A potenciális szélteljesítmény napi menetének statisztikai struktúrája Tar Károly 1. Cél, adatbázis, módszerek A fajlagos szélteljesítmény az egységnyi függőleges felületen egységnyi idő alatt áthaladó levegő tömegének mozgási energiája. Kiszámítása egy adott időpontban a
Pf =
ρ
v3
(1) 2 összefüggés alapján történik, ahol v a szélsebesség, ρ a levegő sűrűsége, mértékegysége pedig Wm-2. Egy hosszabb időszak fajlagos szélteljesítményének meghatározására két lehetőség adódik: a fenti összefüggésben az időszak átlagsebességét írjuk a v helyébe, vagy az időszak egyes (diszkrét) időpontjaiban meghatározott értékeket összegezzük. Logikus, hogy a második lehetőség áll közelebb a valósághoz. Ekkor viszont az összeg értékének az időszak mérési időpontjainak számától való függése jelent problémát. Ez a függés az átlagolással csökkenthető, de nem küszöbölhető ki teljesen. Az ún. napi átlagos fajlagos szélteljesítmény - ami tulajdonképpen egy mérési időpontra átlagosan jutót jelent - értéke sem független tehát a figyelembe vett időpontok számától, sőt attól is függ, milyen időpontokat használunk. E függőség kiküszöbölésére létezik elvi megoldás: a szélsebesség-köbök napi menetét megadó függvény görbe alatti területét kell meghatározni és ezt ρ/2-vel megszorozva megkapjuk a napi összes fajlagos szélteljesítmény pontos értékét. Ezt természetesen numerikus integrálással tudjuk csak elvégezni, hiszen a függvény egy napon általában nem adható meg analitikusan. Egy napokból álló adott időszak (pl. hónap, évszak, év) egy napjára átlagosan jutó fajlagos szélteljesítmény (Pfmd) meghatározását azonban már megkísérelhetjük egy alkalmasan választott közelítő függvény segítségével. Az energetikai vizsgálatokhoz szükséges óránkénti szélsebesség adatokat az OMSZ bocsátotta rendelkezésünkre az 1991-2000 időszakban tíz magyarországi meteorológiai megfigyelő állomásra. Debrecenben, Békéscsabán, Miskolcon és Győrben azonban a részletes, nemcsak a szélsebesség adatokat felhasználó vizsgálat 1971-2000 időszakában (egyszer vagy többször) áthelyezték a meteorológiai állomást. Debrecenben az állomás-áthelyezés egy korábbi vizsgálatunk szerint nem okozott szignifikáns megváltozást az alapvető szélstatisztikák értékében (Tar és Kircsi 2001). Így most csak azon állomások adatait dolgoztuk fel, amelyek havi adatsorai homogénnak vehetők az 1991. január - 2000. december időszakban. A következő állomásokon tekinthetők tehát a szélmérés körülményei változatlannak: Debrecen, Szeged, Budapest, Pécs, Keszthely, Szombathely és Kékestető. Az 1. táblázatban megadjuk ezen állomások pontos földrajzi koordinátáit, valamint a szélsebesség-mérő talajfelszín feletti magasságát. A cikk egy olyan komplex vizsgálat egy szeletét tartalmazza, amelynek célja a szélenergetikai paraméterek kölcsönös meghatározottságának feltárása, ezek alapján pedig egy olyan statisztikai, sztochasztikus klimatológiai modell felvázolása, amely a mindennapi szélenergia hasznosításban is jól használható.
1
1. Táblázat: A feldolgozásba bevont állomások pontos földrajzi koordinátái és az anemométer talajfelszíntől mért magasságai (ϕ: földrajzi szélesség, λ: földrajzi hosszúság, h: tengerszint feletti magasság, ha: az anemométer talaj feletti magassága). ϕ
λ
47°16’ 46°46’ 46°00’ 47°27’ 46°15’ 47°30’ 47°52’
16°38’ 17°14’ 18°14’ 19°13’ 20°06’ 21°38’ 20°01’
Állomás Szombathely Keszthely Pécs Budapest-L. Szeged Debrecen Kékestető
h (m) ha (m) 1991-2000 219 9 117 15 201 10 130 12 83 9 111 10 1011 26
2. A havi átlagos fajlagos szélteljesítmény meghatározása közelítő függvénnyel
Az időszak egy napjára átlagosan jutó fajlagos szélteljesítményt (Pfmd) a következőképpen definiáljuk: a szélsebesség köbök mérési időpontonkénti átlagának napi menetét közelítő függvény görbe alatti területe szorozva a levegő sűrűségének felével. A havi átlagos fajlagos szélteljesítmény tulajdonságai a vele arányos, a szélsebesség köbök óránkénti átlagára illesztett trigonometrikus polinom görbe alatti területén (határozott integrálján) keresztül vizsgálhatók (Tar 2004). Definiálunk egy mérőszámot e függvény közelítésére és elemezzük e mérőszám térbeli változását. A közelítő függvény egy napos és fél napos hullámai véletlenszerűségének, valamint ennek az időjárási helyzetekkel való kapcsolatának vizsgálatával jutunk el azokhoz a megállapításokhoz, melyekből következtetések vonhatók le a szélenergia napi menetére vonatkozóan. 2.1. A módszer A közelítő függvény most a következő: 2
f 2 ( x) = a 0 + ∑ (a m cos m =1
2πmx 2πmx + bm sin ), N N
(2)
vagyis egy trigonometrikus polinomokból álló Fourier-sor első két eleme, ahol tehát N a napi mérési időpontok száma, x=0,1 , 2, …, N-1. Az illesztés/közelítés jóságának mérésére az ún. reziduális szórásnégyzet szolgál: s 2m = s 2m −1 − 0.5A 2m (3)
ahol s 02 = s 2n , azaz a szórásnégyzet, A m = (a 2m + b 2m )1 / 2
(4)
vagyis az m. hullám amplitúdója (Dobosi és Felméry 1971). Látható azonban, hogy az s 2m függ az adatok nagyságától, azaz nem alkalmas esetünkben az összehasonlításra. Erre a közelítés relatív mértékét definiáló s2 − s2 (5) s 0m = 0 2 m s0
2
paramétert használtuk, amely már az értékektől függetlennek tekinthető, nem függ tehát a szélsebességek nagyságától, így az anemométer magassága szerint sem kell korrigálni. Az s 2m értékei a közelítő polinomok számának növekedtével nyilvánvalóan csökkennek. Tegyük fel, hogy ez nem így van, ekkor s 2m ≈ s02 , azaz s0m≈0. Ha viszont az s 2m -vel való közelítés „teljesen tökéletes”, akkor s 2m ≈0, azaz s0m≈1. A közelítő függvény illeszkedése tehát annál jobb, minél közelebb áll az s0m az 1-hez (Tar és Kircsi 2001, Tar, Kircsi és Vágvölgyi 2002). 2.2. A közelítő függvény illeszkedése Elsőként az (5) összefüggéssel definiált mérőszám térbeli változását elemezzük. Az 2. táblázatban megadjuk e paraméter legfontosabb statisztikai jellemzőit. Az átlagértékekből látható, hogy a közelítés legjobban sikerült Szegeden és Debrecenben, legkevésbé Keszthelyen és Pécsett. A paraméter változékonysága pedig – amit a variációs együttható és az extrém értékek különbsége, az ingás jelez – az előbbi sorrenddel nagyjából fordítottan változik. A maximális értékek egyébként főként tavaszi és nyári hónapokban fordulnak elő, ősszel és télen sohasem, a minimális értékek pedig kizárólag a téli hónapokban. Ebből a közelítés jóságának a sebességtől való függésére is gondolhatunk, ezért meghatároztuk az s02 és a havi átlagos szélsebesség közötti korrelációs együtthatókat is. A 0,05, ill. a 0,10 szignifikancia szinthez n≈120 elemszám esetén |r0.05|≈0,1793, ill. |r0.10|≈0,1509 kritikus érték tartozik. A táblázat utolsó előtti sorából megállapítható, hogy a sztochasztikus kapcsolat Kékestető kivételével mindenhol létezik legalább 0,05 szignifikancia szinten. 2. táblázat: A közelítés jóságát megadó paraméter (s02) legfontosabb statisztikai jellemzői. Debrecen Szeged Budapest Pécs Keszthely Szombathely Kékestető átlag 0,77 0,79 0,74 0,68 0,71 0,76 0,76 szórás 0,17 0,15 0,18 0,21 0,21 0,17 0,16 var.eh. 0,22 0,19 0,24 0,32 0,30 0,22 0,21 max. 0,98 0,96 0,95 0,96 0,95 0,96 0,97 min. 0,13 0,30 0,10 0,07 0,03 0,13 0,13 ingás 0,85 0,66 0,85 0,89 0,92 0,83 0,84 korrelációs 0,2042 0,2408 0,2198 0,2086 0,1863 0,2960 0,1326 együttható >% 63,3 62,5 60,8 61,7 61,0 59,3 64,2 A táblázat utolsó sorában az átlagnál nagyobb paraméter értékek relatív gyakoriságát közöljük %-ban. Legkevesebb ilyen érték Szombathelyen, a legtöbb pedig Kékestetőn fordul elő, mindenhol 50 %-ot jóval meghaladó gyakorisággal. Egy-egy állomáson az esetek kevés száma miatt az átlagnál nagyobb értékek előfordulásában nem mutatható ki különösebb évi menet. A hét állomást együtt kezelve viszont azt tapasztaljuk, hogy a márciusi és áprilisi, ill. a szeptemberi és októberi értékek meghaladják a 10 %-ot, összesen 43,7 %-ot képviselve. Az extrém értékeket vizsgálva feltűnő, hogy a minimumok között 0-hoz igen közel álló értékek is vannak. Az abszolút minimum 0,03, ami Keszthelyen 2000. decemberében adódott. Az abszolút maximum pedig 0,98, ami Debrecenben, 1994. augusztusában fordul elő. 2.3. A közelítő függvény véletlenszerűsége A harmonikus analízisben az amplitúdók várható értékét expektanciának (E) nevezik,
3
E = sn
π . N
(6)
N periódusa véletlenszerű vagy reális, az Am amplim túdó és az E expektencia arányát használják. Ha az Am/E elég nagy, akkor kicsi annak valószínűsége (p), hogy a periódus az adatok véletlenszerű elrendeződéséből ered, így statisztikailag reálisnak tekinthető. Általában az Am/E>2 érték már elfogadható (p=0,05), de az időjárási adatok idősorának periódus analízisénél az Am/E>1,5 esetben (p=0,17) is reálisnak tekintik az adott hullámot (Koppány 1978). A 3. táblázatból láttható, hogy az egész napos hullám 0,05 szignifikancia szinten az estek 80-95 %-ában, 0,17 szignifikancia szinten pedig az esetek 89,2-97,5 %-ában nem tekinthető véletlenszerűnek. Ez várható is, ennél sokkal izgalmasabb a fél napos hullám véletlenszerűségének vizsgálata. Itt a fenti intervallumok a táblázat szerint 11,7-25 %, ill. 29,257,5 %. Annak eldöntésére, hogy az m. hullám
3. táblázat: Az egynapos és a félnapos hullám realitásának %-os arányai 0,05 (Ak/E>2) és 0,17 (Ak/E>1,5) szignifikancia szinteken Szombat% Debrecen Szeged Budapest Pécs Keszthely Kékestető hely A1/E>2 95,0 92,5 95,0 80,0 88,3 94,2 91,7 A1/E>1,5 97,5 95,8 95,8 89,2 92,5 97,5 95,0 A2/E>2 12,5 24,2 11,7 25,0 12,5 17,5 17,5 A2/E>1,5 40,0 50,0 38,3 57,5 36,7 40,8 29,2 Vizsgáljuk meg ez utóbbi, azaz a 0,17 szignifikancia szinthez tartozó nem véletlenszerű félnapos hullámok éves váltakozását. Az A2/E>1,5 esetek havonkénti megoszlását állomáscsoportonként vizsgáljuk. Megkülönböztetünk síkvidéki állomásokat (Debrecen, Szeged és Budapest), nem síkvidéki állomásokat Kékestető nélkül (Pécs, Keszthely, Szombathely) és azzal együtt. A 1. ábrán a feltétel teljesülésének %-os gyakoriságát ábrázoltuk az egyes állomáscsoportokban és az összes állomáson együtt. Láthatjuk, hogy a síkvidéki állomásokon a feltétel júniusban egyszer sem teljesül, a gyakoriság 10 % fölé az őszi és téli hónapokban, valamint márciusban kerül, októberi maximummal, februári másod-maximummal. A nem síkvidéki állomásokon az éves menetben az első és másod-maximumok hónapja ugyanez, az elsődleges értéke azonban lecsökken az előző esethez képest a júniusi javára, ahol egy 6 % körüli harmadlagos maximum alakul ki. Kékestető bevonásával ez megmarad, viszont az első és másodlagos maximumok időpontja/hónapja megcserélődik. Mindkét utóbbi esetben május és július a minimumok időpontja. A hét állomást együtt kezelve megállapítható, hogy a görbe inkább a nem síkvidéki állomások jellegzetességeit mutatja. A szélsebesség köbök óránkénti átlagára havonként illesztett trigonometrikus polinom félnapos periódusú hulláma tehát leginkább a késő tavaszi és nyári hónapokban mutat véletlenszerűséget a 0,17 szinifikancia szinten, a téli, kora tavaszi és őszi hónapokban (az év nagyobbik felében) realitásának gyakorisága megnövekszik. Ezekben az utóbbi hónapokban tehát számítani kell a szélenergia napon belüli markáns változásaira: két minimális és két maximálisértékre. Azokban az esetekben pedig, ahol a félnapos hullám véletlenszerű, nincs ilyen napszakos változása az energiának, hiszen az egész napos hullám dominál, egy dél körüli extrém értékkel. Ezeket szemlélteti a 2. és 3. ábra, amelyeken a A2/E arány extrém értékeihez tartozó hónapokban ábrázoltuk szélsebesség köbök óraátlagainak mért, valamint az 1 és 2 hullámmal közelített értékekeit az anemométer magasságában (ld. 1. táblázat). A 3. ábrán látható, hogy az A2/E arány minimális értékeinél a 2. és az első hullám gyakorlatilag egybe
4
%
A2/E>1,5
20 18
síkv.
16
nem síkv.
14
+Kékes
12
a 7 állomás
10 8 6 4 2 0 I.
II.
III.
IV.
V.
VI.
VII.
VIII.
IX.
X.
XI.
XII.
1. ábra: A félnapos hullám realitásának havi gyakoriságai (p=0,17). 3
m /s 120
3
Debrecen, 1996. november: A2/E=2,9 (max.) megfigyelt
100
1 hullám 2 hullám
80 60 40 20
óra
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
0
2. ábra: A szélsebesség köbök óraátlagainak közelítése egy és két hullámmal igen erős 2. hullám (félnapos periódusú) esetén. esik, azaz a közelítés egyáltalán nem javult a véletlenszerű második hullám bevonásával. Ahogyan az 1. táblázatban látható, a szélsebesség mérések a hét állomáson az alsó kb. 30 m-es rétegben történtek. Nagyobb magasságokban, kb. 80 m fölött a 2. és 3. ábrán megfigyelhetőkkel ellentétes napi menetet találunk (Radics 2004): a maximumok és a minimumok időpontjai felcserélődnek. A második hullám realitása tehát megmarad, természetesen más jellemzőkkel, paraméterekkel. A potenciális szélteljesítmény időbeli változása villamos áram termelése esetén rendszerirányításnak igen nagy gondot okoz: a kieső elektromosságot más forrásból kell pótolni. Németországban pl. a legnagyobb napi ingadozás meghaladhatja a 80 %-ot (Stróbl, 2006). Állomásainkon valós félnapos hullám esetén Debrecenben és Keszthelyen az eltérések maximumai 80 % körüliek, Budapesten és Pécsett 60-70 % közé esnek, Szombathelyen és Szegeden pedig 50 és 60 % közé. A napi változás Kékestetőn a legkisebb, 40 % körüliek. Nem domináns félnapos hullám esetén a napi maximumtól való legnagyobb eltérések Szombathelyen 5
3
m /s 70
3
Budapest, 1996. április: A2/E=0,3 (min.)
60 50 40 30
megfigyelt
20
1 hullám 2 hullám
10
óra
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
0
3. ábra: A szélsebesség köbök óraátlagainak közelítése egy és két hullámmal igen gyenge 2. hullám (félnapos periódusú) esetén. %
A1/E>1,5 & A2/E<=1,5
14 12 10 8 6 síkv.
4
nem síkv.
+Kékes
2
a 7 állomás
0 I.
II.
III.
IV.
V.
VI.
VII.
VIII.
IX.
X.
XI.
XII.
4. ábra: Az egész napos hullám realitásának és a félnapos hullám véletlenszerűségének együttes gyakorisága (p=0,17). 80 %, fölé, Debrecenben és Budapesten 70 és 80 % közé, Keszthelyen és Szegeden 60 és 70 % közé, Pécsett 40 és 50 % közé esnek, Kékestetőn 60 % fölé. A villamos-energia termelés szempontjából tehát azok a napok előnyösek, amelyeken a szélsebesség köbök óraátlagának napi menete egyszerű, azaz egy maximummal rendelkezik. Azok a napok, amelyeken a 2. hullám véletlenszerű, biztosan ilyenek, mint ahogyan fentebb láttuk. A 3. táblázat szerint az ilyen napok gyakorisága p=0,17 szignifikancia szinten kb. 43 és 70 % közé esik a 7 állomáson, a legtöbb ilyen Kékestetőn van, a további sorrend pedig Keszthely, Budapest, Debrecen, Szombathely, Szeged és Pécs. Nem vizsgáltuk azonban még azt az esetet, amikor az egész napos hullám dominanciája mellett a félnapos véletlenszerű, azaz A1/E>1,5 és A2/E≤1,5. Sejthető, hogy ezek száma elég sok. Arányuk (a hónapok összes számához viszonyítva) a különböző állomástípusokon a következő: a síkvidéki állomásokon 63,6
6
%, a nem síkvidékieken Kékestető nélkül 58,3 %, azzal együtt 60,4 %, a hét állomáson összesen pedig 61,8 %. Havonkénti megoszlásukat pedig a 4. ábra mutatja. Az 1. ábra szerint a félnapos periódusú hullám leginkább a késő tavaszi és nyári hónapokban mutat véletlenszerűséget, az első hullám realitása a második véletlenszerűségével együtt szintén ezekben a hónapokban növekszik meg a 4. ábra szerint (0,17 szignifikancia szinten). Tavasszal és nyáron tehát elég nagy biztonsággal számíthatunk arra, hogy a szélenergia napon belüli változása az irányítás számára kedvezőbb módon viselkedik. A rendszerirányítás szempontjából azonban valószínűleg azok a napok a legelőnyösebbek, amelyeken egyáltalán nincs szignifikáns napi menet. Ezek száma az előzőekből következően elég kevés, mindössze 2 %. 3. A napi menet összefüggése az időjárási helyzetekkel
A következőkben a félnapos periódus realitásának az időjárási helyzetekkel való öszszefüggését elemezzük. A naponkénti áramlási viszonyokat a Péczely-féle makroszinoptikus helyzetekkel (Péczely 1961, 1983), a Hess-Brezowsky-féle makrocirkulációs típusokkal (Hess és Brezowsky 1977) és a Puskás-féle front-típusokkal (Puskás és Nowinszky 1996, Puskás 2001) jellemezzük. Azt vizsgáljuk, hogy az A2/E >1,5 feltételnek eleget tevő hónapokban mely típusok dominálnak a hét meteorológiai állomáson. 3.1. A félnapos periódus és Péczely-féle makroszinoptikus helyzetek kapcsolata Az 1991-2000 időszakban a napi kódokat Károssy (1993, 1998, 2001) munkáiból vettük, majd ezekből meghatároztuk az egyes helyzetcsoportok gyakoriságát is. Ezek után megvizsgáltuk, hogy azokban a hónapokban, amelyekben a szélenergia átlagos napi menete reális félnapos periódussal rendelkezik (A2/E >1,5) milyen helyzetek, helyzetcsoportok dominálnak. Ennek mérőszáma az adott helyzet vagy helyzetcsoport előfordulásának %-os aránya a feltételnek eleget tevő hónapokban az összes előforduláshoz képest. 80
%
A2/E>1,5; 1991-2000
70 60 50 40 30
A
AF
An
CMw
As
6. Szombathely átlag 1-7
Aw
5. Keszthely átlag 1,2,3,5,6
zC
4. Pécs 7. Kékes
Ae
3. Budapest
mCw
2. Szeged
CMc
mCc
0
1. Debrecen
AB
10
C
20
5. ábra: Az egyes Péczely-féle makroszinoptikus típusok relatív gyakorisága reális félnapos hullám esetén.
7
Az 5. ábrán látható, hogy Pécs kivételévek a zC (zonális ciklonális) helyzettel jellemezhető napok fordulnak elő a legnagyobb gyakorisággal a feltételnek eleget tevő hónapokban. Ez a maximális gyakoriság 43,8 % (Kékestető) és 70 % (Szombathely) között változik. A zC típus az általunk vizsgált időszakban, ill. az 1971-2000 időszakban a második (2,2, ill. 3,1 %) legritkábban előforduló helyzet. Áramlása jellegzetesen Ny-K irányú, többnyire kitartóan szeles, változékony időjárás jellemzi. Pécsett az egyes helyzetek relatív gyakorisága a feltétel teljesülése esetén a CMc és a C helyzet kivételével 50 % fölötti, azaz itt a kettős maximummal és minimummal rendelkező napi menet elég gyakran előfordul, AF helyzetbeli maximummal. Ugyanakkor Kékestetőn csak a zC helyzetben emelkedik 40 % fölé. Az 5. ábra szerint azonban az átlagos relatív gyakoriságok nem különböznek egymástól lényegesen a fenti két állomás elhagyásával, ill. figyelembe vételével történő átlagoláskor. „Országos átlagban” tehát legritkábban (40 % alatt) az AB, az AF és a C helyzetben számíthatunk a félnapos periódus bekövetkezésére. 3.2. A félnapos periódus és Hess-Brezowsky-féle makrocirkulációs típusokkal kapcsolata A Hess-Brezowsky-féle makroszinoptikus időjárási helyzetek tipizálása az AtlantiEurópai térség cirkulációs viszonyainak és a fő frontálzónák irányának figyelembevételével történt (Hess és Brezowsky 1977). Összesen 29 típust különböztetnek meg (4 zonális, 7 kevert, 18 meridionális), egyet pedig a be nem sorolható mezők számára tartanak fenn. A típusokat és a belőlük képezhető csoportokat Bárdossy és Caspary (1990), valamint Bartholy (2005) munkái alapján használjuk. A feldolgozási időszakra vonatkozó naponkénti kódokat Gerstengarbe és Werner (2006) munkájából vettük. Adatbázisunk rövidsége miatt vizsgálatainkat csak az áramlási főirány alapján megkülönböztetett 10 csoportra, illetve a három cirkulációs jelleg szerinti (zonális, kevert, meridionális) csoportra végeztük el. Most is azt vizsgáltuk, hogy azokban a hónapokban, amelyekben a szélenergia átlagos napi menete reális félnapos periódussal rendelkezik (A2/E >1,5) milyen helyzetcsoportok dominálnak. A 6. ábrán a helyzetcsoportok gyakoriságát tüntettük fel. Látható, hogy most még akkora rend sincs, mint a Péczely-féle helyzetek esetében, hiszen nem jelölhető ki pl. az a csoport, amelynek több állomáson maximuma van. Minden esetre a többi görbe nagyjából most is Pécs és Kékestető görbéje között helyezkedik el, így most is elvégeztük a kétfajta átlagolást, amelyek most sem adnak lényegesen különböző eredményeket. Ezen görbék alapján tehát leszűrhető a következő: „országos átlagban” legritkábban (valamivel több, mint 30 %) meridionális északkeleti áramlási főirányú helyzetcsoportban (az ábrán mNE) számíthatunk a félnapos periódus bekövetkezésére, leggyakrabban pedig (~46 %) a zonális nyugati (zW) és a kevert ciklonális (kTM) helyzetcsoportban. Az abszolút maximum Pécsett figyelhető meg a kevert ciklonális helyzetben: az ilyen helyzetek majd 3/4-ében a félnapos periódus reális. Ezt követi Szeged a meridionális dél-keleti csoporttal, itt az arány 2/3. Az abszolút minimum (12,5 %) pedig Kékestetőn figyelhető meg a meridionális észak-keleti főiránnyal rendelkező csoportban, Ezt Keszthely követi 17,9 %-kal a kevert dél-nyugati csoporttal. 3.3. A félnapos periódus és a front-típusok kapcsolata A frontok átvonulása tudvalevőleg többé vagy kevésbé markáns időjárás-változással jár. Ez akkor elemezhető részletesen, ha a fontokat különböző típusokba soroljuk és feltárjuk a típusok időjárási karakterisztikáit. Az időjárási frontok tipizálása több szempont szerint történhet. Magyarország területére Berkes (1961) részletes légtömeg analízis alapján, a rádiószondás felszállások segítségével 22 frontfajtát adott meg ezek jellemzésével együtt és az Országos Meteorológiai Szolgálat (OMSZ) frontnaptára is ezeket tartalmazza. A frontanalízis másik, ennél pontosabb, de igen nagy adatbázis igénylő módszere a geopotenciál-mezők vizsgálata (Bartholy et al. 2004).
8
%
A2/E>1.5; 1991-2000
80 70 60 50 40 30 20
1. Debrecen 4. Pécs 7. Kékes
10
2. Szeged 5. Keszthely átlag 1,2,3,5,6
3. Budapest 6. Szombathely átlag1-7
0 zW
kSW
kNW
kHM
kTM
mN
mNE
mE
mSE
mS
6. ábra: Az egyes Hess-Brezowsky-féle makroszinoptikus helyzetcsoportok relatív gyakorisága reális félnapos hullám esetén.
7. ábra: Front-típusok (Puskás és Nowinszky1996, Puskás 2001)
9
A bonyolult meghatározáson alapuló frontfajták gyakorlati alkalmazása nehézkes. Szükséges tehát egy egyszerűbb, alapszintű meteorológiai ismeretet feltételező front-meghatározási módszer kidolgozására, mely széles körben elterjeszthető és használható. Puskás és Nowinszky (1996), valamint Puskás (2001) a hazánk területét érintő frontok tipizálását az OMSZ által kiadott „Időjárási napijelentés”-ek szinoptikus térképeinek és az észlelt időjárási elemek adatainak használatával végezte el. A 7. ábrán közöljük az általuk megkülönböztetett frontfajtákat. Ezek után most is azt vizsgáltuk, hogy azokban a hónapokban, amelyekben a szélenergia átlagos napi menete reális félnapos periódussal rendelkezik milyen fronttípusok dominálnak. A 8. ábrán a típusok gyakoriságát tüntettük fel az A2/E >1,5 feltétel fennállása esetén. Az ábrából néhány általános következtetést le lehet szűrni: az egyes állomásokon maximumoknál mindig jelen van a melegfront (3, 7 vagy 9 típus), két állomás (Pécs és Szombathely) kivételével ez a közelítő melegfrontnál következik be. A minimumok pedig Budapest kivételével mindig valamelyik okklúziós típusban (5, 6 vagy 9) figyelhetők meg. A kétfajta átlagot reprezentáló görbe pedig azt mutatja, hogy országosan a félnapos reális periódus leggyakrabban a két melegfronti típusban (3, 4), ezt követően pedig közelítő meleg- és hidegfront esetén (7), legritkábban pedig a két okklúziós típus esetén következik be. 70
%
A2/E>1,5; 1991-2000
60 50 40 30 20 10
1. Debrecen 4. Pécs 7. Kékes
0 1
2
2. Szeged 5. Keszthely átlag 1, 2, 3, 5, 6 3
4
5
6
3. Budapest 6. Szombathely átlag 1-7
front-típus
7
8
9
8. ábra: Az egyes fronttípusok relatív gyakorisága reális félnapos hullám esetén. Ha csak a front nélküli és a frontos napokat különböztetjük meg akkor azt tapasztaljuk, hogy reális félnapos periódus esetén ezek gyakorisága állomásonként és átlagosan is alig különbözik egymástól. Keszthely kivételével a frontos napok gyakorisága pár tized %-kal mindig nagyobb, a maximum 3 % Szombathelyen. 5. Következtetések
Trigonometrikus polinomok illesztésével kimutattuk, hogy a szélsebesség köbök óránkénti átlagának, így az óránkénti átlagos fajlagos szélteljesítménynek is háromféle napi mene-
10
te lehetséges. Az első esetben napi egy maximális és egy minimális érték, a második esetben pedig napi két maximális és két minimális érték lép fel. A harmadik esetben tulajdonképpen nincs is napi menet, azaz az óránkénti értékek csak véletlenszerűen változnak. Ezen esetek szezonális és időjárási helyzetekhez kötődő előfordulása a szélenergia villamos energia előállításra történő hasznosításában az energetikai rendszerirányítás számára jelenthet hasznos információt: • A félnapos periódusú hullám leginkább a késő tavaszi és nyári hónapokban mutat véletlenszerűséget, az első hullám realitása a második véletlenszerűségével együtt szintén ezekben a hónapokban növekszik meg. Tavasszal és nyáron tehát elég nagy biztonsággal számíthatunk arra, hogy a szélenergia napon belüli változása az irányítás számára kedvezőbb módon viselkedik. A rendszerirányítás szempontjából legelőnyösebb napok száma - amelyeken egyáltalán nincs szignifikáns napi menet – kevés, mivel azon hónapok gyakorisága, amelyek egy napjára átlagosan eső szélteljesítmény sem egy napos, sem félnapos periódussal nem rendelkezik összesen 2% a vizsgált időszakban. • Az állomások többségén és így ezek átlagában is a zC (zonális ciklonális) Péczely-féle helyzettel jellemezhető napok fordulnak elő a legnagyobb gyakorisággal azokban a hónapokban, amelyekben az óránkénti átlagos szélteljesítménynek reális félnapos periódusa van. Ennek áramlása jellegzetesen Ny-K irányú, többnyire kitartóan szeles, változékony időjárás jellemzi. Legritkábban pedig az AB, az AF és a C helyzetben számíthatunk a félnapos periódus bekövetkezésére. • A Hess-Brezowsky-féle tipizálás esetén legritkábban meridionális északkeleti áramlási főirányú helyzetcsoportban számíthatunk a félnapos periódus bekövetkezésére, leggyakrabban pedig a zonális nyugati és a kevert ciklonális helyzetcsoportban. A fő típusok szerint képzett átlagok szerint a félnapos reális periódus leggyakrabban a zonális, legritkábban pedig a meridionális helyzetcsoportban következik be. • Ha csak a front nélküli és a frontos napokat különböztetjük meg, akkor azt tapasztaljuk, hogy reális félnapos periódus esetén ezek gyakorisága állomásonként és átlagosan is alig különbözik egymástól. Fronttípusonként azonban vannak különbségek: az egyes állomásokon maximumoknál mindig jelen van a melegfront, minimumok pedig döntően valamelyik okklúziós típusban figyelhetők meg. Az átlagok pedig azt mutatják, hogy a félnapos reális periódus leggyakrabban a két melegfronti típusban, ezt követően a közelítő meleg- és hidegfront, legritkábban pedig a két okklúziós típus esetén következik be. Köszönetnyilvánítás A szerző köszönetét fejezi ki az Országos Meteorológiai Szolgálatnak a kutatásaihoz szükséges széladatok biztosításáért. Irodalom Bartholy J. 2005: A Kárpát-medence éghajlati múltjának rekonstrukciója és a jövőben várható tendenciák becslése. MTA doktori értekezés, Budapest. Bartholy J. – Pongrácz R. – Pattantyús-Ábrahám M. 2004: European cyclone track analysis based on four geopotential fields of ECMWF ERA-40 datasets. EMS Annual Meeting Abstracts. Bárdossy, A. – Caspary, H. J. 1990: Detection of climate change in Europe by analyzing European atmospheric circulation patterns from 1881 to 1989. Theor Appl Climatol 42: 155–167. Berkes Z. 1961: Légtömeg- és front-fajták a Kárpát-medencében. Időjárás, 5., 289-293. Dobosi, Z. - Felméry, L., 1971: Klimatológia. Egyetemi jegyzet, Tankönyvkiadó, Budapest. Gerstengarbe, F-W. – Werner, P. C. 2006: Katalog der Grosswetterlagen Europas (1881-2004). PIK Report No. 100. (http://www.pik-potsdam.de/publications/pik_reports/reports/pr.100/pr100.pdf) Hess, P. – Brezowsky, H. 1977: Katalog der Grosswetterlagen Europas. Berichte des Deutschen Wetterdienst, 113., 15.
11
Károssy, Cs. 1993. The Péczely's macrosynoptic classification and the list of types (1952-1992). In: Nowinszky, L.[ed.]: Light trapping of insects influenced by abiotic factors. Part I. (in Hungarian), OSKAR Publishing Office, Szombathely, 113-126. Károssy, Cs. 1998: Péczely’s classification of macrosynoptic types and catalogue of weather situations (19921997). ). In: Nowinszky, L.[ed.]: Light trapping of insects influenced by abiotic factors. Part II, Savaria University Press, 117-130. Károssy, Cs. 2001: Characterisation and catalogue of the Péczely's macrosynoptic weather types (1996-2000). In: Nowinszky, L.[ed.]: Light trapping of insects influenced by abiotic factors. Part III. Savaria University Press, 75-86. Koppány Gy. 1978: Távprognosztika II. Tankönyvkiadó, Budapest Péczely Gy. 1961: Magyarország makroszinoptikus helyzeteinek éghajlati jellemzése. Az Or-szágos Meteorológiai Intézet Kisebb Kiadványai, 32. szám. Péczely Gy. 1983: Magyarország makroszinoptikus helyzeteinek katalógusa (1881-1983). Országos Meteorológiai Szolgálat Kisebb Kiadványai, 53. kötet, Budapest. Puskás J. - Novinszky L. 1996: A vetési bagolylepke (Scotia segetum Schiff.) fénycsapdázásának eredményessége időjárási frontok idején. Légkör, XLI. 2., 29-32. Puskás, J. 2001: New weather front types and catalogue for the Carpathian basin. In: Nowinszky, L. [ed.]: Light trapping of insects influenced by abiotic factors. Part III. Savaria University Press, 87-118. Radics K. 2004: A szélenergia hasznosításának lehetőségei Magyarországon: hazánk szélklímája, a rendelkezésre álló szélenergia becslése és modellezése. Doktori (PhD) értekezés, ELTE, Budapest. Stróbl A. 2006: A szélerőművek többletterhei villamos energia rendszerünkben. Magyar Energetika, megjelenés alatt. Tar K. – Kircsi A. 2001: Módszer a napi átlagos fajlagos szélteljesítmény meghatározására. A légköri erőforrások hasznosításának meteorológiai alapjai. Meteorológiai Tudományos Napok, 2001, pp. 129-137. Tar, K. – Kircsi, A. – Vágvölgyi, S. 2002: Temporal changes of wind energy in connection with the climatic change. Proceedings of the Global Windpower Conference and Exhibition, Paris, France, 2-5 April, CD-ROM. Tar K. 2004: Becslési módszerek a magyarországi szélenergia potenciál meghatározására. Magyar Energetika, XII. 4., pp. 37-48.
12