2007] Boyle, G. (ed) (2007) "Renewable Energy and the Grid: The Challenge of Variability", chapter Wind power forecasting by B. Lange, K. Rohrig, F. Schlögl, Ü. Cali, R. Jursa, Earthscan, London, 240pp, ISBN [KfW2007] Windpark Zafarana in Ägypten, rprint.html. [ROH2004] Rohrig K., Rechenmodelle und Informationssystems zur Integration großer Windleistungen in die elektrische Energieversorgung, Dissertation an der Universität Kassel, 2004 Seite 10 von 10