Bedeutung von Prognosen für die Energiewende

Transkript

1 Bedeutung von Prognosen für die Energiewende Dr. Frank Sehnke ZSW Dr. Marc Deissenroth DLR Dr. Elke Lorenz ISE Dr. Jan Dobschinski IWES Dr. Uwe Klann IZES Anton Kaifel ZSW

2 Der Anteil von fluktuierenden erneuerbaren Energien (FEE) wird weiter zunehmen.

3 Der Anteil von nicht meteorologischen Unsicherheiten wird stark zunehmen.

4 Planung und Regelung wird anspruchsvoller. Kurzfrist- und Langfristprognosen werden wichtiger.

5 Direkt vermarktetes Volumen wird stark steigen. Ausgleichkosten könnten stark steigen.

6 Die Datenmengen werden stark ansteigen. Prognosen müssen schneller bereit stehen.

7 FEE-Standorte werden komplexer (zu prognostizieren).

8 Prognosen für den Netzbetrieb Ausgangssituation: Übertragungsnetzbetreiber benötigen netzknotenscharfe Prognosen der Stromerzeugung und des Verbrauchs zur vorrauschauenden Lastflussberechnung. Tracking von Tiefdruckgebieten Herausforderung I: Großteile der Erzeuger und Lasten sind in den Verteilnetzen angeschlossen. Netzschaltungen und resultierenden Lastflüsse werden nicht berücksichtigt. [Quelle: Projekt IWES/DWD Statische Zuordnung von Planflächen (links) zu Netzknoten (rechts)

9 Prognosen für den Netzbetrieb Fokus Verteilnetz Lösungsansatz: Kooperation / Datenschnittstellen ÜNB VNB Vorausschauende Lastflussberechnungen durch VNB und ÜNB auf Basis lokaler EE-Prognosen am Netzzugangspunkt (kaum Ausgleichseffekte). Hohe räumliche Auflösungen und Updates der FEE-Prognoseberechnungen. Online Austausch von Ist- und Prognosewerten der Wirk- und Blindleistung an Netzverknüpfungspunkten. Ausblick: Optimierte Bereitstellung von Systemdienstleistungen vom VNB zum ÜNB.

10 Prognosen für den Netzbetrieb Ausgangssituation: Übertragungsnetzbetreiber benötigen netzknotenscharfe Prognosen der Stromerzeugung und des Verbrauchs zur vorrauschauenden Lastflussberechnung. Tracking von Tiefdruckgebieten Herausforderung II: Wetterbedingte Prognoseunsicherheiten werden nicht berücksichtigt. Fehlende Automatismen innerhalb der Netzbetriebsführung. [Quelle: Projekt IWES/DWD Statische Zuordnung von Planflächen (links) zu Netzknoten (rechts)

11 Prognosen für den Netzbetrieb - Prognoseunsicherheiten Lösungsansatz: Erstellung von Szenario-Lastflussberechnungen mit Szenario-Prognosen der Erzeugung und des Verbrauchs auf Basis von Ensemble-Wetterprognosen. Beispiel: Überlastung einer Leitung Wird die Leitung überlastet sein? Deterministische Vorhersage Nein Realität/Beobachtung: Ja Szenario gibt Eintrittswahrscheinlichkeit mit 10% an Überlastung Leitung nicht doch mit? 10% Wahrscheinlichkeit überlasted!!!!!! Leistung Zeit

12 Prognosen für den Netzbetrieb - Ausblick Wind- und PV-Netzeinspeisung sind nicht mehr alleine durch das Wetter bedingt. [ Reduktion der Netzeinspeisung aufgrund diverser Maßnahmen nehmen zu: PV-Eigenverbrauch Großräumiger Einsatz von Speichern Netzbedingte Abregelungen Marktbedingte Abregelungen Umweltbedingte Abregelungen Wartungsbedingte Abregelungen Bereitstellung von Systemdienstleistungen Prognoseunsicherheiten nehmen zu. Modellierung der Maßnahmen ist nicht trivial. Komplexität der Prognosemodelle steigt. Quelle: Agora Energiewende

13 Ausgleichsenergie skizziert Tag 1 Tag 2 Direktvermarkter prognostiziert Erzeugung (1/4 stündlich) für Tag 2 und übermittelt Fahrplan an ÜNB Abweichungen vom Fahrplan werden durch Regelenergie ausgeglichen Kosten der Regelenergie werden als Ausgleichsenergiekosten an Verursacher umgelegt* Zeit * Fehlprognosen können je nach Situation der Bilanzkreise auch zu Einnahmen durch Ausgleichsenergie führen

14 Kostenverteilung eines Direktvermarkters (Beispiel aus einer AMIRIS Simulation über 6 Jahre) Geschäftskosten = Kosten zur Erstellung der Prognosen + IT-Kosten + Handelskosten + Personalkosten Ausgleichsenergiekosten haben signifikanten Anteil an Gesamtkosten

15 Prognosegüte und Ausgleichsenergiekosten im Simulationsmodell AMIRIS Bekannte Vorhersage der Erzeugung wird mittels Gaussfunktion zu einer fehlerhaften Vorhersage Mittelwert und Breite der Funktion beschreiben die Prognosegüte Direktvermarkter Prognosegüte A B Gut Schlecht

16 Prognosegüte und Ausgleichsenergiekosten im Simulationsmodell AMIRIS Bekannte Vorhersage der Erzeugung wird mittels Gaussfunktion zu einer fehlerhaften Vorhersage Mittelwert und Breite der Funktion beschreiben die Prognosegüte Direktvermarkter Prognosegüte A B Gut Schlecht Deutlicher Unterschied der Ausgleichsenergiekosten Deutlicher Unterschied der Wirtschaftlichkeit

17 Solarprognosen für Energiemanagement und Systemintegration 1000 km 100 km 10 km 1 km 1 m Punkt Betriebsführung Regelenergie Speicher Für verschiedene Anwendungen Energiehandel werden Eigenverbrauchsoptimierung zuverlässige Prognosen auf unterschiedlichen räumlichen und zeitlichen Gebäude Skalen benötigt Komfort Energieeffinzienz Sekunden Verteilnetz Regelenergie Übertragungsnetz Energiehandel Engpassmanagement Solarkraftwerke Direktvermarktung Minuten Stunden Tage

18 Methoden Modelle zur Solarstrahlungsprognose statistische Lernverfahren 1000 km 100 km Wolkenzug Satellit Numerische Wettervorhersage 10 km 1 km 1 m Punkt Messwerte Sekunden Wolkenzug Wolkenkamera Datenquellen und Methoden Verschiedene für verschiedene Vorhersagehorizonte und zeitlich-räumliche Auflösung Zeitserienmodelle Minuten Stunden Tage

19 Wolkenkameraprognosen Hochaufgelöste, lokale Wolkeninformation Wolkenzugsvektoren Extrapolation der Wolkensituation Einstrahlungsvorhersage Anwendungsbereiche Zeitlich-räumliche Auflösung: Simulation von Sekunden Verteilnetzen bis Minuten, mit hohem einige Anteil Meter dezentraler PV Rampenerkennung für große PV Parks Steuerung von Vorhersagehorizont: off-grid PV-Diesel-Hybrid-Systemen Heliostaten- bis und zu Kollektorsteuerung 30 Minuten für solarthermische Kraftwerke

20 Satelliten basierte Strahlungsprognose Großräumige Wolkeninformation auf Basis geostationärer Satelliten (Meteosat) Wolkenzugsvektoren Extrapolation der Wolkensituation Einstrahlungsvorhersage Meteosat Second Generation (HR-VIS) Universität Oldenburg Zeitlich-räumliche Auflösung: 15 Minuten, 1-3km Vorhersagehorizont: einige Stunden

21 Deep Learning Quelle: DeepMind Quelle:

22 Deep Learning Bild von Dali aus Urheberrechtsgründen gelöscht.

23 Deep Learning Bild von Dali aus Urheberrechtsgründen gelöscht.

24 Tief vs. Flach

25 Verbesserung von NWP basierten Erzeugungs- Vorhersagen durch Neuronale Netze ECMWF physikalische Prognose Neuronale Netz Prognose

26 Beispiel Deutschlandprognose Wind Deutschland Transnet BW Tennet 50hertz amprion

27 Mecklenburg Verbesserung durch hierarchisches System

28 Automatische Merkmals-Extraktion

29 Merkmals-Extraktion Windpark

30 Der Anteil von fluktuierenden erneuerbaren Energien wird weiter zunehmen. Für das Gelingen der Energiewende werden bessere Prognosen in Genauigkeit und Umfang nötig sein!

31 Der Anteil von nicht meteorologischen Unsicherheiten wird stark zunehmen. Die Kommunikation zwischen VNB, ÜNB, Erzeugern und Prognoselieferanten muss verstärkt und automatisiert werden.

32 Planung und Regelung wird anspruchsvoller. Kurzfrist- und Langfristprognosen werden wichtiger. Verschiedene Datenquellen der FEE und genauere Daten pro Quelle müssen erfasst und integriert werden.

33 Direkt vermarktetes Volumen wird stark steigen. Ausgleichkosten könnten stark steigen. Mehr und zeitlich und räumlich höher aufgelöste NWPs sowie eine zeitlich engere Kommunikation können den Prognosefehler senken.

34 Die Datenmengen werden stark ansteigen. Prognosen müssen schneller bereit stehen. Statistische Methoden und maschinelle Lernverfahren können helfen die diversen großen Datenmengen schnell und effektiv zu integrieren, bewerten und deren Verarbeitung zu automatisieren.

35 FEE-Standorte werden komplexer (zu prognostizieren). Alle der vier vorgestellten Lösungen sind notwendig, um das Investitionsrisiko minimal zu halten und somit den weiteren Ausbau nicht zu gefährden.

36 Bedeutung von Prognosen für die Energiewende Vielen Dank für Ihre Aufmerksamkeit Dr. Frank Sehnke Dr. Marc Deissenroth Dr. Elke Lorenz Dr. Jan Dobschinski Dr. Uwe Klann Anton Kaifel