EÖTVÖS LORÁND TUDOMÁNYEGYETEM TERMÉSZETTUDOMÁNYI KAR KÖRNYEZETTUDOMÁNYI CENTRUM
A NAPENERGIA ÉS SZÉLENERGIA EGYÜTTES HASZNOSÍTHATÓSÁGA MAGYARORSZÁG TERÜLETÉN SZAKDOLGOZAT
Készítette: CSERKUTI GERGŐ KÖRNYEZETTUDOMÁNYI SZAKOS HALLGATÓ
Témavezető: Dr. JÁNOSI IMRE HABIL DOCENS
Budapest 2011
Tartalomjegyzék 1. Bevezetés............................................................................................................. 3 1.1 Célok, módszer .............................................................................................. 4 1.2 ERA-Interim .................................................................................................. 4 1.3 Erőművek ...................................................................................................... 7 1.4 Megújuló energiák ....................................................................................... 10 1.4.1 Napenergia ........................................................................................... 10 1.4.2 Szélenergia ........................................................................................... 11 2. Háttérszámítások ............................................................................................. 12 2.1 Adatsorok összevetése ................................................................................. 12 2.1.1 Időpontok illesztése .............................................................................. 12 2.1.2 Dimenzió egységesítés .......................................................................... 12 2.2 A felhőborítottság és a felszínre eső besugárzás korrelációja ..................... 13 2.3 A kapacitásfaktorok számítása .................................................................... 14 2.3.1 Napenergia-hasznosítás ....................................................................... 14 2.3.2 Szélenergia-hasznosítás........................................................................ 17 2.4 A számítások és eredmények helytállósága ................................................ 20 2.5 Trendek ........................................................................................................ 21 2.5.1 A trendek értékelése.............................................................................. 21 3. Az adatsorok feldolgozása .............................................................................. 22 3.1 A napsugárzás és szélsebesség kapacitásfaktorai ........................................ 23 3.2 Szcenáriók ................................................................................................... 24 3.3 A szcenáriók értékelése ............................................................................... 26 4. Összefoglalás .................................................................................................... 32 5. Irodalomjegyzék .............................................................................................. 33 6. Függelék ........................................................................................................... 35
2
1. Bevezetés Jelenkori társadalmunk egyik meghatározó kérdésköre az energiatermelés és annak jövője. A túlnyomó mértékben használt fosszilis energiahordozók készletei végesek, csakúgy, mint a jelenlegi technológiájú atomerőművek nukleáris fűtőanyaga; ha az emberiség energiafogyasztása az előrejelzések szerint alakul, akkor néhány évtizeden belül kimerülhetnek. Komoly (és váratlan) technológiai-technikai áttörés nélkül az egyedüli alternatívát a megújuló energiaforrások felé fordulás jelenti. Ezek azonban számos hátránnyal rendelkeznek a fosszilis energiahordozókhoz képest. A kisebb energiasűrűség mellett az egységnyi energiára jutó előállítási költség sokkal magasabb, és egyes esetekben az idő- és térbeli elérhetőség is kérdéses. Az elektromos áram termeléséhez – amely civilizációnk egyik alapköve – ráadásul sokkal szűkebb kritériumoknak kell megfelelni az energiaforrásoknak. A megújuló források tekintetében Magyarország nem számít gazdagnak. Más országokhoz képest a legnagyobb potenciál a geotermikus energiában volna (mivel a geotermikus gradiens magas), de ilyen téren szinte kizárólag csak a termálvizek használata jellemző. Jelentős domborzati különbségek híján a vízenergia használata nem érhet el komoly léptéket. A biomassza használata erőművekben környezetvédelmi szempontból vet fel aggályokat, főleg ha a jelenlegi tendenciát folytatva a magyar megújuló-energia többségét ezt tenné ki. A nap- és szélenergia potenciált tekintve országunk a középmezőnyben van, helyszíntől függően lehet gazdaságos vagy gazdaságtalan egy-egy beruházás. Utóbbiakkal a legkomolyabb probléma az időbeli elérhetőség véletlenszerűsége. Egy adott helyen a szélsebesség nagy időbeli szórást mutathat, ez a felhasználhatósága ellen szól. Ezt cáfolandó szokott elhangzani az az érv, hogy „a szél mindig fúj valahol”, utalva arra, hogy nagy területeket integrálva ez a szórás kiátlagolható. KISS P. és JÁNOSI I. (2008) korábbi tanulmánya ezt megcáfolta: egy egész Európát átfogó, képzeletbeli szélerőmű-rendszer sem lenne képes biztos teljesítményt nyújtani, mivel a szélsebesség sokszor földrajzilag nagy léptékű térrészekben is jól korrelál. Felmerülhet a kérdés, hogy vajon ha napenergiával együtt vizsgálnánk a teljesítmény állandóságát, mit kapnánk. Ez még jobban kecsegtető gondolat lehet annak ismeretében, hogy a szélenergia átlaga és a napenergia átlaga éppen negatív korrelációt sejtet évszakos viszonylatban (azaz télen átlagosan több a 3
szél, kevesebb a napsugárzás, míg nyáron kevesebb szél mellett több napsugárzás éri a felszínt). 1.1 Célok, módszer Dolgozatomban azt vizsgálom, hogy a Magyarország és környezete területén előforduló nap- és szélenergia-potenciál – tér- és időbeli eloszlása által – lehetővé teszie, hogy egy képzeletbeli, biztos teljesítményt nyújtó integrált áramtermelő rendszert építsünk ki a Kárpát-medence területét bevonva. A számítások alapjául az ERA-Interim adatsorok ide vonatkozó adatai szolgálnak. A végkövetkeztetések eléréséhez több képzeletbeli nap- és szélerőműből álló erőműrendszert helyezek el a területen, majd megvizsgálom, hogy az ERA-Interimből nyert napsugárzás- és szélsebesség-adatok alapján mekkora teljesítményt tudnának ezek a rendszerek adni, és milyen időeloszlással. A dolgozat során a gazdasági tényezőktől eltekintek, a dolgozat célja az, hogy a fizikai (környezeti) korlátokat és a lehetséges elméleti maximumokat vizsgálja. 1.2 ERA-Interim A meteorológiai rendszerek globális felmérése a XX. század közepén indult meg. Az első jelentős nemzetközi kutatási program a GARP (Global Atmospheric Research Programme) volt, amely 1967 és 1982 között zajlott. Célja az volt, hogy mélyebb ismereteket szerezzünk azokról a globális légköri folyamatokról, melyek az időjárást és a klímát alakítják. Az első GARP Globális Kísérlet (FGGE) során a GARP (és vele együttműködve számos más szervezet a világ más tájairól) részletesen vizsgálta a teljes atmoszférát egy éven keresztül (1978-79). A vizsgálatok egy minden addiginál teljeskörűbb és részletesebb adathalmazt eredményeztek, melyekből két szervezet, az ECMWF (European Centre for Medium-Range Weather Forecasts) és a GFDL (Geophysical Fluid Dynamics Laboratory) készített reanalízist, ezek később számos kutatás és időjárás-előrejelző modell alapjául szolgáltak. A reanalízisek felhasználásának terjedésével egyre inkább nyilvánvalóvá váltak azok problémái is. A hosszú távú (több éves) trendek hiánya, vagy az adatösszesítések és az analízis módszereinek kiforratlansága jelentős eltéréseket is okozhatott a számolt eredményekben, ezáltal kétségessé téve a levont következtetések helyességét. Sok korrekció született, melyek hellyel-közzel orvosolták ezeket a problémákat, de egyre 4
nagyobbá vált az igény a pontosabb, és hosszabb időszakot átfogó elemzések létrehozására (BENGTSSON, L.–SHUKLA, J. 1988, TRENBERTH, k.e.–OLSON, J.G. 1988). Az igények végül az alábbi három ún. első generációs reanalízis létrejöttét eredményezték: az ECMWF által készített ERA-15 (15 év hosszú, 1979-től kezdve) egy 1948-tól mai napig tartó reanalízis, melyet az US NCEP és NCAR készített (United States National Centers for Environmental Prediction és National Center for Atmospheric Research) egy 16 év hosszú reanalízis 1980-tól a NASA által (National Aeronautics and Space Administration) Ezek az elemzések komoly sikereket arattak, azonban idővel egyre inkább előtérbe kerültek a problémák (például egyes, trendbe nem illeszkedő értékeket produkáló mérőállomások, pl. szigetek azonos beszámítása eltolta a környező értékeket; hőmérsékleti anomáliák a rossz adatillesztések miatt) (TRENBERTH, K.E. et al. 2001). Ezekre reagálva az ECMWF célul tűzte ki, hogy olyan elemzést hoz létre, mely a legkorszerűbb mérési és számolási eredmények felhasználásával a lehető legjobb eredményeket adja. Ehhez ekkor már a korábbinál jóval nagyobb számítási kapacitás is rendelkezésre állt (a számítástechnika fejlődésének köszönhetően). Az eredmény az ERA-40 lett, az 1957 és 2002 közötti 45 évet átfogó második generációs reanalízis. Az ERA-15 hibáiból tanulva új adatintegráló módszereket használtak hozzá, emellett jóval nagyobb lett horizontális és vertikális felbontás is a korábbi elemzésekhez képest. Sokkal több forrásadatot használtak fel, a problémát okozó illesztéseket (pl. műholdadatok) többféleképp ellenőrizték, mielőtt bevonták az elemzésbe. Ez a reanalízis már kevesebb és kisebb hibákat tartalmazott. A technológiai fejlődés egyre pontosabb és részletesebb megfigyeléseket tesz lehetővé. A manapság végzett méréseket már más módszerekkel végzik, sokkal több és pontosabb információt adnak, mint pl. 50 éve, ezért ezek eredményei nem feltétlenül vethetőek össze jól egymással. Emiatt az ECMWF következő lépésként az ERA-40 adatsor bővítése (frissítése) helyett egy új alapokon nyugvó rendszert dolgozott ki. Az ERA-Interim az ECMWF központ legfrissebb globális meteorológiai reanalízise, amely egy 1989. január elsején kezdődő, jelenleg is folyamatosan, közel 5
valós időben bővülő adatsort tartalmaz. Ennek visszamenőleges bővítését első lépésben 10 évvel (1979-től) folytatják, ez jelenleg is folyamatban van. Az
Era-Interim
adatsorok
számos
meteorológiailag
fontos
paramétert
tartalmaznak, mint pl. időjárási paraméterek, felszíni körülmények, óceáni hullámzás, ezek időbeli felbontása 3 vagy 6 órás. A korábbi reanalízishez (ERA-40) képest számos paraméternél részletesebb felbontással dolgozik (pl. a nyomásszintek száma 23-ról 37 darabra emelkedett)(BERRISFORD, P. et al 2009). A korábbi, háromdimenziós változó rendszert (3D-Var) négydimenziósra cserélték (4D-Var), mellyel a modellezett értékek jobban közelítenek a valós mérési megfigyelésekhez. (1.1 ábra) (LORENC, A.C. – RAWLINS, F. 2005)
1.1 ábra: A modellek és a megfigyelt értékek közötti átlagos eltérés; piros: ERAInterim, kék: ERA-40, fekete: megfigyelt értékek. A számításhoz 3 hónapos átlagokat használtak. Forrás: DEE, D.P. et al (2011) Az adatbázis szabadon hozzáférhető 1,5° * 1,5°-os felbontásban (földrajzi hosszúság, szélesség). A számításokhoz ebből az adatbázisból vettem az adatsorokat, méghozzá az alábbiakat: SSR (surface solar radiation) – a felszínre érkező besugárzás mértéke [W/m2], 3 órás átlagok; TCC (total cloud coverage) – az égbolt felhőborítottsága [%], 6 óránkénti pillanatnyi értékek; v10m, u10m – a felszíntől számított 10m magasságban lévő szél sebességvektorának u és v (horizontális) komponense [m/s], 6 óránkénti pillanatnyi értékek.
6
Az adatok az 1989. január 1-től 2007 december 31-ig tartó időszakot ölelik át, a 15°-25,5° keleti hosszúság és a 45°-49,5° északi szélesség közötti 1,5°-onként elhelyezkedő 32 db mérési pontot reprezentálják. 1.3 Erőművek Az áram előállítása magában sem könnyű feladat, de az evidens fizikai-technikaigazdasági problémákon kívül az ellátó rendszernek meg kell felelnie egy másik, fontos elvárásnak: a termelés és fogyasztás összhangjának. Az erőműveknek mindig nagyjából annyi energiát kell elektromossággá alakítaniuk, amennyi a fogyasztók igénye, ellenkező esetben a feszültség túl alacsony vagy túl magas lenne (a megengedett tűréshatár ±10%), amely az elektromos készülékek nem megfelelő működéséhez és károsodásához vezethet. A fogyasztás időbeli változását nagyrészt az emberek szokásai határozzák meg (1.2 ábra). Bár elég változékony a fogyasztás, mégis határozott mintázatokat követ, melyeket jó közelítéssel lehet modellezni, és lehet velük előre tervezni. Ha azonban pontosan tudnánk előre, hogy mennyi energiát kell betáplálnunk az országos rendszerbe, még akkor is komoly technikai kihívást jelentene a hogyan. Jelenleg a legelterjedtebb módszer a fogyasztási görbék áramtermeléssel lekövetésére, ha az időszakokat fázisokra osztjuk fel, az erőműveket pedig termelési mód szerint csoportosítjuk. Ezek alapján lesz alap-, közép- és csúcsfogyasztási fázis (1.3 ábra), és hasonlóképp alap-, közép- és csúcserőmű. Az alaperőművek közé az olyan létesítményeket érdemes sorolni, melyek nagy beruházási költség mellett olcsón tudnak termelni áramot, illetve a folyamatos üzem technikai igényük (pl. atomerőművek). Ezek közel állandó működés mellett biztosítják az áramtermelés jelentős részét. A csúcserőművek azok a létesítmények, melyek alacsony beruházási költségűek és magasabb egységárú áramot tudnak termelni, illetve nem probléma náluk a gyors indulás és leállás (pl. gázfűtésű hőerőművek). A középerőművek értelemszerűen a kettő közötti átmenetet képviselik. Kiemelném, hogy mindhárom kategóriánál feltétel az időbeli szabályozhatóság ismerete.
7
1.2. ábra: Magyarország 2010. évi elektromos áram-fogyasztási adatai órás felbontásban (adatok forrása: mavir.hu). Az x tengelyen a 2010. január 1. 0:00 óta eltelt órák száma, az y tengelyen a fogyasztás (MW) látható. a) egész év; b) 27 nap; c) 4 téli és 2 nyári nap Az a) ábrán látszik, hogy a nyári hónapok alatt kevesebb a fogyasztás, kivéve 1-1 napot. Ilyenkor hosszabbak a nappalok, nincs szükség fűtésre, világításra. Az 1-1 kiugró nyári időszak (napok, hét) a kánikulák miatt lehet, lásd később. Az ábrán még kitűnik az ünnepnapok alatt visszaeső fogyasztás, ennek oka az lehet, hogy a szabadságok miatt az ipari- és szolgáltatás szektorok termelése és áramfogyasztása is visszaesik ilyenkor. 8
A b) ábrán jól látható a heti menet; a hétvégéken a visszaesés az előzőek alapján magyarázható. Az időszak elején az alacsony értékek a Szilveszter utáni hosszú hétvége napjai. Az éjszakák alacsony fogyasztása látványosan elkülöníti a nappalokat. A c) ábrán látható, hogy a téli és nyári időszaknak eltérő profilja van. A nyári napok során napközbeni széles csúcs van, melynek középpontja éppen a legmelegebb időszakra esik – ez valószínűleg a kánikula miatt bekapcsolt légkondicionálók fogyasztása miatt van így. Mindkét időszak napjaira jellemző az esti csúcs: ilyenkor a háztartásokban ég a villany, és gyakran be van kapcsolva a TV (főműsoridő).
1.3 ábra: A fogyasztási időszakok felosztása. MASTERS, G.M. (2004) alapján A nap- és szélenergián alapuló erőművek nagy problémája az előre nem ismert időbeli rendelkezésre állás, ezzel egy új szempont jelenik meg: a termelés változékonysága. Amekkora kapacitású nap- és szélerőművet kötünk rá a hálózatra, annyival nő a termelés változékonysága, hiszen nem lehet tudni, hogy a következő nap maximális vagy épp nulla lesz-e a termelés. Ezt a változékonyságot ugyanakkora kapacitású csúcserőművekkel kell tudni kompenzálni (amelyeknek általában magasabb az egységnyi energiára jutó egységáruk). Ezért jellemző például, hogy a nap- és szélerőművek mellé fosszilis tüzelésű csúcserőművet építenek legalább akkora kapacitásban, mely kérdésessé teszi a környezetvédelmi szempontokat is. Megoldást nyújthatna az, ha az energiát el tudnánk tárolni. Az ún. pufferek (pl. akkumulátorok) ezt a célt szolgálják, de működésük egyelőre még nem megoldott jó hatásfokkal nagy léptékben. A jelenlegi legjobb nagy léptékű puffer rendszerek a vízi 9
erőműveknek egy speciális változata. Ezeknél betápláláskor egy magaslati víztározóba felszivattyúzzák a vizet, energia-kivételkor pedig leeresztik, mely így egy turbinát hajt. Itt a tárolás a víz helyzeti energiájában valósul meg. Pufferek létesítését nem csak a változékony áramtermelés (nap-, szélerőművek) igényelheti, hanem a túl folytonos is. Ha az 1.3 ábra szerinti felosztásban az alaperőmű teljesítményét magasabb értékre tolnánk ki változatlan fogyasztási görbék mellett, akkor – mivel az alaperőművek teljesítménye nem szabályozható gyorsan – a fogyasztási völgy-időszakokban túltermelés jelentkezne, ezek átvételére is pufferek kellenek. Ez a kérdés nem csak elméleti jellegű, mivel a paksi atomerőmű bővítésének jelenlegi terve is ilyen problémát vet fel. Az ún. intelligens elektromos rendszerek (smart grids) lényege, hogy az összes résztvevő
(fogyasztók
és
termelők)
viselkedésének
információt
összegyűjti,
hozzáférhetővé teszi, és ezek alapján dinamikusan változtatja a rendszer elemeinek tulajdonságait, hogy javítsa a hatékonyságot, megbízhatóságot. Ezek használata is megoldás lehetne, azonban még nem tisztázott, hogy milyen mértékben segíthetnek a problémán (ez a terület még gyerekcipőben jár). A nap- és szélenergia rendelkezésre állásának megbízhatatlansága csökkenthető lehet, ha a két rendszert integráljuk, hiszen annak kisebb az esélye, hogy mindkét környezeti változó egyszerre legyen 0. A dolgozat épp ezt a kérdéskört szeretné részletesebben vizsgálni: fontos látni, hogy a két változó külön, illetve együtt vett időbeli szórása milyen mértékű és jellegű. A hangsúly tehát nem a megtermelt energia mennyiségén van, hanem a rendelkezésre állás idejének eloszlásán. 1.4 Megújuló energiák 1.4.1 Napenergia A Földet elérő napsugárzás intenzitása, az ún. napállandó 1368 W/m2. Ez azt az energiát mutatja, amely a légkör tetejét átlagosan éri a napsugárzás irányára merőleges felszínen. A földfelszínt érő sugárzás ennél jóval kisebb, a mérhető maximum 1000 W/m2 körül van. Annak, hogy a sugárzás csökken, több oka is van: a légkör elnyelése, felhőborítottság, a napszakok és évszakok váltakozása, és a Föld görbülete (szélességi fokok). Egy adott helyet érő napsugárzás épp ezért elég változékony lehet, így érdemes
10
az éves átlagokat vizsgálni az összehasonlításukhoz. Az Egyenlítő környékén az éves átlag 250 W/m2 körül mozog, míg a sarkoknál ez az érték a 40 W/m2-t sem éri el. A Földre évente kb. 1,56*1018 kWh napenergia érkezik, ez 4 nagyságrenddel nagyobb, mint az emberiség éves energia fogyasztása. Ennek az energiának azonban egy része visszaverődik az űrbe (~30%), egy része elnyelődik, majd hő (infravörös sugárzás) formájában kisugárzódik (~45%), a többi (~25%) pedig a vízkörforgást, a szeleket és a fotoszintézist táplálja (ld. 1.4 ábra).
1.4 ábra: Bolygónk 2000-2004-re viszonyított átlagos energiamérlege. A mennyiségek W/m2-ben értendők. (forrás: TRENBERTH, K.E. et al. 2009) 1.4.2 Szélenergia A szélenergia forrása közvetve a napenergia, mivel a felszíneket nem egyenletesen melegíti (kis léptékben: árnyékos és napos terület; nagy léptékben: Egyenlítő és sarkok környéke). A nem azonos arányú melegítés nyomáskülönbséget hoz létre, amely a nagyobb nyomású hely felől a kisebb nyomású felé irányuló légmozgáshoz vezet. A szél energiája arányos a szélsebesség harmadik hatványával. A szélsebességet erősen befolyásolja a felszín érdessége, ám a felszíntől távolodva egyre kisebb ennek hatása. A napsugárzáshoz hasonlóan a szélsebesség is igen változékony eloszlást mutathat egy adott területen, ezért az éves átlag szélsebességet szokták mérvadó mennyiségként megadni, mely több évnyi megfigyelés alapján határozható meg jól. 11
2. Háttérszámítások 2.1 Adatsorok összevetése Ahhoz, hogy az adatsorokat összevessük és összegezzük, először hasonló formátumúra kellett hozni őket. Ez két fontos lépést jelentett: a) az időparamétereket egymáshoz illeszteni; b) a két eltérő energiaáramot egységes dimenzióra hozni. 2.1.1 Időpontok illesztése A szélsebesség-adatok 6 óránkénti pillanatnyi értékek, míg a napsugárzási adatok 3 óránkénti átlagok (időpontként az átlagolt intervallumok közepe van megadva, 2.1 ábra). A két lehetőség közül, miszerint a 6 óránkénti szélsebesség-adatokat bontsam tovább 3 órásra, vagy a 3 óránkénti napsugárzás-adatokat vonjam össze 6 óránkéntira, az utóbbit választottam. Az indokom erre az volt, hogy ha a szélsebességet váltanánk át 3 órásra, az nagyobb felbontású adatsort eredményezne (valamennyire ellensúlyozva az egyébként gyenge tér- és időbeli felbontást), azonban valójában nem tartalmazna több információt mint ami eredetileg benne volt, így a nyereség csak „látszólagos” volna. Az egységesítés első lépése tehát az volt, hogy az SSR adatokból lineáris interpolációval kiszámoltam az értékeket a megfelelő időpontokra.
2.1 ábra: Az időillesztés adatai: kék: szélsebességek, bordó: napsugárzás. Kivételt képeztek a legelső és legutolsó adat, ezeknél extrapolálni kellett volna, ami a napi menet szinuszos mivolta miatt hamis (negatív) adatot eredményezett volna. Ezeknél átlagot vontam a következő/előző 10 nap adott időpontjában előforduló értékekből. Egy-egy érték jelentősen egyébként sem képes befolyásolni a statisztikai elemzést, mivel koordinátapontonként 27756 adat van bevonva. 2.1.2 Dimenzió egységesítés Mivel a dolgozat célja egyébként is az elektromos áramtermelés lehetőségeinek vizsgálata, ezért az energiaáramok dimenzióinak egységesítésére a legcélszerűbbnek az tűnt, ha a szélsebesség és napsugárzás-adatok helyett a belőlük nyerhető teljesítményt 12
vetem össze. Így a teljesítmény értékeléséhez bevezetem a „kapacitásfaktor” változót (p), amely dimenziótalan [%], és azt adja meg, hogy a beépített csúcsteljesítménynek hány százaléka a valós teljesítmény. A kapacitásfaktor és a csúcsteljesítmény szorzata megadja a valós teljesítményt Watt dimenzióval, azaz pl. 100 MW beépített csúcsteljesítmény 25% kapacitásfaktorral 25 MW teljesítményt jelent. 2.2 A felhőborítottság és a felszínre eső besugárzás korrelációja Magától értetődő feltételezés, hogy a TTC (teljes felhőborítottság, [%]) és az SSR (felszínre eső besugárzás, [W/m2]) között valamilyen korreláció áll fenn, hiszen a napsugárzás felszínre eső értékét nagyban befolyásolja az, hogy árnyékolnak-e a felhők. Ezek vizsgálatához a legegyszerűbb mód, ha ábrázoljuk az adott időponthoz tartozó adatpárokat olyan koordinátarendszeren, melyen az x és y tengelyen a vizsgált változókat ábrázoljuk. Ezekre a pontokra egyenest vagy más görbét illesztve, annak determinisztikus együtthatója (r2) jelzi a korreláció mértékét. Mivel azonban a napsugárzás napi ciklicitást mutat, míg a felhőborítottság nem feltétlenül van összefüggésben a napszakkal, ezért csak olyan adatpárokat ábrázolunk, mely egy adott napszakban lettek regisztrálva.
2.2 ábra: A TCC és SSR függése egymástól; az egész adatsor adott napszakának (12 óra) adataiból. Az y tengelyen a TCC értékek (dimenziótalan), az x tengelyen az SSR értékek láthatóak (W/m2). Első közelítésben egy szétszórt ponthalmazt kaptunk (2.2 ábra), egy igen gyenge, r2
0,25-ös korrelációval. Felmerülhet, hogy a napsugárzás évszakos változása is 13
jelentős lehet, ezért a következő lépésben (2.3 ábra) csak olyan adatpárokat vizsgáltam az előzőek közül, melyek az év adott szakából, néhány nap eltéréssel készültek.
2.3 ábra: A TCC és SSR függése egymástól; az egész adatsorból az adott év adott napja körüli dátumok (június 5-10) adott napszakainak (12 óra) adataiból. Az y tengelyen a TCC értékek (dimenziótalan), az x tengelyen az SSR értékek láthatóak (W/m2). A két látható illesztés lineáris, illetve másodfokú polinomiális. A determinisztikus együttható már sokkal nagyobb, de még így sem mondható erősnek, függetlenül attól, hogy milyen görbét próbálunk illeszteni. Ezek alapján a TCC értékeket nem érdemes aktívan belevonni a számításokba. 2.3 A kapacitásfaktorok számítása Könnyen belátható, hogy egy naperőmű vagy szélkerék esetén a kinyerhető energia szinte kizárólag a napsugárzástól, illetve a szélsebességtől függ, ha csak a környezeti paramétereket vizsgáljuk és eltekintünk az üzemelés technikai kérdéseitől. Azonban az nem triviális, hogy az összefüggés milyen. Ezért először meg kell vizsgálnunk a két energiaforrás hasznosításának módját és lehetőségeit. 2.3.1 Napenergia-hasznosítás A napenergia elektromos árammá alakításának alapvetően két módja van. Az első a Nap melegítő hatását használja ki: valamilyen közeg melegítésekor áramlás jön létre, melyet egy turbina alakít elektromossággá. Ilyenek pl. a parabolacsatornás naperőmű, naptorony, napkémény.
14
A másik módon működő eszközök, a napelemek, a napfény fotonjainak azon képességet használják ki, hogy egy vezetőbe becsapódva annak szabad elektronjainak adhatják energiájukat, így egy félvezetőn feszültséget képesek létrehozni. Mivel rengeteg naperőmű-típus létezik különböző paraméterekkel, ezért egy egyszerűsítéssel élek: a számolásokhoz használt elképzelt naperőművek mind napelemes kialakításúak. Amellett, hogy ezekkel sokkal könnyebb számolni, mellettük szól még, hogy tetszés szerint méretezhetőek. Bizonyos
elméleti
becslések
alapján
Magyarországon
az
elektromos
áramtermelésre potenciálisan hasznosítható napenergia éves értéke az ország villamos energia fogyasztásának 12-szerese (PÁLFY, M. 2005), de ennek nincsen sok köze a gyakorlati megvalósíthatósághoz. A hasznosítható területeknek több, mint 98%-át a felszabaduló mezőgazdasági területek és a gyepek-legelők adják, így nem rossz közelítés azt mondani, hogy a lehetséges erőmű-telepítést olyan helyeken lehet megvalósítani, ahol a dőlésszöget ideálisan lehet beállítani. Mivel az ERA-Interimből származó SSR értékek a helyi vízszintes felületre érkező besugárzást adják meg, ennél nagyobb besugárzást kapnak az ideálisan beállított napelemek, méghozzá az alábbiak szerint (2.5 ábra):
P A'
P A sin
(2.1)
ahol P a beérkező sugárzás teljesítménye (W), A a vízszintes felület, A’ az ideális dőlésszögű felület,
pedig a dőlésszög. Ezek alapján az SSR adatokat az
szorzóval kell korrigálni, ami Magyarország területén egy átlagos
1 sin
= 47°-kal számolva
egy 1,367-es szorzót jelent.
2.5 ábra: A napsugarak beesési szöge, és az elnyelő felület viszonya.
15
A napelemek hatásfoka a hőmérséklet növekedésével lineárisan csökken. Ennek matematikai leírására számtalan formula született, de ezek mind egy-egy specifikus napelem típus egy-egy konstrukciós formájára készültek, univerzális leírás nincs (SKOPLAKI, E. – PALYVOS, J.A. 2008). Ezért a hőmérsékletfüggéstől eltekintettem a számolásban. (Az ebből eredő lehetséges hiba (hatásfokváltozás) mértéke 30°C hőmérsékletváltozáskor ~5-15%.)
2.4 ábra: Különböző típusú napelemek hatásfoka az idő függvényében. Jól láthatóan a félvezetők integrálására vonatkozó Moore-törvény ebben az esetben nem érvényes. (forrás: http://en.wikipedia.org/wiki/Thin_film_solar_cell) A hatásfok elhagyása a számolásból egyébként is indokolt. A napelemek, és a napelemes erőművek egyik legkifejezőbb tulajdonsága az ún. csúcskapacitás (Pcsúcs) [Wp, vagy Watt-peak]. Ez azt mutatja meg, hogy standard tesztkörülmények (STC: 25°C és 1000 W/m2, a napfény spektrumával megegyező besugárzás) között mekkora teljesítményt tud nyújtani az adott konstrukció (LUQUE, A. – HEGEDUS, S. 2003). Például egy 200 MWp csúcskapacitású naperőmű standard körülmények között 200 MW teljesítményt nyújt. Ám a valóságban a körülmények ritkán ideálisak, Magyarország területén például a napsugárzás csak elvétve éri el az 1000 W/m 2-t. Az előbbi példát véve, ha a napsugárzás csak pl. 300 W/m2-es, akkor a teljesítmény is csak 0,3*200 W lesz. A valós teljesítmény tehát: 16
P
Pcsúcs
besugárzás 1000
W m
(2.2)
2
Ha élünk a fenti egyszerűsítéssel, úgy a napelem teljesítménye közvetlenül, lineárisan fog függni a beérkező napsugárzástól. Így tehát:
p(SSR )
SSR * 1,367 * 100 1000
(2.3)
ahol p(SSR) a napenergiára vonatkoztatott kapacitásfaktor [%], SSR pedig a besugárzás [W/m2]. (Megjegyzés: az SSR adatok néhol negatív értékeket is tartalmaztak, ezt mérési hibának vettem, és 0-vá írtam át őket).
2.3.2 Szélenergia-hasznosítás A szélenergia elektromossággá alakításának konvencionális módja a szélkerekek használata. Ezek lapátjaira a levegő áramlásakor olyan erő hat, mely megforgatja a kereket, mely így egy generátorhoz kapcsolva áramot fejleszt. A lapátok számának növelése ugyan növeli a nyomatékot, ám csökkenti a hatásfokot (az általánosan elterjedt 3 lapátos szélkerekek lapátszáma mérnöki optimalizáció eredménye). Az
A
felületen
átáramló
levegőből
származó
P
rendelkezésre
álló
szélteljesítményt a
P képlettel lehet meghatározni, ahol
1 Av3 2
(2.4)
a levegő sűrűsége, v a szél sebessége (TROEN, I. –
PETERSEN, E.L. 1989). Az ebből kinyerhető Pe szélteljesítmény
Pe
1 Fv 3c p 2
(2.5)
ahol cp a teljesítménytényező, F a rotor felülete. A teljes energiát kinyerni nem lehetséges, mivel a rotor mögötti áramlási sebesség nem lehet 0. Albert Betz 1919-ben bebizonyította, hogy cp maximális értéke összenyomhatatlan folyadék esetén
c p max
16 27
0,5926 , ezt az értéket nevezzük Betz-limitnek (JUSTUS, C.G 1985).
Általános körülmények között (behelyettesítve a Betz-limitet és a levegő sűrűségét) a
17
0,37 Fv 3
maximális kinyerhető teljesítmény Pe
0,37
4
d 2v3
0,29d 2v 3 , tehát
arányos a szélsebesség köbével és a rotorátmérő négyzetével. A köbös összefüggés miatt egy 25%-kal nagyobb szélsebesség közel kétszer annyi energiát hordoz. A szélsebesség a felszíntől mért távolságtól is függ, a magassággal növekszik. Ennek leírására az ún. „wind profile power law” törvényt használják. E szerint u/ur = (z/zr)α
(2.6)
ahol u a szélsebesség z magasságon, és ur a szélsebesség egy referencia zr magasságon, az α kitevő pedig egy empirikusan megállapított együttható. Az ERA-Interim reanalízisből a szélhez kapcsolódóan két adatsort emeltem ki: u és v komponenseket. Ezek a szél sebességvektorának három térbeli komponenséből a kettő
horizontális
(északi
és
nyugati
irányban).
Mivel
a
számoláshoz
a
szélsebességvektornak csak a nagyságára van szükség és az irányára nincs, ezért az s szélsebesség meghatározásához elég a Pitagorasz-tétel felhasználása:
s10
v10
2
u10
2
(2.7)
A képzeletbeli szélerőműveink 100m-es rotormagasságú szélturbinákból fognak állni. Az ERA-Interim szélsebesség-adatai 10m-es magasságra értendők. A szélenergia meghatározásához ki kell számolni, hogy 100m-en mekkora szél fúj. Ehhez, és a későbbiekhez egy korábbi tanulmány eredményeit használom fel. KISS P. (2009) doktori disszertációjában megvizsgálta a fent említett „wind profile power law”-t, és arra jutott, hogy sok esetben ez a leírási mód pontatlan. Ehelyett egy másik módszerrel dolgozott: empirikus adatsorokat feldolgozva felrajzolta az
(h)
szélsebesség-arány profilt (az 1000 hPa nyomásfelület magasságának függvényében). Ebből a megfelelő
értéket leolvasva megkapjuk azt a számot, amely s10 és sh arányát
mutatja meg:
sh
(h) s10
(2.8)
Ez egy olyan közelítés, mely ugyan hibákat hordoz magában, azonban ezek a hibák a végkövetkeztetést nem befolyásolják nagyban. h = 100 m-nél a szélsebesség: s100
értéke 1,28, így
1,28 s10 .
A következő lépés az, hogy az adott szélsebesség-értékekből kiszámoljuk a szélturbinák által kinyert energiát. Ehhez ismernünk kell a szélturbinák működését. 18
A generátorokat nem tudja akármilyen gyenge szél megforgatni. Azt a minimális szélsebességet, amelynél a lapátkerekek forognak, és a generátor áramot termel indulási (cut-in) sebességnek nevezzük. Ha túl nagy a szélsebesség, az károsíthatja a szélturbinát a tornyot érő extrém erőhatások miatt, ezért minden szélerőműhöz meghatároznak egy maximális sebességértéket, amely fölött a turbinát leállítják és a lapátokat befordítják a szél irányába a károsodás elkerülése végett. Ez a leállási (cut-out) sebesség. Tényleges áramtermelés csak a két érték között zajlik, de itt sem lineáris az összefüggés a szélsebességgel. A
turbinák
teljesítménygörbéjének
leírásához
ismét
KISS
P.
(2009)
tanulmányához fordultam. A szerző több gyártó nyilvános teljesítmény-diagramjának adatait összegezve egy idealizált (empirikus) görbét írt le, melynek változóit két nagyfelbontású tényleges méréshez illesztette (2.6 ábra).
2.6 ábra: Az illesztési görbék. Bal: a különböző gyártók teljesítmény-görbéi; jobb: mérési adatok (mosonszolnoki szélturbina). forrás: KISS P. (2009) A gyártók adatai alapján az indulási sebesség általában 3-5 m/s, a leállási sebesség 20-25 m/s között mozog. A két érték közötti szakasz első fele hatványfüggvényként viselkedik, 3 körüli kitevő-értékkel. 11-15 m/s-nál egy átfordulási pont van, melyet egy plató követ. Így a teljesítmény-görbe közelítése az alábbi formát adja:
0 a0 ( s p( s)
sci )
a1 1 e
( s b )c
0
ha
s
sci
ha
sci
s
sx
ha
sx
s
sco
sco
s
ha
(2.9) 19
ahol: sci a indulási sebesség, sx az átfordulási (inflexiós) pont, sco a leállási sebesség, és , a0, a1 pedig empirikus állandók. A fenti egyenletben a negyedik feltétel sosem valósul meg, mert a szélsebesség adatok 100 m-re átszámítása után is csak 20,55 m/s lett köztük a maximális érték. A szélerőműre vonatkozatott kapacitásfaktor (p(s)) számítási módja megegyezik az (2.9) egyenlettel, az alábbi paraméter értékekkel: sci = 1,2
a0 = 0,161
sx = 10
a1 = 100
sco = 25
b = 9,16
= 2,79
c = 1,05.
A számításhoz természetesen a 100 m-es magasságra vonatkoztatott szélsebességet használjuk (s100), és a százalékos kifejezéshez az eredményt beszorozzuk 100-zal. 2.4 A számítások és eredmények helytállósága Már korábban is esett szó arról, hogy a dolgozat számításai komoly hibákat hordozhatnak magukban. Ebben a fejezetben sorra veszem a lehetséges hibaforrásokat. A kiindulási adatsor már önmagában is csak egy modell, csak közelíti a valós értékeket. Az adatok időbeli felbontása kicsi, a 6 órás időköz elég ritka, főleg azt tekintve, hogy szélsebesség esetén pillanatnyi értékekről van szó, így a gyors változékonyság miatt nagy különbségeket mellőzhet el a ritka mintavétel. Ezt ellensúlyozhatja a nagy számok törvényén keresztül az adatsor mérete (19 évnyi minta). A térbeli felbontás is kicsi, nem kerülnek elő azok a lokális méretű területek, melyek geomorfológiai adottságaik által növelik a kiaknázható szélenergiát, így a szélerőművek elhelyezésekor valamekkora veszteséget lehet sejteni. Hasonlóan, az adatsorban a szelek értékei közül a maximum 20,55 m/s ≈ 74 km/h sebességű, ahhoz képest, hogy Magyarországon a szélrekord 172 km/h, és viharos időben nem ritkák a 100 km/h-t elérő széllökések. A teljesítménygörbék közelítése aránylag kis hibát rejt magában. A napelemeknél a már említett hőmérsékletfüggéstől való eltekintés okozhat komolyabb eltérést, a szélkerekeknél pedig az, hogy a szélsebesség hibája harmadik hatványon terjed tovább a teljesítményre. 20
Megkérdőjelezheti az adatelemzés érvényességét a jelenleg is zajló globális éghajlatváltozás, hiszen komoly mértékű változások esetén a dolgozat eredményei nem vonatkoztathatóak a jelenre és jövőre nézve. Emiatt megvizsgáltam az adatsorok trendjeit. 2.5 Trendek A változások vizsgálatához a kapacitásfaktor adatsorok relatív trendjeit számoltam koordinátapontonként. Ehhez az éves átlagokra illesztett egyenes meredekségét (trend) osztottam a koordinátapont átlagértékével, így ez megmutatja az éves változást relatív mértékben (dimenziótlan). A szelek jelentősen, a napsugárzás és felhőborítottság kis mértékben változik ezek alapján. (lásd: 2.6 és 2.7 ábrák)
2.6. ábra: A szélerőművek kapacitásfaktorainak éves átlagának relatív trendje az adatsor alapján. Vízszintes tengely: keleti hosszúság(°); függőleges tengely: északi szélesség(°); színskála: éves relatív trend (%) 2.5.1 A trendek értékelése Felmerül a kérdés, hogy mi okozhatja a szelek és a felszínre eső besugárzás növekedését. A szelek esetén a válasz aránylag egyszerű: a globális felmelegedés hatására az éghajlati rendszerek megváltoznak, általában véve nagyobb energiájuk lesz. Ennek ellenére nem egyértelmű a növekedés mindenhol, egyes helyeken csökkenés tapasztalható (2.6 ábra).
21
2.7. ábra: Bal: naperőművek kapacitásfaktorai; jobb: TCC éves átlagainak relatív trendje. Vízszintes tengely: keleti hosszúság(°); függőleges tengely: északi szélesség(°); színskála: éves relatív trend (%) A naperőművek kapacitásfaktorainak esetében az teszi látszólag bonyolulttá a kérdést, hogy a vizsgált érték nem a hőmérséklet, hanem a besugárzás, de azt az éghajlat nem befolyásolja (a kapcsolat egyirányú a napsugárzás felől). Befolyásoló tényező lehet a felhőzet mértéke, ehhez a TCC trendjét is megvizsgáltam, az eredményt a 2.7 a) és b) ábrák mutatják. A felhőborítottság és a besugárzás közvetlen korrelálását már vizsgáltam korábban, de a két változó trendje között sincs látható összefüggés. Egy lehetséges magyarázat lehet az is, hogy a globális éghajlatváltozást okozó üvegházgázok növelik a visszavert sugárzást (ez főleg IR-tartományba esik), így a visszaverés mértékének növekedése okozza a trendet. A trend jelen esetben az átlagos évenkénti változás mértékét mutatja, relatív ábrázolásban (az éves változás osztva a 19 darab éves átlag átlagával). Ezek nagyon pici értéknek tűnnek, de egy pl. 20 éves időtartam alatt a jelen ütemben folytatódó trend akár 5-8%-os eltérést is eredményezhet. Ez azonban még mindig elég kevés ahhoz, hogy a trendek hosszú távú hatásai miatt kétségbe vonjuk a dolgozat konklúzióit. 3. Az adatsorok feldolgozása Az adatok nagy száma miatt (2*32*27756 kiindulási adat) még az összefoglaló táblázatok is igen nagy méretűek, így ebben a fejezetben csak a módszerek leírására és az eredményekből levont konklúziókra próbálok szorítkozni. A lényegesnek tartott táblázatok a függelékben megtalálhatóak. Mivel az adatsorok négy paramétert tartalmaznak (földrajzi szélesség, hosszúság, idő, mért érték), ezért ezek ábrázolása síkban nem lehetséges valamilyen egyszerűsítés nélkül. Ezért három féle ábrázolási módot alkalmazok: az egyik az idősor, melynél az 22
egész mért terület átlaga szerepel az idő függvényében. A második a színskálával ábrázolt földrajzi eloszlás, itt az egyes koordinátapontokon lévő adatokat átlagolom egy értékké, és ezt ábrázolom a földrajzi szélesség és hosszúság szerint. A harmadik a hisztogram, amely az egyes adatsorok értékeinek gyakoriság-eloszlását mutatja. Az ábrázolt adatok a statisztikai értékeléshez nyújtanak segítséget. A kapacitásfaktorok átlagértékei a termelt energia mértékét mutatják; a relatív szórás az időbeli változékonyságra utal. (Ezek statisztikai információértéke sajnos limitált az eloszlások erősen ferde alakja miatt.) Az átlagok és relatív szórások egymással összehasonlíthatóak és önmagukban is értelmezhetőek, hiszen relatív, dimenziótalan értékekről van szó. (A kapacitásfaktor önmagában is relatív érték, a beépített csúcsteljesítményhez van viszonyítva.) 3.1 A napsugárzás és szélsebesség kapacitásfaktorai
3.1 ábra: a nap- (bal) és szél (jobb) kapacitásfaktorok átlagértéke (%)
3.2 ábra: A nap- (bal) és szél (jobb) kapacitásfaktorok relatív szórása. A 3.1 és 3.2 ábrán látható a nap- és szél kapacitásfaktorok átlagának és relatív szórásának földrajzi eloszlása. Elsőre az tűnhet fel, hogy a szórások és az átlagértékek egymással fordítottan korrelálnak. Ennek az oka az, hogy minél kisebbek az átlagértékek, annál nagyobb relatív változást hoz egységnyi változtatás, így a kicsi 23
átlagokhoz általában nagyobb szórás tartozik. A nap és szél átlagok egymáshoz képesti fordított korrelálása evidensnek tűnhet az észak-déli illetve fordított irányú csökkenés miatt, ám ha jobban megnézzük az ábrákat, akkor több kérdéses részt találhatunk (pl.: a délnyugati sarokban, keleten és északon középen). Fontos
összehasonlítani
az
értéktartományokat
is.
A
naperőművek
kapacitásfaktorai érezhetően nagyobbak, mint a szélerőműveké. A szelek szórása jóval nagyobb, de a napoké is elég nagy. Általában úgy tartják, hogy 0,9 fölötti relatív szórás már nagyon nagy, ilyen esetben az átlagérték nem hordoz értékelhető információt. (Ehhez képest számos értékelésben, cikkben, stb. az éves átlagot veszik alapul, és a szórásról nemigen esik szó.) 3.2 Szcenáriók Az adatsorok kiértékeléséhez az egyes mérési pontokon lévő képzeletbeli erőművekből álló erőműrendszereket hoztam létre, ezeken aztán az ERA-Interim alapján kapott kapacitásfaktorokkal számítottam ki a kinyerhető teljesítményeket. Mivel a különböző elrendezések eredményei között lehetnek komoly különbségek, ezért több szcenáriót vizsgálok, melyek egyes változók optimalizálásán alapulnak. Minden szcenárióban ugyanakkora összes csúcsteljesítményt építek be, ám az egyes pontokon lévő erőművek csúcsteljesítménye változó. A számolás könnyebbsége végett összesen mindig 3200 MWp a csúcsteljesítmény (ez rácspontonként 100 MWp teljesítménynek felel meg). Mivel az eredmények mind relatívak, ezért ez nem jelenik meg bennük, bármilyen érték szerepelhetne helyette (a lényeg az egyes pontokon lévő teljesítmények aránya). Az eredmények vizsgálatakor elsődleges szempont a teljesítmény időbeli eloszlása, de természetesen lényeges az összes termelt energia is. A szcenáriók a következők: a) Minden koordinátaponton egy 50 MWp csúcsteljesítményű nap- és egy 50 MWp csúcsteljesítményű szélerőmű van. b) Minden koordinátaponton 100 MWp beépített csúcsteljesítmény van, az egyes pontokon lévő erőművek csúcsteljesítményei súlyozva vannak a pontok nap- ész szélkapacitásfaktorának szórás-aránya szerint. Képlettel:
Pnap
Vszél Pszél Vnap Vszél ;
Vnap Vnap
Vszél 24
ahol P a csúcsteljesítményeket, V a kapacitásfaktorok relatív szórását jelöli. A súlyozás fordított arányosságú: a cél, hogy a kisebb szórások nagyobb súllyal legyenek számítva. c) 10-10 db, korrelációk alapján válogatott pontokra telepített, egyenként 160 MWp csúcskapacitású erőművek. A kiválasztáshoz azt az alapelvet követtem, miszerint minél kevésbé korrelálnak egymással az adatpontok, az összegük annál inkább közelít a kiegyenlített érték felé. Ennek számolásához létrehoztam a szél- és napsugárzási kapacitásfaktorok korrelációs mátrixát, ezekből kiválasztottam a 10-10 legkisebb átlagos korrelációjú szél- és napadatpontot. d) Minden koordinátaponton 100 MWp beépített csúcsteljesítmény van, az egyes pontokon lévő erőművek csúcsteljesítményei súlyozva vannak a pontok nap- és szélkapacitásfaktorai átlagának aránya szerint. Képlettel:
Pnap
Anap Anap
Aszél ;
Pszél
Aszél Anap Aszél
ahol P a csúcsteljesítményeket, A a kapacitásfaktorok számtani közepét jelöli. A súlyozás egyenes arányosságú: a cél, hogy a nagyobb átlagértékek nagyobb súllyal legyenek számítva. e) Puffer szcenárió Az e) szcenárió során egy puffert kötöttünk a c) szcenárió rendszeréhez, mely a nagy változékonyságot hivatott kiegyenlíteni. A puffer méretezésénél azt vettük alapul, hogy ha állandó üzemű alaperőművekkel próbálnánk lefedni az egész áramszolgáltatást, akkor a fogyasztás változékonyságát (1.2 ábra) mekkora puffer lenne képes kielégíteni. Mivel a puffernek ebben az esetben az a célja, hogy az átlaghoz viszonyított többletet elraktározza, ezért durva közelítéssel a puffer méretét számolhatjuk úgy, hogy a legnagyobb napi fogyasztás-különbség felét beszorozzuk 12 órával (3.3 ábra). Így kaptuk meg a puffer maximális energiatárolási kapacitását, amely 2440 MW * 12h / 2 = 14640 MWh, felfelé kerekítve 15 GWh lett.
25
3.3 ábra: A puffer méretének számítása. A függőleges tengelyen a nettó energiatermelés látható, ez a fogyasztás és termelés különbségét jelenti (ideálisan kihasznált, zárt rendszer esetén az átlag 0 körüli érték lenne). A szürke területek jelölik az eltárolandó és később felhasználandó energiamennyiséget. Az eltárolandó energia mennyisége durva felülbecsléssel a napi fogyasztás-különbség fele szorozva 12 órával. Mint mindennek, a puffernek sincs 100%-os hatásfoka, az általánosan elterjedt rendszereknek (pl. magaslati víztározóba felszivattyúzás, majd leengedéskor turbina hajtása a vízzel) is csak 60% körüli. Ezért a szcenárióba ez is bele lett számolva, kivételkor csak a betáplált energia 60%-a hasznosul. A pufferből való kivételhez és betápláláshoz egy egyszerű szabályt alkalmaztunk: amennyiben az összesített kapacitásfaktor elér egy bizonyos mértéket (felső küszöbérték = 10%), akkor a többletből addig betáplálás zajlik, míg a puffer „meg nem telik”. Ha a kapacitásfaktor bizonyos érték alá esik (alsó küszöbérték = 5%), akkor a puffer 5%-ig (60%-os hatásfokkal) visszatölt a rendszerre, ezzel akadályozva, hogy a teljesítmény a csúcskapacitás 5%-a alá essen. eN) és eS) :Az összehasonlítás kedvéért a puffertárolós szcenáriót kiterjesztettem a naperőmű- és szélerőmű kapacitásfaktorokra is. 3.3 A szcenáriók értékelése Az egyes szcenáriók összehasonlítására szolgáló táblázat megtalálható a függelékben. A táblázat egy lényeges részét azonban itt is taglalni szeretném, mégpedig az egyes szcenáriók percentilis értékeit.
26
Az x percentilis érték megmutatja, hogy egy adott, nagyság szerint sorba rendezett adathalmazban milyen érték jut az x-edik százalékra. Ez gyakorlatilag azt jelenti, hogy az x percentilis érték egyenlő lesz azzal az értékkel, amelynél az adatok x százaléka kisebb, és 100-x százaléka nagyobb. Számunkra ez azért fontos, mert ha pl. kritériumnak tűzzük ki, hogy az erőműrendszerünk az idő 98%-ában biztos teljesítményt legyen képes nyújtani, akkor az 2% percentilissel megkapjuk, hogy milyen értékkel képes megfelelni ennek. Az 1. táblázatban az egyes szcenáriók láthatóak, vastaggal kiemelve a 95%-os bizonyossághoz tartozó 5% percentilis értékek.
percentilis
2% 5% 10% 20% 30% 50%
nap 0,000 0,000 0,000 0,000 0,021 6,124
szél 0,300 0,450 0,639 1,052 1,599 3,397
eN 0,000 0,001 2,857 5,000 5,000 6,124
eS 0,328 0,503 0,776 1,587 3,346 5,000
a 0,250 0,417 0,741 1,930 3,738 8,378
b 0,202 0,343 0,622 1,696 3,587 8,423
c 0,262 0,499 1,020 2,758 4,729 9,618
d 0,153 0,264 0,497 1,445 3,343 8,301
e 2,842 5,000 5,000 5,000 5,000 9,618
1.táblázat: Az egyes szcenáriók néhány percentilis értéke (az értékek kapacitásfaktorok) Jól látszik, hogy nagy bizonyosság mellett csak megdöbbentően alacsony értékeket kapunk. Az e) szcenárió egy nagyságrenddel kiemelkedik a többi közül, de még így is elég alacsony az értéke. 10
1 0
20
40
60
80
100
0,1
0,01
Nap pufferral Nap összes
0,001
Nap1 Nap2
0,0001
Nap3
3.4 ábra: Naperőművek átlagos kapacitásfaktorai, három véletlenszerűen választott koordinátapont kapacitásfaktorának és az eN) szcenárió (lásd: 26. oldal) hisztogramja. A függőleges tengely logaritmikus skálájú. 27
10
1 0
10
20
30
40
50
60
70
80
90
100
0,1
0,01
Szél pufferral Szél 3 Szél 2
0,001
Szél 1 Szél összes
0,0001
3.5 ábra: Szélerőművek átlagos kapacitásfaktorai, három véletlenszerűen választott koordinátapont kapacitásfaktorának és az eS) szcenárió (lásd: 26. oldal) hisztogramja. A függőleges tengely logaritmikus skálájú. A 3.4 és 3.5 ábrán fontos kiemelnivalók láthatóak. Az első az, hogy az ország teljes területére átlagolt naperőmű- és szélerőmű kapacitásfaktor-átlagok mennyire reprezentálják jól a lokális értékeket. A napsugárzások elég jól együtt mozognak, a szeleknél azonban a nagyobb értékek felé egyre inkább széttartanak a görbék. Ennek oka a szélerősség területi eloszlásának lényegesen nagyobb földrajzi változékonysága. A másik látható dolog az, hogy milyen változást okoz külön a szélerőművek és naperőművek átlagában, ha pufferrel együtt használjuk őket (eN) és eS) szcenáriók). A puffer alsó és felső küszöbértéke körül csúcsok látszanak, ezek a puffer működéséből adódnak (puffer-töltés és fogyasztás közben ezekre az értékekre áll rá a teljesítmény). Ezeken a csúcsokon kívül azonban a többi részen csökkenés tapasztalható. Ennek oka, hogy
a
puffer
60%-os
hatásfoka
miatt
mindenképp
csökkenést
okoz
az
összteljesítményben, csak annak az eloszlását teszi kedvezőbbé. Azonban a fenti percentilis-táblázatból kiderül, hogy 5%-os percentilisnél a puffer hatása még elenyészően kicsi, így a nap- és szélenergiánál magában nem segít sokat. Érdekesség még, hogy az eN) és eS) szcenáriók közül az eN) során sokkal (~20%kal) kisebb percentilis-értéknél érvényesül a puffer hatása, míg a naperőmű és szélerőmű kapacitásfaktor-átlagoknál éppen fordított a helyzet: a naperőműveké 28
nagyobb percentilis-értékeknél fut fel. Erre a magyarázat a két változó időeloszlásában rejlik: míg a szél véletlenszerű időközönként és ideig fúj, addig a napsugárzás napi ritmikusságot mutat, éjjel mindig 0 az értéke. Az utóbbinál épp ezért a puffer sokkal jobb hatásfokkal tud működni, mivel mire „kimerülne” a 0 teljesítmény értékek miatti fogyasztás során, addigra elérkezik a következő nappal, és újra töltődhet (a kivételt lásd később, az idősoroknál). 10
d) e) b)
1 0
10
20
30
40
50
60
70
80
90
a) 100 c) Nap összes
0,1
Szél összes fogyasztás
0,01
0,001 10 d) e) 1 0 0,1
10
20
30
40
50
60
70
80
90
b) 100 a) c) Nap összes Szél összes
0,01
fogyasztás
0,001
0,0001
3.6 ábra: A különböző szcenáriók kapacitásfaktorainak gyakoriság-eloszlása. A felső ábrán az eredeti értékek, az alsón az értékek 3%-os mozgóátlaga van ábrázolva. A függőleges tengelyek logaritmikus skálájúak. A 3.6 ábra hisztogramjain jól látható az egész ellátás problematikája: míg a fogyasztás egy haranggörbe-szerű eloszlást mutat, addig a szél és nap kapacitásfaktorai 29
önmagukban elég egyenes lefutásúak. Az egyes szcenáriók egyre jobban „görbítik” a hisztogramot, de még így is igen távol állnak a fogyasztásétól. Még a legjobb, e) szcenárió (lásd: 25. oldal) görbéje sem közelíti meg a szükséges formát. Ennek oka, hogy a két környezeti változó (napsugárzás és szélsebesség) relatív szórása nagyobb, mint 1, így igen gyakoriak lehetnek a 0 körüli értékek is, míg a fogyasztás 40-60%-a is az alapfázisba tartozhat, tehát a 0-át meg sem közelítik. A 3.4 és 3.5 ábrához hasonlóan itt is látszik a puffer hatása e) szcenárión: 5% és 10% körül csúcsok, azokon kívül csökkenés tapasztalható. Fontos megemlíteni, hogy a a csökkenés jelentős része a 0 körüli értékekből történt, így ez jelentősen javítja az eloszlást. Érdekesség még, hogy e) és c) szcenárió görbéje 35% körül összefut és együtt halad tovább (tehát a puffer hatása csak 35% körüli értékig terjed). Fontos következtetéseket lehet levonni az idősorokból is. A 3.7 a) ábrán látszik, hogy a nap- és szélerőművek kapacitásfaktorai is elérik a 80-90%-ot, azonban csak ritkán. (Az ábrázolás csalóka: a vonalak vastagsága és az adatpontok sűrűsége miatt összefolynak a vonalak.) Az e) szcenárió értéke általában 5% fölött van, kivételt csak a téli időszakok jelentenek. A 3.7 b) ábrán szépen kitűnik a puffer hatása. Az e) és c) szcenárió magas értékeken (amikor tele van a puffer) együtt mozog, alacsony értékeknél azonban az e) beáll 5-10% közé. (Az e) azért van vékonyabb vonallal rajzolva, hogy ne takarja el a többit.) A 3.7 c) ábrán már elkülönülnek a vonalak, így láthatóvá válik az értékek ingadozása is. A napsugárzások napi ciklussal ingadoznak, ezért a puffert nem is képesek olyan hatékonyan tölteni (hiszen az éjszakai 0 teljesítmény miatt a puffert fogyasztják). A szelek képesek hosszabb ideig (napok) folyamatosan nagyobb kapacitásfaktort biztosítani, ilyenkor látszik is, hogy e) értéke szintén megemelkedik. Amennyiben azonban a napsugárzás és szélsebesség tartósan alacsony, akkor a puffer is kifogy, és e) értéke leesik 0 környékére. Ha a puffer alsó és felső küszöbértékét (5 és 10%) megnövelnénk, akkor ennek a kifogyásnak a gyakorisága nőne meg, ezzel a biztonságosan kinyerhető értéket csökkentenénk.
30
3.7 ábra: A naperőművek és szélerőművek kapacitásfaktorainak, illetve c) és e) szcenáriók idősora. Az x tengelyen az 1990. jan. 1. 0:00 óta eltelt órák száma, az y tengelyen a kapacitásfaktor (%) látható. a): 19 év; b): 2 év; c): 1 év időtartam ábrázolva. 31
Szintén érdekes még, hogy bár igaz a dolgozat elején leírt feltételezés, miszerint a szelek átlaga a téli félévben, míg a napok átlaga a nyári félévben nagyobb, az ezek integrálásával várt kiegyenlítődés nem jelenik meg az eloszlásban, mert a szelek megjelenése túl szórványos. 4. Összefoglalás A dolgozat során megvizsgáltuk a Magyarország és környezete területén elérhető szél- és napenergia-potenciál tér- és időbeli eloszlását. A számításokhoz az ERAInterim, és a MAVIR ZRt. szabadon hozzáférhető adatsorait használtuk. A számításokhoz virtuális erőműveket helyeztünk el a vizsgált területen különböző összeállításokban (szcenáriók), és az ezekből nyerhető teljesítményeket elemeztük Magyarország 2010. évi fogyasztásával együtt. A megállapítások: A nap- és szélerőművek integrált rendszere nagyobb bizonyossággal tud kiegyenlített üzemet biztosítani, mint a két rendszer külön-külön. A pufferek beiktatása javítja a teljesítmények eloszlását, de a teljesítményátlag, ezáltal az összes termelt energia csökkenését eredményezi. Puffer beépítése
nélkül
egyik
szcenárió sem
képes
értékelhető
teljesítményt nyújtani nagy bizonyossággal. Puffer beépítésével is csak az integrált rendszer képes rá, és a garantált teljesítmény így is alacsony. A külön nap- és külön szélerőmű-rendszereknél a puffer sokkal kevésbé hatékony, mint az integrált rendszernél. A fogyasztásnak alapvetően más eloszlásgörbéje van, mint a nap- és szélerőművek teljesítményeinek, ezért kizárólag ezekből a fogyasztást jól követő rendszert építeni nem lehetséges. A nap- és szélerőművek arányának növekedése növeli az áramtermelés előre nem számolható változékonyságát, ezért a terület fejlődéséhez elengedhetetlenül szükséges a pufferek fejlesztése is.
32
5. Irodalomjegyzék 1.
Bengtsson, L. – Shukla, J. (1988): Integration of space and in situ observation to study climate change. – Bulletin of the American Meteorological Society., 69, pp. 1130-1143.
2.
Berrisford, P., Dee, D., Fielding, K., Fuentes, M., Kallberg, P., Kobayashi, S. and Uppala, S. (2009): The ERA-Interim Archive. – ERA Report Series. 1. Technical Report. European Centre for Medium-Range Weather Forecasts, Shinfield Park,. pp16.
3.
Dee, D. P., Uppala, S. M., Simmons, A. J., Berrisford, P., Poli, P., Kobayashi, S., Andrae, U., Balmaseda, M. A., Balsamo, G., Bauer, P., Bechtold, P., Beljaars, A. C. M., van de Berg, L., Bidlot, J., Bormann, N., Delsol, C., Dragani, R., Fuentes, M., Geer, A. J., Haimberger, L., Healy, S. B., Hersbach, H., Hólm, E. V., Isaksen, L., Kållberg, P., Köhler, M., Matricardi, M., McNally, A. P., Monge-Sanz, B. M., Morcrette, J.-J., Park, B.-K., Peubey, C., de Rosnay, P., Tavolato, C., Thépaut, J.-N. and Vitart, F. (2011): The ERAInterim reanalysis: configuration and performance of the data assimilation system. – Quarterly Journal of the Royal Meteorological Society, 137: 553–597.
4.
Justus, C. G (1985): „Wind Energy”. - Handbook of Applied Meteorology, Chapter 33, John Wiley & Sons, N. Y., 915-944.
5.
Kiss P. – Jánosi I. (2008): Limitations of wind power availability over Europe: a conceptual study. – Nonlinear Processes Geophys., 15, 803–813, 2008
6.
Kiss, P. (2009): Analysis of the European Wind Power Climatology and the Possible Cosmic Radiation Forcing on Global Lightning Activity. – doktori értekezés, Eötvös Loránd Tudományegyetem, Komplex Rendszerek Fizikája Tanszék, témavezető: Imre M. Jánosi, D.Sc.
7.
Lorenc, A. C., Rawlins, F. (2005): Why does 4D-Var beat 3D-Var? – Quarterly Journal of the Royal Meteorological Society, 131, pp. 3247–3257
8.
Luque, A. – Hegedus, S. (2003): Handbook of photovoltaic science and engineering. – John Wiley and Sons Inc., pp 15.
9.
Masters, M.G. (2004): Baseload, Intermediate and Peaking Power Plants. – In: Renewable and Efficient Electric Power Systems. – John Wiley & Sons, Inc., pp. 135-145
33
10. Pálfy
M.
(2005):
A
napenergia
fotovillamos
hasznosításának
potenciálja
Magyarországon. – Elektrotechnika, 2005. november, 293-295. http://www.omikk.bme.hu:8080/cikkadat/bitstream/123456789/761/1/2005.11bol4.pdf 11. Skoplaki, E. – Palyvos, J.A. (2008): On the temperature dependence of photovoltaic module electrical performance: A review of efficiency/power correlations. - Solar Energy Volume 83, Issue 614-624 12. Trenberth, K. E. –Olson, J. G. (1988): An evaluation and intercomparison of global analyses from NMC and ECMWF. – Bulletin of the American Meteorological Society, 69, 1047-1057. 13. Trenberth, K. E., Fasullo, J.T., Kiehl, J. (2009): Earth's Global Energy Budget. – Bulletin of the American Meteorological Society, 90, 311-324, 14. Trenberth, K. E., Caron, J. M., Stepaniak, D. P. (2001): The atmospheric energy budget and implications for surface fluxes and ocean heat transports. – Climate Dynamics, 17, 259-276. 15. Troen, I. – Petersen E.L. (1989): European Wind Atlas. ISBN 87-550-1482-8. Risø National Laboratory, Roskilde. 656. 16. Uppala, S. M., Kallberg, P. W., Simmons, A. J., Andrae, U., Bechtold, V. D. C., Fiorino, M., Gibson, J. K., Haseler, J., Hernandez, A., Kelly, G. A., Li, X., Onogi, K., Saarinen, S., Sokka, N., Allan, R. P., Andersson, E., Arpe, K., Balmaseda, M. A., Beljaars, A. C. M., Berg, L. V. D., Bidlot, J., Bormann, N., Caires, S., Chevallier, F., Dethof, A., Dragosavac, M., Fisher, M., Fuentes, M., Hagemann, S., Hólm, E., Hoskins, B. J., Isaksen, L., Janssen, P. A. E. M., Jenne, R., Mcnally, A. P., Mahfouf, J.-F., Morcrette, J.-J., Rayner, N. A., Saunders, R. W., Simon, P., Sterl, A., Trenberth, K. E., Untch, A., Vasiljevic, D., Viterbo, P., Woollen, J. (2005): The ERA-40 re-analysis. – Quarterly Journal of the Royal Meteorological Society, 131., 2961–3012
34
35
percentilis
1*
6. Függelék
<1 <2 <5 5-10 >10 >20 átlag relatív szórás minimum maximum átlagos teljesítmény (MW) 2% 5% 10% 20% 30% 50%
Nap 36,30 39,00 47,38 11,08 41,54 31,14
Szél 18,80 35,80 60,61 17,48 21,91 8,71
a) 12,87 20,48 36,03 19,30 44,68 21,42
b) 14,54 21,79 36,45 18,38 45,17 25,17
c) 9,83 16,23 31,26 20,07 48,67 23,66
d) 16,30 23,29 37,35 17,48 45,17 27,86
e) 0,60 1,33 3,46 61,43 35,11 16,93
eN) 6,49 8,14 15,19 56,80 28,01 22,82
eS) 13,54 23,17 35,39 56,15 8,46 4,37
16,76 1,310 0,0000 92,33
7,06 1,351 0,0184 87,90
11,91 0,936 0,0275 59,86
13,09 1,004 0,0222 62,92
12,65 0,861 0,0185 58,06
14,48 1,072 0,0161 69,82
12,11 0,791 0,0457 58,06
15,73 1,269 0,0000 92,33
6,59 1,153 0,0184 87,90
536,22
225,82
381,03
418,98
404,80
463,36
387,57
503,45
210,83
0,000 0,000 0,000 0,000 0,021 6,124
0,300 0,450 0,639 1,052 1,599 3,397
0,250 0,417 0,741 1,930 3,738 8,378
0,202 0,343 0,622 1,696 3,587 8,423
0,262 0,499 1,020 2,758 4,729 9,618
0,153 0,264 0,497 1,445 3,343 8,301
2,842 5,000 5,000 5,000 5,000 9,618
0,000 0,001 2,857 5,000 5,000 6,124
0,328 0,503 0,776 1,587 3,346 5,000
2. táblázat: Az egyes szcenáriók néhány statisztikai adata. 1*: Az adatsorok hány százaléka esik bele a megadott értéktartományba.
