TELEPÜLÉSGAZDÁLKODÁS-KÖRNYEZETGAZDÁLKODÁS. 1. Bevezetés

TELEPÜLÉSGAZDÁLKODÁS-KÖRNYEZETGAZDÁLKODÁS _______________________________________________________________________________________________________________________________________________________

Rózsavölgyi Kornél1 Szélerımő-telepek területi elhelyezése saját fejlesztéső klímaorientált modell (KMPAM) segítségével 1. Bevezetés Az emberiség energiaellátásának biztosítása ma fıleg a fosszilis tüzelıanyagokra (szén, olaj, földgáz) épül, melyek jelenleg a világ energiaszükségletének túlnyomó többségét fedezik. A készletek, melyeket a természet évmilliók alatt halmozott fel, néhány emberöltı múlva elfogyhatnak. A környezetszennyezés azonban, amit felhasználásuk okoz, itt marad, és már ma súlyos problémák forrása a Földön. A Föld energiaigénye közben folyamatosan nı, a XXI. század közepére 2-3 szorosa lesz a mostaninak. Addigra a fosszilis tüzelıanyagok, okozta hiány már jelentkezni fog. Annak érdekében, hogy az emberiség fenntarthassa dinamikus fejlıdését, szükség van ennek az energiaigénynek a kielégítésére környezetbarát módon. Így a megoldást, a megújuló energiaforrások – nap, szél, víz, stb. – egyre hatékonyabb és szélesebb körő alkalmazása jelentheti, mely részben képes kiváltani profitáló módon a fosszilis energiahordozókat. A megújuló energiaforrások alkalmazása több okból is ésszerő, hiszen környezetkímélı megoldásokat kínál, munkahelyet teremt, valamint az ország vagy EU tagállam energia importfüggıséget is csökkenti. A szélenergia hasznosítása több évezredes múltra tekint vissza, s jelenleg egy dinamikusan fejlıdı iparág a világon. Napjainkban a legelterjedtebb módja a szélenergia használatnak a villamos energiatermelés. Az 1990-es évek elejétıl rendkívül gyorsan, minden eddiginél nagyobb mértékben nıtt a hasznosított szélenergia mennyisége a világon, de fıleg Európában. A hazai és külföldi befektetık közremőködésével 2007 szeptemberéig felépült nagyteljesítményő szélerımővek összesen 63,275 MW kapacitást jelentnek. Közép-kelet Európa, így Magyarország is jelenleg a befektetık egyik legfontosabb európai piacának számít, azonban az eddigi eredmények ellenére még mindig nincsenek a szélerımővek optimális elhelyezését szolgáló, megfelelı felbontású, könnyen elérhetı, gazdasági szempontból is alkalmazható széltérképek, eredmények. 2. Célok A kutatásom célja, hogy egy olyan új modellt készítsek, mely az eddigi modellek és eredményekhez képest jobban használható, illetve több új fontos információt ad a felhasználó számára a területi tervezésben. Ezek az új tényezık, eredmények elengedhetetlenek a minél pontosabb és reálisabb gazdasági és pénzügyi kalkulációkhoz, valamint az optimális területi tervezéshez. Így komoly segítséget nyújt a tervezésben és a megtérülés számításban résztvevı kutatók, mérnökök és más szakemberek számára. 3. Saját fejlesztéső modell Ez a saját fejlesztéső modell a KMPAM (Komplex Multifaktoros Poligenetikus Adaptív Modell), mellyel a szélenergia optimális hasznosítási helyét modellezem, definiálom a térben a megadott határfeltételek alapján. Tulajdonképpen a modell a komplex elemzés által azokat a 1

Rózsavölgyi Kornél Debreceni Egyetem, TEK, Meteorológiai Tanszék, Debrecen E-mail: [email protected]

260


helyeket jelöli meg a térben ahová egy esetleges szélpark, szélerımő telepítése jövedelmezı befektetés lenne. A modellem különbözı almodulokból áll. Minden almodul különbözı tényezıket dolgoz fel (pl.: meteorológiai és klimatológiai, tájökölógiai, természetföldrajzi, közigazgatási, stb.), melyek egy esetleges szélerımő telepítésének tervezéséhez szükségesek. A KMPAM modellnek kiemelten fontos része a szélmezı modellezés, így egy saját szélmezı modellezési eljárást is fejlesztek hozzá. Ezt a saját fejlesztéső szélmezı modellezési eljárást egy KMPAM almodulba építem fel (KMPAM/W), – melyre a teljes modell fejlesztése folyamán rendkívül sok idıt és energiát fordítok – és úgy tervezem, hogy a teljes modelltıl függetlenül is képes legyen mőködni. Így célom az is, hogy úgy alakítsam ki, hogy önálló rendszerként is alkalmazható legyen más feladatokra és vizsgálatokra. A KMPAM-ba szükség szerint (ha az adatbázis rendelkezésre áll) lehetıség van újabb almodulok definiálására és futtatására. A különbözı tényezıket feldolgozó almodulok együttes kezelését a GIS biztosítja. Általában a szélenergiába történı befektetésnek egyik hátráltatója a tudományos eredmények hiánya, bizonytalansága, nehezen érthetısége a befektetık számára. Kutatásommal többek között ezt szeretném orvosolni, hiszen minél több információ áll rendelkezésre, a befektetınek annál jobban elırebecsülhetı a várható profit és kockázat. Ha csökken az üzleti kockázat és nı a kiszámíthatóság, akkor a befektetési kedv és volumen is nı, így a környezetbarát megújuló szélenergia alkalmazását segíti elı a modellem. 4. A szélmezı modellezés input adatai és a mintavételezési eljárás A bemenı adatokat RADICS K. (2004) 10 m-es szélmezı modellezési vizualizációjából vettük, mely a WAsP modell alkalmazása során, 29 állomás 1997-2002 közötti 6 éves évi átlagos szélsebesség adataiból készült. A vizualizáció feldolgozása után, egy ún. K-típusú randomizált mintavételezı algoritmust alkalmaztam a mintavételi pontok meghatározására. Majd a kapott pontok felvették a megfelelı szélsebesség attribútum értékeiket. Ezek az értékek képezték az input adatokat a számítások során. 5. A szélmezı adatfeldolgozása, modellezése és az eredmények 5.1. Szélsebesség szimulációs várható értékek A véletlen mintázási eljárás során nyert adatokból elıállítottam a variogram felszínt (mely a vizsgált jelenség térbeli anizotrópiájának megjelenítése), illetve annak különbözı irányú metszeteit, azaz a félvariogramokat (amelyek a térbeli folytonosság mértékei). Ezekre a félvariogramokra készítettem el az alapmodelleket (PANNATIER, Y. 1996). Majd sikerült jól illeszkedı modelleket készíteni a félvariogramokra minden magasságra, melyek minden esetben három szerkezetbıl (két szférikus és egy gaussi modell) álló összetett modellek. Ezt a kapott modellt használtam fel a szekvenciális gaussi szimulációhoz (DEUTSCH, C. V. et al. 1998). A szekvenciális gaussi szimulációk során minden magassági szintre (10 m, 30 m, 60 m, 80 m, 100 m, 120 m, 140 m) 100 db azonos valószínőségi szintő, de különbözı realizáció készült. A 4 km2-es modellezési, és megjelenítési felbontással, valamint a kifejlesztett optimalizációkat felhasználva az eljáráshoz, értékelhetı eredmények születtek a szimulációkkal. A szimulációk során minden szintre kapott 100 db realizáció mindegyike megjeleníthetı, elemezhetı. Ugyanakkor a 100 darab realizáció átlaga, már jó közelítést ad a várható értékre. A szélsebességek várható értéke mellett kiszámítottam az egységnyi felületre

261


jutó bruttó szélteljesítményt is. Ez a szélteljesítmény az a mennyiség, amit maximálisan hasznosulhat az energiatermelı felületen.

1. ábra. A jellemzı szélsebesség várható értékek és a bruttó szélpotenciálok, h =10 m

Ha összehasonlítjuk a 10 m (1. ábra) és a 100 m (2. ábra) magasságra kapott szimulációs szélmezıt akkor egyértelmően látszik, hogy egyfajta nagyléptékő homogenizáció mellett egy kisléptékő heterogenitás is bekövetkezett egyben. Ennek az ún. gránumos térbeli szerkezetnek – a kisléptékő heterogenitásnak – az oka, a szélmezı lokális változékonysága. A homogenizációnak pedig azaz oka hogy a szélmezı magasabb szinteken egyre kevésbé befolyásolt a felszíni súrlódási hatásoktól, ezért egy homogénebb terület feletti rendszer alakulhat ki. Ez az érdekes kettıség a szélmezı fontos légkörfizikai tulajdonsága mit sikerült helyesen a szimulációkkal lemodellezni. A modellezések és szimulációk során azt tapasztaltam, hogy minél magasabb szinteket vizsgáltam, annál könnyebben lehetet elvégezni a számításokat, elemzéseket. Ennek oka a planetáris határréteg (PHR) tulajdonságaiban keresendı, hiszen ismerve a PHR tulajdonságainak változását a magasságnövekedéssel (BARANKA GY. et al. 2001), a felszíni érdesség és domborzat okozta zavaró hatások egyre kevésbé érvényesülnek a magasabb régiókban. Arra a következtetésre jutottam, hogy a 60 méternél magasabb régiókban Magyarországon már nem okoz jelentıs zavaró hatást a felszíni érdesség. Erre az eredményre jutottak mások is. Más vizsgálatok alapján is ez az a magasság, ahol az árnyékoló objektumok hatása már nem szignifikáns (KIRCSI A. 2004; WIERINGA, J. 1976, 1983). Véleményem szerint a kapott eredmények alapján megállapítható, hogy számításaim, jól visszaadják a magyarországi évi átlagos szélviszonyokat, a modellezett magasságokban. Ehhez hasonló geometriájú eredmények születtek más alapokon nyugvó számításokkal is (WANTUCHNÉ, 2005), melyek így bizonyos mértékig egymás verifikációi lehetnek. A különbözı magasságokban a szélsebességek várható értékei és így a bruttó szélteljesítmény fı térbeli eloszlására jellemzı, hogy a legnagyobb szélkincs Magyarország északnyugati részében található, habár akadnak kisebb kiterjedéső terültek az ország más részein, amelyek szintén alkalmasak lehetnek a szélenergia az energetikai felhasználásra, nagyobb magasságokban.

262


2. ábra. A jellemzı szélsebesség várható értékek és a bruttó szélpotenciálok, h = 100 m

5.2. Szélsebességek szimulációs várható értékeinek térbeli bizonytalansága Az egyváltozós matematikai statisztikában teljesen természetes a konfidencia intervallum megadása a várható érték becslésekor. Ha a területi becslés gridpontonként az adott pontban prognosztizálható várható értéket adja, akkor megadható a pontonkénti várható érték konfidencia felülete (GEIGER J. et al. 2005). Ez a geostatisztika alkalmazásával gond nélkül kiszámítható. Minden egyes gridpontra megadható a konfidencia intervallum. Ezekbıl készült a konfidencia intervallum alsó, illetve felsı határához tartozó két felület. Minél szőkebb a konfidencia intervallum, annál stabilabban lehet a rendelkezésre álló adatokból megadni a várható értéket. Ennek a gondolatnak megvalósulása a 3. és 4. ábra a bizonytalansági térkép és grid. Ez nem más, mint a konfidencia intervallum szélessége gridpontonként. Vagyis azokon a területeken, ahol ez az intervallum szők, ott a prognózis bizonytalansága csekély, ugyanakkor ott, ahol ez nagy, a bizonytalanság is nagyobb (a bizonytalanság nem egyenlı a hibával). Ezt fejezik ki a 3. és 4. ábra skálája feletti nem diszkrét szám kategóriák.

3. ábra. A szélsebesség várható értékek bizonytalansága, h = 10 m

263


A 10 m (3. ábra) és a 100 m (4. ábra) magasságokhoz tartotó bizonytalanság térbeli megjelenése kissé eltér egymástól. Ennek oka, hogy a 10 m-es magasságban a felszíni objektumok hatása sokkal jobban befolyásoló hatású, mint 100 m-en.

4. ábra. A szélsebesség várható értékek bizonytalansága, h = 100 m

6. A KMPAM gyakorlatban A KMPAM fejlesztése, tervezése során kiemelt fontosságú, hogy ne csak tudományos, hanem gyakorlati alkalmazás szempontjából is használható legyen a modell. Tételezzük fel, hogy egy vállalat szeretne szélerımővet telepíteni hazánkban. Tudni szeretné, hogy hol lehetne ezt megtenni, azzal a rendelkezésre álló szélgenerátorokkal, melyek pl. 100 m magasak és indítási sebességük 5,5 m/s. Az 5. ábrán látható a KMPAM országos elemzése 100 m-es magasságra, ahol a KMPAM három almodulját használtuk. A szélmezı modellezési almodult (KMPAM/W) azzal a határfeltétellel futattuk, hogy a szélsebességek várható értéke 5,5 m/s vagy annál nagyobb. Így megkaptuk a klimatológiai szempontból alkalmas területeket A következı almodul a közigazgatási almodul, mely a városok, falvak, tanyák közigazgatási területeit tartalmazza. A harmadik, a tájökológiai almodul, mely tartalmazza a Natura 2000 és a madárvédelmi terülteket (275/2004 X. 08 kormányrendelet alapján, mely kiegészíti az 1996/LIII-as Természetvédelmi törvényt), illetve a kutak, források, vizes élıhelyek, folyók és 50 m-es körzeteiket, valamint a tavakat és 100 mes körzetét, illetve a különlegesen védett természetvédelmi területeket és a Nemzeti Parkokat. Ez utóbbi két almodul azokat a területeket jelöli ki, amelyek nem lehetnek alkalmasak az ilyen jellegő beruházás megvalósítására. A KMPAM gyakorlati használhatóságát és fontosságát az 5. ábra jól demonstrálja, mely a modellem komplex elemzése eredményeként született. Amennyiben rendelkezésre áll újabb adatbázis akkor az eredmények tovább pontosíthatóak.

264


5. ábra. KMAPM gyakorlati használata egy feltételezett befektetés tervezésében, 100 m-es magasságban

Azt láthatjuk, hogy nem elegendı, csak a klimatológiai elemzés, hiszen nem feltétlenül azok a területek lesznek az alkalmasak egy esetleges beruházásra, ahol a legjobbak a klimatikus feltételek Irodalom BARANKA GY. – WEIDINGER T. – MÉSZÁROS R. – MIKÓ R. – KOVÁCS R. 2001: A planetáris határréteg szerkezete, szél- és hımérsékleti profiljai. Meteorológiai Tudományos Napok 2001: A légköri erıforrások hasznosításának meteorológiai alapjai, OMSZ kiadó, pp. 109-119 DEUTSCH, C. V. – JOURNEL, A. 1998: GSLIB. Geostatistical Software Library and User’s Guide. Oxford University Press, New York, 369p. GEIGER J. – MUCSI L. 2005: A szekvenciális sztochasztikus szimuláció elınyei a talajvízszint kisléptékő heterogenitásának térképezésében. Hidrológiai Közlöny, 85. évf. 2. szám pp. 37-47 KIRCSI A. 2004: Szélsebesség adatok területi extrapolációja – lehetıségek és nehézségek. A Magyar Szélenergia Társaság kiadványai, No.2, pp. 71-78 PANNATIER, Y. 1996: VARIOWIN: Software for Spatial Data Analysis in 2D. Springer, New York, 91p. RADICS K. 2004: Szélenergia hasznosításának lehetıségei Magyarországon: Hazánk szélklímája, a rendelkezésre álló szélenergia becslése és modellezése. Doktori értekezés, Eötvös Lóránd Tudományegyetem, Meteorológiai Tanszék WANTUCHNÉ DOBI I. 2005: A megújuló energiaforrások felhasználási lehetıségeinek meteorológiai vonatkozásai. OMSZ Beszámoló a 2005. évi tevékenységrıl, OMSZ, Budapest, pp. 135-141 WIERINGA, J. 1976: An objective exposure correction method for average wind speeds measured at shelted location. Quart. J. R. Met. Soc. 102, pp. 241-253 WIERINGA, J. 1983: Description requirments for assassment of non-ideal wind stations – for example Aachen. J. Wind Engineering and Industrial Aerodynamics, 11, pp. 121-131

265

TELEPÜLÉSGAZDÁLKODÁS-KÖRNYEZETGAZDÁLKODÁS. 1. Bevezetés

Recommend Documents