Fernerkundung der Solarstrahlung für Anwendungen in der Energietechnik

Transkript

1 Fernerkundung der Solarstrahlung für Anwendungen in der Energietechnik A. Hammer, E. Lorenz, S. Petrak, Carl von Ossietzky Universität Oldenburg September 27 1 Inhalt Die Arbeitsgruppe Energiemeteorologie stellt täglich die Solarstrahlung am Erdboden für Europa bereit. Diese Daten werden operationell genutzt zur Strahlungsvorhersage und zur Überwachung der Funktion von Photovoltaikanlagen. Als Grundlage dienen Satellitendaten der Meteosat Second Generation. Aus dem HRV-Kanal wird über die Heliosat-Methode die Bewölkung bestimmt und in eine breitbandige Transmission, den sogenannten Clearsky-Index, umgerechnet. Mit Hilfe eines geeigneten Clearsky- Modells kann hieraus die globale, horizontale Bestrahlungsstärke ermittelt werden. Die Aufteilung der Globalstrahlung in Direkt- und Diffusstrahlung ist für die Umrechnung auf geneigte Modulflächen bzw. für den Ertrag konzentrierender Systeme entscheidend. Die Genauigkeit der Methode wird mit 2 Stationen des Deutschen Wetterdienstes untersucht. Anhand einer situationsspezifischen Analyse wird gezeigt, welche Modellierungen zu Verbesserungen des Verfahrens geführt haben. 2 Einleitung Die Energiemeteorologie ist ein junges Forschungsgebiet, dem in der gegenwärtigen Energieversorgung immer mehr Bedeutung beigemessen wird. Betrachtet man die zur Zeit 21.5 GW installierter Windleistung, die 26 mit 3.5 TWh zu mehr als 5% den jährlichen Stromverbrauch in Deutschland decken konnten, so wird die Bedeutung von Windvorhersagen und Windstromvorhersagen unmittelbar klar. Wurden in Deutschland im Jahr 21 noch 76 GWh Strom durch Photovoltaik produziert, waren es 26 geschätzte 2. GWh - mehr als 26 mal so viel. Bei Fortsetzung dieses Trends wird eine Solarvorhersage dem Energieversorger helfen, zu quantifizieren, wie die Photovoltaik in einem Versorgungsgebiet Lastspitzen ausgleichen wird. Bereits heute hilft dem Eigentümer der Solaranlage eine Ertragsüberwachung dabei, Fehler schnell zu erkennen und nach deren Behebung wieder die maximal mögliche 1

2 Einspeisevergütung zu erhalten. Dazu ist es aber nötig, nicht nur die Einstrahlung auf die geneigte Modulfläche möglichst genau zu bestimmen, sondern mit Hilfe einer Beschreibung der technischen Komponenten der Anlage den produzierten Strom. Starke Abweichungen der tatsächlich eingespeisten Leistung von der berechneten weisen auf eine fehlerhafte Anlage hin. Mit Hilfe des sogenannten footprint-algorithmus (PVSAT2) werden die Fehler sogar spezifiziert. In diesem Artikel wird die Methode beschrieben, mit der die Solarstrahlung am Erdboden aus Satellitendaten abgeleitet wird. Dies geschieht an der Universität Oldenburg täglich operationell. 3 Anwendung der Heliosat Methode auf MSG Die Heliosat-Methode ist ein Verfahren zur Bestimmung der Globalstrahlung am Boden aus Satellitenbeobachtungen. Die ursprünglich von [Cano et al. 86] eingeführte Methode wurde kontinuierlich weiterentwickelt, siehe [Beyer et al. 96] und [Hammer ] sowie [Lorenz 7]. Im Folgenden wird zunächst ein Überblick über die notwendigen Verfahrensschritte gegeben. Die eingeführten Modifikationen setzen an verschiedenen Punkten des Verfahrens an. Der Fokus liegt hier auf Modellierungen, die für Meteosat Second Generation angewendet werden. Insgesamt wird deutlich, wie die Fernerkundung der Solarstrahlung vom Übergang von der ersten zur zweiten Meteosat-Generation profitiert hat. 3.1 Überblick Die Methode beruht auf einem einfachen Prinzip: Die von der Erde und der Atmosphäre zurückgestreute und am Satelliten gemessene Solarstrahlung verhält sich im sichtbaren Spektralbereich proportional zur atmosphärischen Reflexion, die wiederum überwiegend vom Bewölkungsgrad abhängt. Als wichtigste Größe wird daher aus dem Rückstreuwert am Satelliten ein Maß für die innerhalb eines Raumwinkels vorhandene Bewölkung abgeleitet. Aus dieser wird auf die Transmissionseigenschaft der Atmosphäre und die sich daraus ergebende Globalstrahlung am Boden geschlossen. Abb. 1 stellt die notwendigen Verfahrensschritte dar, die im Weiteren näher beschrieben werden Normierung Der Satellit misst im sichtbaren Spektralbereich das von der Erde reflektierte Sonnenlicht. Das Messsignal ist daher abhängig von der auf die reflektierenden Schichten auftreffenden Einstrahlung. Nach Subtraktion des Radiometeroffsets C verhält sich der verbleibende Count proportional zur Bestrahlungsstärke I. Unter Ausnutzung dieser Proportionalitäten kann als normierter Rückstreuwert die relative Reflektivität ρ definiert werden: ρ := C C, ρ ρ. (1) I 2

3 Meteosat Visible Counts Reflektivität Cloud-Index Clearsky-Index Normierung Bodenreflektivität Wolkenreflektivität Lineare Beziehung Globalstrahlung Diffusstrahlung Abbildung 1: Wesentliche Verfahrensschritte der Heliosat-Methode. Im Folgenden spielen nur relative Unterschiede, aber keine absoluten Werte des Reflexionsvermögens ρ eine Rolle, daher genügt es mit dem Cosinus des Sonnenzenits zu dividieren Cloud-Index Die normierten Rückstreuwerte von Wolken übertreffen in der Regel diejengen der Erdoberfläche, eine Ausnahme bildet Schnee. Damit ist es möglich, das Auftreten von Bewölkung zu erkennen. Ist die Reflektivität für ein vollständig bewölktes Pixel ρ c und die Reflektivität des unbewölkten Erdbodens bzw. Ozeans ρ g bekannt, so lässt sich mit diesen Referenzwerten als Maß für die Bewölkung der Cloud-Index n definieren: n = ρ ρ g ρ c ρ g. (2) Wählt man als Referenzwerte das Maximum und Minimum der normierten Rückstreuwerte eines Pixels, nimmt der Cloud-Index Werte im Bereich n [,1] an Referenzwerte für Boden- und Wolkenreflektivität Zur Bestimmung des Cloud-Index wird als Referenz für jedes Pixel die minimale Reflektivität einer Zeitreihe von Meteosat-Counts benötigt. 3

4 2.5 x 14 1 x 14 ρ ground frequency σ ground frequency (ρ*, f max ) (ρ**,.5f max ) 1 ρ c =ρ** + ρ ρ ρ Abbildung 2: Häufigkeitsverteilung der relativen Reflektivität ρ für Europa (Land). Der linke Häufungspunkt wird als Referenzwert des Bodens ρ g genutzt. Die Verteilungsbreite σ g ist ebenfalls eingezeichnet. Jenseits des rechten Häufungspunkts ρ ist der Referenzwert der maximalen Wolkenreflektivität zu finden ρ c. Dazu wird angenommen, dass die Häufigkeitsverteilung der Helligkeitswerte der Zeitreihe je einen Häufungswert für bewölkte und unbewölkte Zustände aufweist, siehe Abb. 2. So wird die Bodenalbedo als stationäre Zufallsvariable mit Mittelwert ρ g und Varianz σ 2 g, die Wolkenalbedo als stationäre Zufallsvariable mit Mittelwert ρ c und Varianz σ 2 c aufgefasst. Aus einer Zeitreihe von Reflektivitäten werden iterativ alle Werte aussortiert, die den Mittelwert der Verteilung plus einen konstanten Wert überschreiten. Man kann mathematisch zeigen, dass der Mittelwert der neuen Verteilung sich dem Wert ρ g annähert, wenn die Differenz ρ c ρ g > max(σ g,σ c ) ist. Diese Bedingung ist für die Reflexionswerte der Pixel in der Regel erfüllt, Ausnahmen bilden Wüstensand und Schnee. Die Zeitreihe der benutzten Bilder muss lang genug sein, um für jedes Pixel unbewölkte Zeiträume zu enthalten. Sie sollte jedoch kurz genug sein, um saisonal bedingte Unterschiede in der Bodenreflektivität zu berücksichtigen, wie sie durch Änderung in der Vegetation auftreten. Hierfür hat sich die monatliche Speicherung der Bodenreflektivität als geeignet erwiesen. Da die Bodenreflektivität außerdem einen Tagesgang aufweist, ist es sinnvoll, diese für jede Uhrzeit einzeln zu bestimmen Zusammenhang zwischen Cloud-Index und Clearsky-Index Der Clearsky-Index hat sich als ein geeignetes Maß zur Beschreibung der Transmission der Atmosphäre etabliert. Er ist definiert durch k = I g I clear, (3) wobei die aktuelle Globalstrahlung I g auf den bei klarem Himmel erwarteten Wert I clear bezogen wird. Dazu wird ein Modell benötigt, das die atmosphärischen Bedingungen beschreibt, ein sogenanntes Clearsky-Modell. [Beyer et al. 96] haben die Relation k = 1 n. (4) 4

5 in die Heliosat-Methode eingeführt. Bei Nutzung dieser Relation kann auf eine Kalibrierung mit Bodendaten verzichtet werden. Vorraussetzung hierfür ist allerdings, dass das verwendete Clearsky-Modell an das betrachtete Gebiet optimal angepasst ist. Von [Fontoynont et al. 98] wurde (4) verändert, um den Fall vollständiger Bewölkung besser zu erfassen und den Clearsky- Index auf sinnvolle Werte zu beschränken, siehe auch [Hammer ]. 4 Modifikationen Die hier eingeführten Modifikationen wurden mit Messwerten der Global- und Diffusstrahlung von 2 Stationen des deutschen Wetterdienstes evaluiert. Die durchgeführten Bias-Korrekturen wurden für den Zeitraum April bis Dezember 24 entwickelt, und für das unabhängige Testjahr 25 überprüft. 4.1 Verbesserte Bestimmung der Einstrahlung im wolkenlosen Fall Bisher wurde die Bestimmung des Referenzwerts der Bodenreflektivität ρ g mit einem konstanten, also vom Sonnenstand und Satellitenblickwinkel unabhängigen, Wert σ g bestimmt. Für MSG1 konnte σ g = 27 verwendet werden. Die Verteilung der relativen Bodenreflektivität ist für unterschiedliche Blickwinkel des Satelliten bzw. Sonnenstände jedoch unterschiedlich breit, so dass σ g dementsprechend spezifiziert werden sollte. Ist σ g beispielsweise zu klein gewählt, so wird sich ein zu geringer Bodenreferenzwert einstellen, was letztlich zur Unterschätzung der Einstrahlung bei klarem Himmel führen wird. Anhand der Europa umgebenden Meerespixel wurde untersucht, wie sich die Verteilungsbreite für unterschiedliche Geometrien ändert. Dies ergab Werte im Intervall 15 σ g 5. Eine Übernahme dieser Werte führt tatsächlich zu einer genaueren Einstrahlungsbestimmung bei wolkenlosem Himmel, wie in Abb. 3, links, ersichtlich ist. 4.2 Verbesserte Bestimmung der Einstrahlung im homogen bewölkten Fall Betrachtet man die Wolken zunächst als isotrop reflektierend, so lässt sich der Referenzwert für die Wolkenreflektivität durch einen konstanten Wert abschätzen. Als gute Schätzung gilt das 96. Perzentil der Verteilung der relativen Reflektivitäten vieler Satellitenaufnahmen, das ergibt ρ c = 65 für HRV des MSG1. Eine genauere Beschreibung der Anisotropie wirkt sich besonders bei der Bestimmung der Einstrahlung bei vollständig bedecktem Himmel aus. Zur Ermittlung des Referenzwerts wurden die Reflektivitätshistogramme für ähnliche Geometrien getrennt ausgewertet und der sich ergebende Referenzwert wie folgt bestimmt: 1. Finde den häufigsten Reflektivitätswert bewölkter Pixel (ρ, f max ). 2. Suche denjenigen Reflektivitätswert ρ > ρ, der genau halb so häufig ist (ρ, f max /2). 3. Setze ρ c = ρ + ρ. Der minimale Bias der Einstrahlung unter bewölktem Himmel wurde für ρ = 3 gefunden. 5

6 rel. bias I glob.1.5 clearsky, homogen.5.4 <= cossat <.5.4 <= cossat <.5, new.5 <= cossat <.6.5 <= cossat <.6, new sun elevation [ ] rel. error I glob stderr, met7 new stderr, msg stderr, msg new bias, met7 new bias, msg bias, msg new overcast, homogen month Abbildung 3: Auswirkung der verbesserten Bestimmung der Referenzwerte. Links: Relativer Bias der Einstrahlung bei wolkenlosem Himmel über der Sonnenhöhe. Zwei Bereiche des Cosinus des Satellitenzenits sind dargestellt. Mit new ist das variable σ g bezeichnet. Rechts: Relativer Bias und Standard Error der Einstrahlung bei vollständig bewölktem Himmel über dem Monat für Meteosat 7 und MSG1. Mit new ist das variable ρ cloud bezeichnet. In Abb. 3, rechts, ist die positive Wirkung des so ermittelten Referenzwerts auf die Bestimmung der Einstrahlung bei bewölktem Himmel dargestellt. Der Standard Error reduziert sich durch das hier eingeführte Verfahrens gegenüber dem mit konstant angenommener Wolkenreflektivität. Zu beobachten ist auch die Reduktion dieses Fehlers beim Übergang von der ersten zur zweiten Meteosat-Generation. Zudem ist der Jahresgang des relativen Bias weniger ausgeprägt. 4.3 Einfluss durchbrochener Bewölkung auf Global- und Diffusstrahlung Mit dem HRV Kanal von MSG1 werden Wolken gegenüber Meteosat7 viel feiner aufgelöst. Damit treten geometrische Effekte wie Wolkenschatten aber auch die Parallaxe deutlicher hervor. Durch Einführung einer geometrischen Korrektur lässt sich das Verfahren daher weiter verbessern. Bei stark variabler Bewölkung wechseln sich an einem Standort innerhalb einer Stunde Situationen ab, in denen Direktstrahlung auftritt, mit solchen, in denen die Globalstrahlung ausschliesslich aus Diffusstrahlung besteht. Demzufolge schwankt der Diffusanteil zwischen sehr hohen und sehr niedrigen Werten. Dies wirkt sich sowohl auf den Zusammenhang zwischen Cloud-Index und Clearsky-Index, als auch auf die zu erwartende Größe des Diffusanteils aus. Die zwei hier vorgestellten Variablitätskorrekturen berücksichtigen diese Effekte Geometrische Korrektur Insbesondere die Direktstrahlung wird durch Wolken beeinflusst, die sich zwischen Solaranlage bzw. Messinstrument und der Sonne befinden. Der Satellit misst jedoch zumeist aus einer anderen Richtung, siehe Abb. 4, so dass eine geometrische Korrektur eingeführt wurde, siehe auch [Beyer et al. 96]: 6

7 sun satellite geometric correction cloud height original method Abbildung 4: Illustration der geometrischen Korrektur der Parallaxe. x = h(tan(θ)sin(ψ sun ) tan(φ)sin(ψ sat )) (5) y = h( tan(θ)cos(ψ sun ) + tan(φ)cos(ψ sat )) (6) wobei x und y zur Positionsbestimmung der strahlungswirksamen Wolke in der Höhe h genutzt werden. Dabei ist Ψ sun der Azimuthwinkel der Sonne und Ψ sat der Azimuthwinkel des Satelliten. Für Deutschland hat eine mittlere Wolkenhöhe von h = 2.5km zu einer Reduzierung des relativen Standard Errors geführt und zwar insbesondere für stark variable Bewölkung bei niedrigem Sonnenstand. [Minnis and Young 4] ermittelten die mittleren Höhen von Wasserwolken aus MODIS. Sie geben diese für die vier Jahreszeiten breitengradabhängig an. Die Nutzung dieser Höhen senkte den Standard Error bei der Bestimmung der Globalstrahlung von 17.8% auf 16.7% Variabilitätskorrektur für die Globalstrahlung Hier wird untersucht, wie sich variable Bewölkung auf den Zusammenhang zwischen Cloud- Index und Clearsky-Index auswirkt. Dazu wurde die Variabilität durch die Standardabweichung σ n des Cloud-Index in einem 3*5 Pixel großen Gebiet beschrieben. In Abb. 5 ist für stark variable Situationen dargestellt, welche Abweichungen sich im Clearsky- Index k aus der Heliosatmethode gegenüber der Bodenmessung ergeben. Abhängig von der Beobachtungskonfiguration, also vom Sonnenstand und vom Winkel zwischen Sonnen- und Satellitenrichtung Ψ, kommt es zu einer Unterschätzung bzw. Überschätzung des Clearsky- Index. Daher wurde eine Variabilitätskorrektur eingeführt, die den Bias des Clearsky-Index angibt. Die Beobachtungskonfiguration wurde in sechs Klassen eingeteilt, für die jeweils der Bias als Polynom vierter Ordnung der Parameter k und σ n angegeben wird, siehe [Lorenz 7]. 7

8 1 bias k*, broken clouds (k*<.8, σ >.25 ) cos(ψ) sun elevation [ ].2 Abbildung 5: Bias des Clearsky-Index für durchbrochene Bewölkung in Abhängigkeit der Sonnenhöhe und des Winkels zwischen Sonnen- und Satellitenrichtung cos(ψ). Datenbasis: 2 DWD Stationen, April 24 bis Dezember bias diffuse fraction σ k* Abbildung 6: Bias des Diffusanteils abhängig von k und der räumlichen Variabilität σ n. Datenbasis: 2 DWD Stationen, April 24 bis December Variabilitätskorrektur für die Diffusstrahlung [Skartveit et al. 98] stellten ein Modell zur Bestimmung des Diffusanteils für Stundenwerte der Globalstrahlung vor. Das Modell ist sonnenstandsabhängig und berücksichtigt die innerstündliche Variabilität der Globalstrahlung. Die innerstündlichen Variabilität wird aus der Variabilität aufeinanderfolgender Stunden abgeschätzt. Die Satellitenbilder bieten darüber hinaus die Möglichkeit, die räumliche Variabilität σ n zu nutzen. In Abb. 6 wird dargestellt, dass es bei Nutzung des Modells zu systematischen Abweichungen des Diffusanteils kommt. Analog zum vorangegangenen Abschnitt wurde daher in [Lorenz 7] für acht Klassen der Beobachtungskonfiguration eine Variabilitätskorrektur des Diffusanteils als Biaskorrektur eingeführt. 8

9 4.4 Unterscheidung von Wolken und Schnee Da Wolken und Schnee ein gleichermaßen helles Signal im sichtbaren Spektralbereich erzeugen, führt dies im Winter zu großen Fehlern in der Heliosat-Methode. Die Kanäle der zweiten Meteosat-Generation bieten die Möglichkeit Schnee zu erkennen. Eine solche Schnee- Erkennung ist daher auch in die operationelle Bestimmung der Globalstrahlung integriert worden, ist aber nicht Gegenstand dieser Untersuchung. 4.5 Auswertung Die sich durch die vorgestellten Modifikationen ergebenden Verbesserungen lassen sich für Stundenwerte der Globalstrahlung anhand von Tabelle 1 erkennen. Eine schrittweise Hinzunahme der einzelnen Verfahrensschritte reduziert jeweils den Standardfehler. Die Variabliltätskorrektur für k beseitigt den verbliebenen Bias. Im unabhängigen Testjahr 25 erreicht die Methode für Stundenwerte einen Standard Error von 17.5% (5W/m 2 ) für MSG1 bzw. von 19.4% (55W/m 2 ) für Meteosat7. Für Tagessummen ergibt sich der Standard Error zu 9.8% (299Wh/m 2 ) für MSG1 bzw. zu 1.7% (327Wh/m 2 ) für Meteosat7. Monatssummen weisen einen Standard Error von 4.7% (4.3kWh/m) für MSG1 bzw. 5.2% (4.9kWh/m) für Meteosat7 auf. Für 25 ergab sich ein relativer Bias von.5% für MSG1 und -1.2% für Meteosat7. Version bias stderr rmse Meteosat 7 bestes Verfahren -.5% 18.7% 18.7% MSG 1 σ g = 27 ρ c = % 18.% 18.1% MSG 1 σ g Abs. 4.1, ρ c Abs % 17.8% 17.9% MSG 1 Geometriekorrektur, Abs % 16.7% 16.8% MSG 1 Variabilitätskorrektur k, Abs % 16.1% 16.1% Tabelle 1: Relative Fehler für Stundenwerte der Globalstrahlung, die sich aus verschiedenen Modifikationen der Heliosat-Methode ergeben. Datenbasis: 2 DWD Stationen, April 24 bis Dezember 24. Die ermittelte Diffusstrahlung weist einen deutlich höheren Standardfehler auf, der jedoch durch die eingesetzten Modifikationen inklusive der Variabilitätskorrektur für den Diffusanteil d vermindert wird, siehe Tabelle 2. Dies gilt auch für das dort untersuchte unabhängige Testjahr. 4.6 Zusammenfassung Zur Bestimmung der Einstrahlung auf eine geneigte Fläche muss die Globalstrahlung in ihre Komponenten Diffus- und Direktstrahlung aufgeteilt werden. Mit den hier vorgestellten Parametrisierungen gelingt es, diese Größen aus beiden Meteosat-Generationen abzuleiten. Der Fehler für Stundenwerte, Tagessummen und Monatssummen ist gering genug, um Standortgutachten für Photovoltaikanlagen durchzuführen. Außerdem wird die Methode operationell genutzt, um den Betrieb von Photovoltaikanlagen zu überwachen. 9

10 Version bias rel stderr rel rmse rel bias abs stderr abs rmse abs Meteosat 7 6.1% 29.6% 3.3% 9.4 W/m 2 46 W/m 2 47 W/m 2 Meteosat 7 new 3.4% 28.6% 28.7% 5.3 W/m 2 44 W/m 2 44 W/m 2 Meteosat 7 new % 29.5% 3.% 8.1 W/m 2 43 W/m 2 43 W/m 2 MSG 1 2.1% 29.9% 3.% 3.2 W/m 2 46 W/m 2 46 W/m 2 MSG 1 new 1.2% 27.2% 27.2% 2. W/m 2 42 W/m 2 42 W/m 2 MSG 1 new % 28.3% 28.6% 4.9 W/m 2 41 W/m 2 41 W/m 2 Tabelle 2: Relative und absolute Fehler für Stundenwerte der Diffusstrahlung für die Heliosat- Methode vor und nach Einführung der hier vorgestellten Modifikationen inklusive Schnee- Erkennung. Databasis: 2 DWD Stationen, von April 24 bis März 25. Dieses Jahr enthält den Zeitraum, der zur Herleitung der Variabilitätskorrektur genutzt wurde. Daher wurde die Untersuchung auch für der Zeitraum Januar bis Dezember 25 als unabhängiges Testjahr durchgeführt. Literatur [Beyer et al. 96] H. G. Beyer, C. Costanzo, D. Heinemann: Modifications of the Heliosat procedure for irradiance estimates from satellite data. Solar Energy , [Cano et al. 86] D. Cano, J. M. Monget, M. Albuisson, H. Guillard, N. Regas, L. Wald: A method for the determination of the global solar radiation from meteorological satellite data. Solar Energy , [Fontoynont et al. 98] M. Fontoynont: Satellight: A WWW server which provides high quality daylight and solar radiation data for Western and Central Europe. 9 th Conference on Satellite Meteorology and Oceanography, Paris 1998, [Hammer ] A. Hammer: Anwendungsspezifische Solarstrahlungsinformationen aus Meteosat-Daten. Dissertation Univ. Oldenburg, 2 [Lorenz 7] E. Lorenz: Improved diffuse radiation model, MSG. Report for the EC-project PVSAT-2: Intelligent Performance Check of PV System Operation Based on Satellite Data, NNE , Deliverable D4.2b, Univ. Oldenburg, 27 [Minnis and Young 4] P. Minnis and D.F. Young (24): Diurnal, seasonal, and interannual variations of cloud properties derived for CERES from imager data P6.1 13th AMS Conference on Satellite Oceanography and Meteorology, September 24 Norfolk, VA. [Skartveit et al. 98] A. Skartveit, J. A. Olseth, and M. E. Tuft: An hourly diffuse fraction model with correction for variability and surface albedo. Solar Energy ,