"Kurzfristvorhersagen aufgrund von externen Informationen am Beispiel von Wolkentracking"

Transkript

1 "Kurzfristvorhersagen aufgrund von externen Informationen am Beispiel von Wolkentracking" Dr. Gwendolin Wilke Kompetenzschwerpunkt Cloud Computing 1

2 Agenda 1. Das Projekt ESInfoVEiN 2. Motivation & Ziele des Projektes 3. Anforderungsanalyse und Datenbasis 4. Getestete Verfahren 5. Ergebnisse, Erkenntnisse, Ausblick 2

3 Das Projekt ESInfoVEiN 3

4 Das Projekt ESInfoVEiN Titel: "ESInfoVEiN - Effiziente Stromnutzung durch externe Informationen" Form: Vorstudie und Grundlage für eine Realisierung im Testfeld Laufzeit: 1 Jahr Partner: FHNW Fachhochschule Nordwestschweiz, Kompetenz-Zentrum Cloud Computing: Prof. Dr. Holger Wache (PL), Dr. Gwendolin Wilke BFE Bundesamt für Energie: Dr. Michael Moser Verein VEiN* "Verteilte Einspeisung in Niederspannungsnetze": Dr. Gilbert Schnyder, Peter Mauchle (Schnyder Ingenieure) Finanzierung: BFE (50%) VEiN (50%) * VEiN-Partner: AEW, BKW, IWB, BFE, CKW, EKZ, EWZ, RE, EWB, WWZ, Gruppe Regionalwerke, Stadtwerk Winterthur, Dachverband Schweizer Verteilnetzbtreiber, groupe e ag Bilder: energie-cluster.ch 4

5 Motivation und Ziele 6

6 Motivation: Ist es möglich ein elektrisches Energiesystem mit hohem Anteil von fluktuierenden erneuerbaren Energiequellen zu betreiben? Ohne die Zuverlässigkeit des Stromnetzes (Blackout) zu gefährden? Ohne Komfortverlust für die Gesellschaft? Ja, aber wir brauchen: einen starken Ausbau von Kurz- und Langzeitspeicher, inkl. Lastmanagement ein flexibles Netz und eine intelligente Netzführung noch bessere Prognosemodelle Quelle: Prof. Dr. Göran Andersson, Power Systems Laboratory ETH Zürich, Jahrestagung 2012, energie-cluster.ch 7

7 Motivation: Ist es möglich ein elektrisches Energiesystem mit hohem Anteil von fluktuierenden erneuerbaren Energiequellen zu betreiben? Ohne die Zuverlässigkeit des Stromnetzes (Blackout) zu gefährden? Ohne Komfortverlust für die Gesellschaft? Ja, aber wir brauchen: einen starken Ausbau von Kurz- und Langzeitspeicher, inkl. Lastmanagement ein flexibles Netz und eine intelligente Netzführung noch bessere Prognosemodelle Quelle: Prof. Dr. Göran Andersson, Power Systems Laboratory ETH Zürich, Jahrestagung 2012, energie-cluster.ch 8

8 Motivation: PV-Produktion zeigt eine hohe Fluktuationen im Tagesverlauf. monatlich wöchentlich täglich Grund: vorüberziehende Wolken, Nebelfelder etc. In einem zukünftigen Smart Grid: Kompensation von kurzen Fluktuationen durch dynamisches Lastmanagement möglich Zweck: Stabilisierung des Netzes Bilder: energie-cluster.ch 9

9 Ziel: Kurzfrist-Prognose von Produktions-Spitzen und Produktions-Löchern Wolke Bilder: energie-cluster.ch 10

10 Idee: Wolkentracking 12

11 Idee: Wolkentracking mit Hilfe von externen Informationen: Beschattungsmuster umliegender Solarpanels oder Pyranometer Regionale Wetterdaten: Windrichtung, Windgeschwindigkeit, allgemeine Wetterlage 13

12 Idee: PV oder Pyranometer Δt VORHERSAGE der PV-Beschattung 14

13 Idee: Δt 2 Δt 1 15

14 Anforderungsanalyse und Datenbasis 17

15 Im Projekt Verfügbare Standorte von Datenquellen 18

16 Anforderungsanalyse PV- und Pyranometer-Daten Zu Erkennende Schwankungen Länge 2-5 min (kompensierbar durch DLM) Länge der Abtastintervalle max. 2.5min (Grenzwert aus Sampling-Th.) <= 1min (Idealfall) Standorte Es sollen pro Ziel mehrere Quellen zu Verfügung stehen. Distanz Quelle Ziel: ca. 5 km (ideal) 19

17 Anforderungsanalyse Windrichtung und -geschwindigkeit Abtastintervalle <= 5min Die Wetterstationen sollen möglichst nah an den PV-Anlagen stehen. Die vorherrschende Windrichtung soll im Idealfall möglichst genau in der Achse zwischen Quelle und Ziel liegen. Windgeschwindigkeit <= 60 km/h: Sturm verzerrt Wolkenmuster. Je höher die Windgeschwindigkeit, desto kürzer die Vorlaufzeit der Prognose darf nicht unter die zu erkennenden Zeitfenster fallen darf erst recht nicht unter die Länge der Abtastintervalle fallen Windrichtung und Windgeschwindigkeit sollten möglichst auf Wolkenhöhe bekannt sein. 20

18 Anforderungsanalyse Allgemeine Wetterlage Die allgemeine Wetterlage soll der Wetterklasse GUT oder MITTEL entsprechen. 21

19 Datenbasis PV und Pyranometer-Standorte Zu wenige Standorte verfügbar (Datenhoheit) Verfügbare Standorte sind nicht in Windrichtung (Jura) 22

20 Datenbasis Windrichtung und Windgeschwindigkeit Windrichtung und Windgeschwindigkeit nicht auf Wolkenhöhe bekannt Zu starke Abweichungen! 23

21 Datenbasis - Effektiv nutzbare Datenquellen Kein überlappender Zeitraum gegeben Distanz zu gross Nut Wetterdaten (keine Pyranometer) Nicht in Windrichtung 24

22 Datenbasis Einschränkungen Keine Wetterdaten (Windrichtung, Windgeschwindigkeit) Nur eine Quelle (statt mehreren) Windrichtung nicht genau passend (Jura: W O, statt SW NO) Distanz (dafür) recht groß (8km statt 5km) Abtastintervalle zu grob (5 min statt <= 1 min) Länge zu erkennender Ereignisse musste drastisch hinaufgesetzt werden, um Erkennungsverfahren zu testen (30-60 min statt 2-5 min) 25

23 Getestete Erkennungs-Verfahren 26

24 Getestete Erkennungs-Verfahren 1. Schwellenwertmethode 1. Waveletmethode 28

25 Evaluation 29

26 Schwellenwertmethode Vorteil: Einfach zu implementieren Nachteile: 1. Verschachtelte Schwankungen können nicht erlannt werden 2. Abhängigkeit der Ergebnisse vom Schwellenwert 30

27 Schwellenwertmethode: Abhängigkeit von der Wahl des Schwellenwertes 31

28 Schwellenwertmethode: Abhängigkeit von der Wahl des Schwellenwertes 32

29 Waveletmethode Vorteil: Flexibler - Keine Setzung eines Schwellenwertes nötig Nachteile: Schwieriger zu implementieren Technologie noch nicht Out-of-the-Box anwendbar 35

30 Waveletmethode Vorteile: Quelle Ziel 36

31 Ergebnisse, Erkenntnisse, Ausblick 38

32 Ergebnisse und Erkenntnisse Eine ausführliche Evaluation des Prognosemodells konnte nicht durchgeführt werden, da die zur Berechnung der Prognosequalität notwendigen externen Information (Wetterdaten und mehrere Standorte) nicht ausreichend beschafft werden konnten. Im Gegensatz zum Problem der Beschaffung geeigneter Wetterdaten sollte die Beschaffung zusätzlicher externer PV- oder Pyranometer-Standorte mit zunehmender Verbreitung dezentraler Einspeisung auch in der Schweiz in Zukunft - wenigstens in Gebieten mit grosser Dichte von Dezentralen Energiequellen -kein Hindernis darstellen. Positive Evaluation der Erkennungsmethoden: Aufgrund der Eigenschaften der beiden getesteten Methoden ist zu erwarten, dass deren Anwendbarkeit bei besserer allgemeiner Datenlage auf höhere Abtastraten problemlos übertragbar ist. 39

33 Ausblick Im Rahmen dieses Vorhabens zeigten sich noch weitergehende Einsatzmöglichkeiten der externen Informationen mit dem Ziel einer Kurzfristprognose. Minimierung der Schaltvorgänge von Niederspannungs-Trafos Optimierung Speichernutzung (insbes. Batterie) Testen eines Komplexeren Vorhersagemodells geplant: Korrelation mehrerer Standorte Dazu Vermehrte Nutzung von (billigeren) Pyranometern möglich Höhere Sensordichte im Raum Bern verfügbar 40

34 Vielen Dank für Ihre Aufmerksamkeit! Dr. Gwendolin Wilke University of Applied Sciences Northwestern Switzerland (FHNW) Institute for Information Systems Riggenbachstrasse 16, 4601 Olten Tel E: W: 41