oktober 2003
ECN-C--03-114
Voorspellen van Duurzame Energie in de Bebouwde Omgeving SDE Projectresultaten
J.K. Kok (editor) A.J. Brand N.J.C.M van der Borg Y.M. Saint Drenan W.D. van den Berg
Verantwoording Het project Voorspellen van Duurzame Energie in de Gebouwde Omgeving is uitgevoerd door het Energieonderzoek Centrum Nederland (ECN) als onderdeel van het Systeem Integratie Cluster van het Samenwerkingverband Duurzame Energie (SDE). Dit document geeft een overzicht van de resultaten van het project. Het project heeft het kenmerk SDE P1999-044-2. Het project werd gefinancierd door de SDE uit het Systeemintegratieprogramma en door ECN uit het ENGINE financieringsprogramma van ECN voor de jaren 2000, 2001 en 2002, onder projectnummer 7.4103. De uitvoerende ECN units waren Windenergie, Technological Services & Consultancy, en Zonne-energie. De gegevens van het Hirlam zijn afkomstig van het KNMI volgens Overeenkomst 2001/265 voor de dagelijkse levering van meteorologische gegevens. De gegevens van de windturbine en de meetmast bij Medemblik zijn afkomstig van WEOM volgens opdrachten WIND 4046640 en 4050614. Delen van dit rapport zijn eerder verschenen als (onderdeel van) de volgende ECNpublicaties: N.J.C.M. van der Borg, W.D. van den Berg, “Korte termijn voorspelling van de opbrengst van PV-systemen”, ECN-C--01-128, December 2001. A.J Brand, J.K. Kok, “Aanbodvoorspeller duurzame energie - Deel 2: Korte-termijn prognose van windvermogen”, ECN-C--03-049, June 2003. Y.M. Saint-Drenan, “Wind power predictions analysis. Part. 2: economical analysis”, ECN-I--02-011, August 2002.
2
ECN-C--03-114
INHOUD LIJST VAN TABELLEN
6
LIJST VAN FIGUREN
6
SAMENVATTING
8
1.
INLEIDING 1.1 Waarom Aanbodvoorspellen? 1.1.1 1.1.2
Optimaliserende regelsystemen Programmaverantwoordelijkheid
1.2 Projectomschrijving 1.2.1 1.2.2 1.2.3
Doelstelling Centrale Vragen Prototypes
1.3 Dit rapport
11 11 11 11
12 12 12 12
13
DEEL I: GENERATIE VAN AANBODPATRONEN
14
2.
14 14 14
INLEIDING 2.1 Doel 2.2 Opties voor Testreeksen 2.2.1 2.2.2 2.2.3
Test Referentie Jaar Gebruik van Meetreeksen Genereren van Weergegevens
14 15 15
3.
PATROONGENERATOR ZONNEENERGIE 3.1 Bestaande Generator 3.2 Conclusie
16 16 16
4.
PATROONGENERATOR WINDENERGIE 4.1 Opties 4.2 Functionele eisen 4.3 Functioneel Ontwerp
17 17 17 21
4.3.1 4.3.2 4.3.3 4.3.4
Input Bepaling locale wind Berekenen vermogensreeks Selectie criteria
4.4 Implementatie
21 21 24 24
24
DEEL II: AANBODVOORSPELLER ZONNE-ENERGIE
28
5.
STATE OF THE ART – AANBODVOORSPELLING ZONNE-ENERGIE
28
6.
ONDERZOCHTE METHODEN Algemeen Meteomethode Vermogenspersistentie Combi-methoden
29 29 29 29 30
TOETSING VAN DE METHODEN 7.1 Meteo-methode
31 31
6.1 6.2 6.3 6.4 7.
7.1.1 7.1.2 7.1.3 7.1.4
Stap 1: Voorspelling op locatie weerstation Stap 2: Vertaling Horizontale Instraling naar Arrayvlak Stap 3: Berekening Totale Instraling Arrayvlak Stap 4: Berekening Elektriciteitsproductie
ECN-C--03-114
31 32 32 33
3
7.2 Vermogenspersistentie en combi-methoden
33
8.
ZON: CONCLUSIES EN AANBEVELINGEN
35
9.
STRALINGSVERWACHTING (APPENDIX)
46
DEEL III: AANBODVOORSPELLER WINDENERGIE
48
10. STATE OF THE ART – AANBODVOORSPELLING WINDENERGIE 10.1 Inleiding 10.2 Methodiek versus voorspelhorizon 10.3 Overzicht windvermogen prognosemethoden
48 48 48 49
10.3.1 Beschrijving van de fysische en de statistische methode 10.3.2 De rol van atmosfeermodellen 10.3.3 Voor- en nadelen van de twee soorten methoden
10.4
De eerste generatie Windaanbodvoorspellers
10.4.1 10.4.2 10.4.3 10.4.4 10.4.5
10.5 10.6 10.7
51
Prediktor WPPT ISET-methode Previento eWind
51 52 52 52 53
Tweede-generatie: Zephyr Situatie in de Verenigde Staten Infobox
10.7.1 10.7.2 10.7.3 10.7.4 10.7.5 10.7.6
10.8
49 50 51
53 53 54
Prediktor WPPT ISET-methode Previento eWind Zephyr
54 54 55 55 55 55
Tot Slot
55
11. WINDVERMOGENVOORSPELLING VIA PERSITENTIE 11.1 Persistentie 11.2 Verbeteringen aan het persistentiemodel
57 57 57
12. WINDVERMOGENVOORSPELLINGSMETHODE VAN ECN 12.1 Waarom een methode van ECN? 12.2 Overzicht ECN methode 12.3 Meerwaarde van de methode van ECN
59 59 59 63
13. TEST CASE: WINDMEETMAST PETTEN 13.1 Beschrijving van de locatie Petten 13.2 Windverwachtingen voor de locatie Petten 13.3 Nauwkeurigheid van de windverwachtingen voor de locatie Petten
63 63 67 67
14. TEST CASE: EEN WINDTURBINE NABIJ MEDEMBLIK 14.1 Beschrijving van de locatie Medemblik 14.2 Vermogensverwachtingen voor de locatie Medemblik 14.3 Nauwkeurigheid van de vermogensverwachtingen Medemblik
70 70 73 76
15.
77
VERGELIJKINGEN VOORSPELMETHODEN WINDENERGIE
DEEL IV: PROJECT CONCLUSIES
80
16. CONCLUSIES 16.1 Antwoorden op de Centrale Vragen 16.2 Projectconclusies
80 80 83
4
ECN-C--03-114
16.2.1 16.2.2 16.2.3 16.2.4
Patroongenerator zonneenergie Patroongenerator windenergie Aanbodvoorspeling zonneenergie Aanbodvoorspelling windenergie
17. BIBLIOGRAFIE 17.1 Referenties 17.2 Bronnen naar onderwerp 17.3 De meteorologische modellering 17.4 Het voorspellen van windvermogen 17.5 Onderzoek aan prognosemethoden 17.6 Windenergieprognoses in de praktijk
ECN-C--03-114
83 83 83 84
85 85 87 87 87 88 88
5
LIJST VAN TABELLEN Tabel 1: Visuele beschrijving Davenport-ruwheidsklassen. 22 Tabel 2: Vergelijking van de gemeten instraling te Petten met de verwachte instraling voor Den Helder, IJmuiden en het gemiddelde daarvan (gebaseerd op alle uurwaarden in de periode 1/10/2000 - 1/10/2001) 32 Tabel 3: Vergelijking van de gemeten instraling in De Bilt met de gemeten instraling in Vlissingen, Berkhout Eelde en Petten (gebaseerd op alle uurwaarden in de periode 1/11/2000 - 1/11/2001) 32 Tabel 4: Vergelijking van de berekende en gemeten instraling op de westgevel van een ECN-gebouw (gebaseerd op alle uurwaarden in de periode 1/1/2000 1/1/2001) 33 Tabel 5: Vergelijking van de resultaten van de verschillende methoden voor de verwachting van de instraling op het horizontale vlak te Petten; Periode 1/10/2000 - 1/10/2001. 34 Tabel 6: Drie modelfamilies met hun eigen voorspelhorizon. 49 Tabel 8: Voor- en nadelen van de fysische en de statistische methoden. 51
LIJST VAN FIGUREN Figuur 1: Bij het KNMI beschikbare meetreeksen windgegevens. De meeste reeksen zijn vrij via het internet te downloaden en te gebruiken in de Windenergie Aanbodpatroongenerator. De rode balken hebben binnen de scope van dit rapport geen betekenis. (Figuur: KNMI) 18 Figuur 2: Geografische spreiding van de meetstations van het KNMI. (Figuur: KNMI) 21 Figuur 3: Functioneel blokdiagram Windenergie Aanbodpatroongenerator. 21 Figuur 4: Landschappen en bijbehorende ruwheidslengten. (a) Zeer open landschap – ruwheidsklasse 2 tot 3, zo ~ 0.01 – 0.03 m. (b) Tamelijk open landschap – ruwheidsklasse 3 tot 4, zo ~ 0,05 – 0,1 m. (c) Tamelijk ruw landschap – ruwheidsklasse 4 tot 5, zo ~ 0,2 m. (d) Zeer ruw landschap – ruwheidsklasse 6, zo ~ 0,4 m. Originele afbeeldingen uit [Peterson, 1981] aangepaste bijschriften overgenomen uit [Wieringa, 1983]. 23 Figuur 5: Overzicht Grafische User Interface Patroongenerator Windenergie. 25 Figuur 6: Polair frequentiediagram windrichting De Kooy in de maand november 2000, zoals weergegeven door de Wind-APG. 26 Figuur 7: Polair diagram gemiddelde windsterkte [m/s] voor De Kooy in de maand november 2000, zoals weergegeven door de Wind-APG. 26 Figuur 8: Windsnelheid en Opbrengst voor een Nedwind-53/55 turbine. Er is gebruik gemaakt van de winddata voor De Kooy over november 2000 en een arbitraire ruwheidsroos. 27 Figuur 9: a, b en c: Vergelijking van de instraling te Petten met verwachtingen voor Den Helder en IJmuiden (zie bij Tabel 2). 38 Figuur 10: a, b en c: Vergelijking tussen gemeten instralingen op verschillende locaties in Nederland (zie Tabel 3). 40
6
ECN-C--03-114
Figuur 11: a, b en c: Vergelijking tussen gemeten en berekende instraling op de westgevel van een gebouw te Petten (zie Tabel 4). 43 Figuur 12: a, b en c: Vergelijking tussen de resultaten van vier verwachtingsmethoden voor de dagpatronen van de instraling op het horizontale vlak te Petten (zie Tabel 5). 46 Figuur 13: Blokdiagram Windenergie Aanbodvoorspeller 60 Figuur 14: Berekeningsgebied van het KNMI HiRLAM. Het berekeningsgebied omvat het hele gebied dat bepalend is voor het weer in Nederland: van de noordpool tot de Azoren en van Newfoundland tot de Oeral. Merk op dat dit voor een meteoroloog een ‘Limited Area Model’ is. 61 Figuur 15: Luchtfoto ECN terrein in Petten 64 Figuur 16: Detail luchtfoto ECN terrein in Petten. De windmeetmast is te zien als een lichtgrijze streep links in de foto. 65 Figuur 17: Terrein richting het Noorden. 65 Figuur 18: Terrein richting het Oosten. 66 Figuur 19: Terrein richting het Zuiden. 66 Figuur 20: Terrein richting het Westen. 67 Figuur 21: Voorspelfout Windsnelheid, Windmeetmast Petten, 10 meter 68 Figuur 22: Voorspelfout Windsnelheid, Windmeetmast Petten, 32 meter 69 Figuur 23: Voorspelfout Windsnelheid, Windmeetmast Petten, 50 meter 69 Figuur 24: Terrein rond de turbine bij Medemblik richting het noorden. 70 Figuur 25: Terrein rond de turbine bij Medemblik richting het oosten. 71 Figuur 26: Terrein rond de turbine bij Medemblik richting het zuiden. 71 Figuur 27: Terrein rond de turbine bij Medemblik richting het westen. 72 Figuur 28: Overzichtsfoto van de turbine en windmeetmast bij Medemblik. 72 Figuur 29: Ruwheidskaart van de omgeving van de turbine bij Medemblik. 73 Figuur 30: Ruwheidsroos van de omgeving van de turbine bij Medemblik. 74 Figuur 31: Correlatie tussen de verwachting en de waarneming van de windsnelheid op 52 meter hoogte voor het praktijkvoorbeeld Medemblik. De punten met de marges kwamen tot stand na middelen van de verwachtingen tegen de waarnemingen. Een rechte geeft de beste lineaire fit 75 Figuur 32: Idem als Figuur 31 maar dan voor het vermogen van de turbine. 75 Figuur 33: Verdeling van de onbalans voor het praktijkvoorbeeld Medemblik. Blauw: de ondergrens; Zwart: de verwachte waarde; Rood: de bovengrens. 76 Figuur 34: Bruikbare HIRLAM runs voor het voorspellen van een etmaalproductie. 77 Figuur 35: De geaccumuleerde hoeveelheid onbalans zoals ontstaan uit prognoses op basis van de runs 00, 06, 12, 18 van de vorige dag [Saint Drenan 2002]. 78 Figuur 36: De geaccumuleerde hoeveelheid onbalans zoals ontstaan uit prognoses op basis van de HIRLAM run 12 van de vorige dag (zwart), de meest recente HIRLAM run (blauw) en een constante waarde van 20% van het geïnstalleerd vermogen. [Saint Drenan 2002]. 79
ECN-C--03-114
7
SAMENVATTING Het systeemintegratie projectcluster van de SDE richt zich op de fundamentele aspecten van de inpassing van duurzame energie in kleine woningclusters (~10 woningen). Binnen het project Voorspellen van Duurzame Energie in de Gebouwde Omgeving (VoDEGO) zijn methoden onderzocht en ontwikkeld die de onzekerheid die gepaard gaat met de inzet van decentrale duurzame bronnen proberen te verminderen. Het weer heeft een sterke invloed zowel op het aanbod van zonne-energie en windenergie. De onzekerheid in de te verwachten energieopbrenst levert problemen zowel het ontwerp als bij de operatie van in geïntegreerde duurzame energiesystemen. Om deze onzekerheden te verminderen is in dit project de technische haalbaarheid van een tweetal software systemen onderzocht, te weten: Een generator van energieaanbodpatronen fotovoltaïsche en windenergiesystemen, geschikt om te gebruiken als ontwerpinstrument bij het dimensioneren van aanbod-, vraag- en opslagsystemen in geïntegreerde duurzame energiesystemen. Een systeem dat het korte-termijn energieaanbod van fotovoltaïsche en windenergiesystemen voorspellen, geschikt om te gebruiken als operationeel instrument bij het intelligent aansturen van aanbod-, vraag- en opslagsystemen. Generatie van aanbodpatronen – Bij een literatuurstudie werd duidelijk dat er voor zonne-energie toepassingen reeds een goede patroongenerator op de markt is. Voor windenergietoepassingen zijn dergelijke systemen niet beschikbaar. De voor thermodynamische gebouwsimulaties veel gebruikte test referentie jaren zijn voor het onderzoeken van korte-termijn gedrag van energiesystemen minder geschikt omdat deze tijdreeksen de gemiddelde situatie representeren en dus zijn ontdaan van extremen. Binnen het project is een patroongenerator windenergieaanbod ontwikkeld die dit probleem ondervangt. De methode is gebaseerd op historische windmeetgegevens zoals die door het KNMI vrij worden verspreidt. De patroongenerator zet deze meetreeksen om in een vermogensreeks voor een specifieke windturbine. De gebruiker heeft de mogelijkheid de generator aan zijn eigen wensen aan te passen door de karakteristiek van de windturbine in te stellen, alsmede de locale eigenschappen van het terrein rond de turbine. De generator is geïmplementeerd in Matlab. Aanbodvoorspelling Zon – Uit een markt- en literatuurstudie is niet gebleken dat er al methoden zijn ontwikkeld om korte-termijn prognoses te maken van de elektriciteitsproductie uit foto-voltaïsche of thermische zonne-energie. In een studie naar kandidaatmethoden voor het voorspellen van de electriciteitsproductie door PV-systemen zijn een aantal methoden ontwikkeld. De methoden die onderzocht zijn, zijn gebaseerd op instralingsverwachtingen (meteomethode), historische gegevens (persistentiemethode) en combinaties daarvan (combimethoden). Bij de meteo-methode bleken de onzekerheden in de verwachte energieproductie gedomineerd te worden door de onzekerheid van het verwachte uurpatroon van de horizontale instraling nabij het PV-systeem. Uit een vergelijkende studie bleek dat de prestaties van de drie methoden niet veel uiteen lopen. De best presterende methode is een combi-methode. Aanbodvoorspelling Wind – In verschillende landen (met name Duitsland en Denemarken) zijn methoden voor aanbodvoorspelling windenergie beschikbaar of in
8
ECN-C--03-114
ontwikkeling. Omdat geen van de partijen performancematen hebben gepubliceerd is een onderlinge vergelijking niet mogelijk. Wel is duidelijk dat elk van de methoden één of meer van hiaten heeft: de nauwkeurigheid van de windenergieprognoses is matig, de prognoses zijn voor uurlijkse waarden en een maat voor de onzekerheid in de prognoses ontbreekt. Verder wordt in veel gevallen in de modellering de invloed van thermische instabiliteit niet meegenomen. Binnen dit project is een Aanbodvoorspeller Windenergie ontwikkeld voor de Nederlandse situatie en vanuit het gecombineerde perspectief van gebruik in de gebouwde omgeving en gebruik voor programmaverantwoordelijkheid. Deze voorspeller heeft bij een voorspelhorizon van enkele uren (>=5) een hogere nauwkeurigheid dan de persistentie methode of de vaste waarde methode. Bij gebruik van de voorspeller blijft er ruwweg voor iedere 3 kilowatt windstroom 1 kilowattuur onbalans bestaan. Voor voorspellingen op de zeer-korte-termijn, tot ongeveer 5 uur vooruit, is de persistentie (met een eventuele verbeterende aanpassing) de aangewezen methode.
ECN-C--03-114
9
10
ECN-C--03-114
1.
INLEIDING
1.1
Waarom Aanbodvoorspellen?
De ambitieuze overheidsdoelstelling betreffende het aandeel duurzame energie in de energiemix in 2020 betekent nieuwe uitdagingen voor de afstemming tussen energievraag en –aanbod. Het van nature wisselende karakter van de bijdrage van zon en wind vereist aanvullende maatregelen om de inzet van duurzame energie te maximaliseren en de daarbij gepaard gaande kosten te minimaliseren. Dit geldt zowel voor kleinschalig(er) opgewekte duurzame energie in de gebouwde omgeving als voor grootschalige opwekking in windmolenparken en zonnecentrales. 1.1.1 Optimaliserende regelsystemen Voor het duurzame energieaanbod in de gebouwde omgeving zijn maatregelen nodig, opdat de huishoudens voor hun energievoorziening zo min mogelijk zijn overgeleverd aan de grillen van het weer. Het weer heeft een sterke invloed zowel op het aanbod van zonne-energie en windenergie, als op de vraag naar energie. Goede afstemming van vraag en aanbod vereist opslag van energie in combinatie met een gecoördineerde aansturing van de verschillende energiesystemen. Overdimensionering van buffersystemen en een gebrek aan gecoördineerde aansturing werken kostenverhogend. Sturing van de energievraag zal zoveel mogelijk binnen randvoorwaarden van comfort plaats moeten vinden, om de acceptatie van duurzame energiesystemen niet te schaden. Duidelijk is dat deze problemen op het niveau van systeemintegratie de realisatie van de doelstellingen op het gebied van duurzame energie bemoeilijken en zo goed mogelijk dienen te worden opgelost. Voor het intelligent aansturen van aanbod-, vraag- en opslagsystemen is de verwachting van het duurzame energieaanbod een belangrijke beslisparameter. Het valt te verwachten dat met de verdere introductie van intelligente energieregelsystemen er een behoefte zal ontstaan aan systemen die het aanbod van duurzame energie met een korte voorspelhorizon (enkele uren vooruit) kunnen voorspellen. 1.1.2 Programmaverantwoordelijkheid Op het niveau van grootschalige opwekking van duurzame energie in windmolenparken en zonnecentrales is er een behoefte aan het ontstaan naar korte termijn verwachtingen van energieaanbod. Met de stapsgewijze invoering van de Electriciteitswet 1998 zijn energieleveranciers programma-verantwoordelijk geworden. Programmaverantwoordelijkheid houdt de verplichting in om dagelijks productie van elektriciteit te plannen en bekend te maken aan de netbeheerder (TenneT). Voor het optreden van onbalans, voor energieproducenten het verschil tussen het productieplan (het programma) en de werkelijke productie, wordt door de netbeheerder extra kosten (kosten van onbalans) in rekening gebracht. Het moge duidelijk zijn dat voor opwekkers van zon- en windenergie het moeilijk is een gedetailleerd productieprogramma op te stellen. De verwachting is dan ook dat de programma-verantwoordelijkheid een extra kostenpost met zich mee zal brengen. Deze extra kosten voor de duurzame energieopwekking lopen progressief op met de toename van het aandeel duurzame energie in de energievoorziening. Er mag dus ook
ECN-C--03-114
11
hier worden verwacht dat er een behoefte ontstaat aan systemen die het aanbod duurzame energie op de korte termijn kunnen voorspellen.
1.2
Projectomschrijving
1.2.1 Doelstelling Het VoDEGO project kent twee sub-doelstellingen: A. Onderzoek doen naar de technische haalbaarheid van een generator van energieaanbodpatronen fotovoltaïsche en windenergiesystemen. B. Onderzoek doen naar de technische haalbaarheid van systemen die het energieaanbod van fotovoltaïsche en windenergiesystemen voorspellen. In het originele projectplan waren deze doelstellingen uitgebreider geformuleerd. Deze uitgebreidere formulering bevatten echter ook expliciete aanduidingen van de richting waarin de doelstellingen verwezenlijkt zouden kunnen (c.q. moeten) worden. Omdat tijdens het voortschrijdend inzicht van de projectuitvoering niet altijd de beschreven richting de juiste bleek te zijn, hebben we ze hier weggelaten. 1.2.2 Centrale Vragen De centrale vragen hierbij waren: 1. Wat zijn de determinanten voor het aanbod van duurzame energiesystemen en hoe zijn deze statistisch te karakteriseren? 2. Wat is de gewenste voorspelhorizon van een aanbodvoorspeller en welke horizon is technisch haalbaar? 3. Hoe beïnvloedt de voorspelhorizon de nauwkeurigheid van de voorspelling? 4. Wat is de gewenste tijdschaal van een aanbodvoorspeller en welke tijdschaal is technisch haalbaar? 5. Hoe beïnvloedt de tijdschaal de nauwkeurigheid van de voorspelling? 6. Welke factoren hebben een (negatieve) invloed op nauwkeurigheid van de aanbodvoorspelling? Hoe zijn negatieve effecten te reduceren? 7. Zijn de in het buitenland ontwikkelde methoden voor aanbodvoorspelling rechtstreeks te gebruiken in Nederland? 8. Volgens welke methodiek is een aanbodvoorspeller voor de Nederlandse situatie te ontwerpen? 9. Hoe verhoudt de performance van een aanbodvoorspeller gebaseerd op fysische modellen zich tot een voorspeller gebaseerd op statistische of neurale modellen? 10. Verhoogd een hybride aanpak –aanbodvoorspelling op basis van een mix van fysische en statistische/neurale modellen– de nauwkeurigheid van de voorspelling? 1.2.3 Prototypes Binnen dit project zijn twee prototype software systemen ontwikkeld: A. Prototype Aanbodpatroongenerator Windenergie – Ontwerpinstrument dat gebruikt kan worden bij het dimensioneren van aanbod-, vraag- en opslagsystemen in geïntegreerde duurzame energiesystemen. Basis van de generator wordt gevormd door tijdreeksen werkelijk gemeten windsnelheden die worden omgewerkt naar tijdreeksen van windturine opbrengsten. De gebruiker kan het programma aanpassen aan zijn eigen situatie door de gebruikte turbinekarakterisiek in te voeren en
12
ECN-C--03-114
(eventueel) een indicatie van de terreinruwheden rond de turbine. De resulterende tijdreeksen bestaan uit uurgemiddelde waarden. B. Prototype Aanbodvoorspeller Windenergie – Operationeel instrument dat gebruikt kan worden bij het intelligent aansturen van aanbod-, vraag- en opslagsystemen. De aanbodvoorspeller geeft een verwachting van het duurzame energieaanbod voor de komende uren, op basis waarvan het gebruik van opslagsystemen geoptimaliseerd kan worden en de energievraag gestuurd. De voorspelhorizon ligt op 12 of 48 uur, afhankelijk van het gebruikte meteorologisch model voor de invoer. De tijdstap is een kwartier. Ad A.: Bij een inventarisatie van reeds bestaande methoden voor generatie van aanbodpatronen duurzame energie bleek er al een goede en betaalbare patroongenerator voor zonneenergetische toepassingen te bestaan. Na onderzoek van dit software pakket plus de documentatie bleek deze te voldoen aan de eisen zoals deze binnen de VoDEGO projectdefinitie waren gesteld. Hiermee kwam het nut van de ontwikkeling van een generator voor zoninstralingspatronen te vervallen. (Zie verder hoofdstuk 3.) Ad B.: Binnen dit project zijn tevens een aantal methoden voor het voorspellen van het aanbod van zonneenergie systemen ontwikkeld en met elkaar vergeleken. De resultaten van deze studie gaven helaas geen aanleiding deze methoden door te ontwikkelen tot een volwaardig prototype software systeem. (Zie hoofdstuk 5 tot en met 9.)
1.3
Dit rapport
Dit rapport beschrijft de projectresultaten van het project. Uit oogpunt van volledigheid is besloten de projectresultaten in één enkel rapport vast te leggen en niet in een zestal aparte rapporten, zoals oorspronkelijk in het projectplan was beschreven. De in het projectplan beschreven deliverables zijn terug te vinden in de afzonderlijke delen van dit rapport.
ECN-C--03-114
13
DEEL I: GENERATIE VAN AANBODPATRONEN
2.
INLEIDING
2.1
Doel
De doelstelling voor het projectdeel dat zich richt op generatie van aanbodpatronen is in het projectplan als volgt geformuleerd: Onderzoek doen naar de mogelijkheden om op basis van statistische karakterisering van weerpatronen een statistische karakterisering van aanbodpatronen van zon-thermische, fotovoltaische en windenergiesystemen op te stellen; Onderzoek naar de mogelijkheden om op basis van deze karakterisering een generator van energieaanbodpatronen te ontwikkelen. Het beoogde Prototype Aanbodpatroongenerator Zon- en Windenergie is een ontwerpinstrument dat gebruikt kan worden bij het dimensioneren van aanbod-, vraagen opslagsystemen in geïntegreerde duurzame energiesystemen. In de oorspronkelijke opzet werd de basis van de generator gevormd door een karakterisering van duurzame energieaanbodpatronen en de daarbij van belang zijnde factoren.
2.2
Opties voor Testreeksen
Testreeksen van weervariabelen worden op grote schaal toegepast voor gebouwprestatie simulaties. Het gaat hierbij primair om thermo-dynamische simulaties om het langetermijn energiegebruik van een gebouw te bepalen. De meeste literatuur over testreeksen van weervariabelen is dus ook op deze toepassing gericht. Er zijn drie opties om te komen tot een testreeksen van weergegevens, (meer of minder) geschikt voor het gebruik in simulaties van energie-systemen in de gebouwde omgeving [Hensen, 2001]: • • •
Gebruik van een referentie reeks, b.v. het Test Referentie Jaar (TRY) Gebruik van meetreeksen Generatie van patronen uit statistische gegevens
In de volgende paragrafen zullen we de drie opties ieder kort behandelen. 2.2.1 Test Referentie Jaar Voor bouwkundige toepassingen is in de Nederlandse situatie het Test Referentie Jaar (Test Reference Year, TRY) een veel gebruikte standaardreeks van wind-, instralings- en temperatuurgegevens. Deze reeks is ontwikkeld om het lange-termijn thermische gedrag en energiegebruik van gebouwontwerpen te onderzoeken. De reeks is een kunstmatige jaarreeks opgebouwd uit “lange-termijn gemiddelde maanden”. Iedere maand in de reeks is dus een werkelijk gemeten maand (in De Bilt) die goed voldoet aan het gemiddelde voor die specifieke maand. Hierdoor is de reeks discontinu op de maandovergangen en komen er geen extreme situaties voor. Voor het korte-termijn gedrag van energie-systemen in de gebouwde omgeving zijn de extreme 14
ECN-C--03-114
omstandigheden juist wel interessant. Hierom zal het test referentie jaar niet geschikt zijn voor deze toepassing. Een ander probleem met referentie jaren komt voor uit het feit dat de verschillende weersvariabelen niet per definitie gecorreleerd zijn. Zo zijn er bijvoorbeeld zowel koude dagen met veel zon als warme dagen met weinig zon. Bij het maken van een referentie jaar worden dagen of maanden geselecteerd op basis van een statistische weging. Afhankelijk van het toepassingsdoel wordt deze weging gekozen zodanig dat de variabelen die in het te simuleren systeem dominant zijn, een hoger gewicht krijgen [Hensen, 2001]. Dit is een tweede reden waarom referentiereeksen die samengesteld zijn voor toepassing in thermo-dymanische gebouwanalyse niet per definitie geschikt zijn voor andere toepassingen, zoals analyse van energiesystemen. Voor een recent overzicht van verschillende methodes voor het maken van referentie jaren verwijzen we naar [Argiriou et al., 1999]. 2.2.2 Gebruik van Meetreeksen De twee beschreven nadelen van referentiereeksen kunnen worden voorkomen door het gebruik van meer-jarige meetreeksen [Hui, 1998]. Een nadeel hiervan is dat er meer gegevens beschikbaar moeten zijn en dat de simulatietijd langer wordt. Dit probleem kan (deels) worden opgelost door gerichte selecties te maken uit de reeks, b.v. deelreeksen waarin zich extreme omstandigheden voordoen. In [Crawley, 1998] wordt, voor gebouwprestatie simulatie, voorgesteld (lange-termijn) voorspellingen te baseren op meetreeksen van drie jaren: gemiddeld, warm/zonnig en koud/gewolkt. 2.2.3 Genereren van Weergegevens Van veel plaatsen op de wereld zijn gedetailleerde historische meetreeksen van weerparameters niet gemakkelijk voorhanden. Lange-termijn (maandelijkse) gemiddelden en andere statistieken van belangrijke weervariabelen zijn echter vaak wel te vinden in klimaatatlassen en meteorologische publicaties [Hensen, 2001]. Voor Nederland is het “KNMI Normalenboek” hiervoor een belangrijke bron [KNMI, 1992 & 2002]. De meteorologische statistieken kunnen gebruikt worden om synthetisch reeksen van uurlijkse weergegevens te genereren, zoals beschreven in [Knight, 1991] en [Remund, 1999-2 & 1999-3]. Een goede generatiemethode levert, in tegenstelling tot het Test Referentie Jaar, wel extreme situaties op. Dit wordt bevestigd door een studie van Aguiar et al. (1999), waarin door vergelijkende simulaties van een gebouw in Lissabon gegenereerde weergegevens worden vergeleken met die uit referentiereeksen.
ECN-C--03-114
15
3.
PATROONGENERATOR ZONNEENERGIE
3.1
Bestaande Generator
Begin 2001 is een onderzoek gedaan naar eventuele bestaande patroongeneratoren voor zonneenergie. Er bleek inderdaad reeds een patroongenerator voor zonneenergetische toepassingen te bestaan en ook als zodanig in gebruik binnen het ECN. Het gaat om het softwarepakket Meteonorm van het Zwitserse bedrijf Meteonorm in Bern (www.meteonorm.ch). Meteonorm omvat een meteorologische database en een computerprogramma voor klimatologische berekeningen. De database bevat gegevens van Meteostations wereldwijd, inclusief Nederland (station De Bilt). Meteonorm is primair een methode om de zoninstraling te berekenen op een oppervlak, waarvan de gegevens als geografische coördinaten en oriëntatie van het oppervlak door de gebruiker zijn in te stellen. Het programma kan afhankelijk van de wensen van de gebruiker de volgende uitvoerreeksen leveren: ¾ Interpolaties van maandelijks gemiddelde instraling en temperatuur. Ruimtelijke en temporele interpolatie gebaseerd op weerdata, rekening houdend met de hoogte boven zeeniveau, topologie, etc. ¾ Gegenereerde uurlijkse waarden instraling en Temperatuur. Stochastische generatie van tijdsafhankelijke horizontale instraling en temperatuur, met een quasinatuurlijke verdeling en een maandgemiddelde gelijk aan het maandgemiddelde over 10 jaar. ¾ Ontbinding van de horizontale instraling in directe en diffuse componenten. ¾ Instraling op een arbitrair georiënteerd oppervlak. Uurlijkse waarden van de instraling op het specifieke oppervlak. In de documentatie van Meteonorm worden de gebruikte modellen, evenals de achterliggende theorie, uitgebreid toegelicht [Remund, 1999-1, 1999-2, 1999-3]. De opbouw van het pakket, alsmede de gegenereerde patronen komen overeen met wat in het projectvoorstel van het VoDEGO project is beschreven Bovendien is het pakket tegen een redelijke prijs te verkrijgen (~ 400 euro). Omdat hiermee het nut van de ontwikkeling van een instralingspatroongenerator is weggevallen, hebben we deze activiteit niet verder voortgezet.
3.2
Conclusie
Er is reeds een bestaande patroongenerator voor toepassingen in de zonneenergie op de markt. Op basis van de documentatie en een geïnstalleerde versie van het pakket is vast gesteld dat deze generator voldoet aan de eisen die binnen het VoDEGO projectdefinitie zijn gesteld. Omdat het pakket tegen een redelijke prijs (~ 400 euro) te koop is, is hiermee het nut van de ontwikkeling van een generator voor zoninstralingspatronen komen te vervallen.
16
ECN-C--03-114
4.
PATROONGENERATOR WINDENERGIE
4.1
Opties
Uit een uitgebreid internetonderzoek en uit interviews met deskundigen op het gebied van klimatologie (KNMI), windenergie (ECN) en gebouwanalyse (ECN) is niet gebleken dat er reeds een patroongenerator voor windenergie bestaat. Hierom is onderzocht op welke wijze een dergelijke generator het beste gerealiseerd kan worden. Van het drietal in paragraaf 2.2 besproken opties valt het gebruik van een bestaande referentiereeks af om de redenen beschreven in paragraaf 2.2.1. Van de twee overgebleven opties heeft het gebruik van historische meetreeksen de voorkeur, omdat op deze manier reeksen worden verkregen die de werkelijkheid het beste representeren. Voorwaarde voor het gebruik van deze methode is wel dat er voldoende (geografisch verspreide) meetreeksen van voldoende lengte beschikbaar moeten zijn. Deze reeksen moeten bovendien voor de toekomstige gebruiker van de generator tegen niet te hoge kosten te verkrijgen zijn. Voor de Nederlandse situatie is een verzameling reeksen beschikbaar die aan de bovenstaande eisen voldoet: de reeksen uurlijkse waarden potentiële wind van het KNMI. Deze reeksen zijn (na een registratie) vrij van het internet te downloaden (http://www.knmi.nl/samenw/hydra/register/index.html). Er zijn reeksen beschikbaar van een groot aantal KNMI meetstations over een grote periode (1950 tot heden, zie Figuur 1) en met een grote geografische spreiding (Figuur 2). De beschikbare reeksen bevatten de windrichting en –snelheid van de potentiële wind, wat wil zeggen dat de waarden zijn gecorrigeerd voor de lokale eigenschappen van het terrein rond het meetstation.
4.2
Functionele eisen
Met de beschikbaarheid van de datareeksen potentiële wind ligt het voor de hand te kiezen voor de optie van gemeten reeksen. De aanbodpatroongenerator wordt daarmee strikt genomen niet meer een generator van patronen, maar een omzetter: het zet het windpatroon van het meetstation het dichtst bij de windturbine van interesse om in het bijbehorende opbrengstpatroon van die turbine. Hiermee formuleren we direct al de functionele eis dat de gebruiker het programma moet kunnen aanpassen aan de specifieke situatie van de turbine van zijn interesse. Om tegemoet te komen aan het in paragraaf 2.2.2 geschetste probleem van lange(re) simulaties bij het gebruik van historische meetreeksen, moet de mogelijkheid geboden worden om uit de resulterende opbrengstreeks specifieke deelreeksen te selecteren. B.v. deel reeksen met langere tijd een lage of hoge opbrengst. De functionele eisen aan het programma zijn als volgt gedefinieerd: • • •
Mogelijkheden voor de gebruiker het programma aan te passen: • Aanpassing aan windturbinekarakteristiek (PV-curve) • Aanpassing aan locale terrein eigenschappen rond de turbine Mogelijkheid om uit de gegenereerde reeks deelreeksen te selecteren die voldoen aan door de gebruiker op te geven criteria (b.v.: selectie van extremen). Alle data in en uitvoer via ASCII data files
ECN-C--03-114
17
Figuur 1: Bij het KNMI beschikbare meetreeksen windgegevens. De meeste reeksen zijn vrij via het internet te downloaden en te gebruiken in de Windenergie Aanbodpatroongenerator. De rode balken hebben binnen de scope van dit rapport geen betekenis. (Figuur: KNMI)
18
ECN-C--03-114
ECN-C--03-114
19
20
ECN-C--03-114
Figuur 2: Geografische spreiding van de meetstations van het KNMI. (Figuur: KNMI)
4.3
Functioneel Ontwerp
Figuur 3 geeft het blokdiagram van de APG Wind. De dataverwerking is van boven naar beneden, de door de gebruiker in te voeren gegevens staan links en de tussenresultaten rechts.
Figuur 3: Functioneel blokdiagram Windenergie Aanbodpatroongenerator.
4.3.1 Input De input van het programma wordt gevormd door de gedownloade datafiles van het KNMI. De gebruiker zorgt zelf dat de files van de gebieden van zijn interesse in de data directory aanwezig zijn. Bij de keuze van de databron worden automatisch de stations waarvoor de files aanwezig zijn getoond. 4.3.2 Bepaling locale wind De eerste stap in de verwerking is het omrekenen van de potentiële wind ter plaatse van het meetstation naar de plek van de turbine. Deze berekening maakt gebruik van een down-scaling methode zoals beschreven in paragraaf 12.2. Om de terrein eigenschappen van de omgeving van de turbine in de berekening mee te kunnen nemen, moet de ruwheidsroos worden opgegeven. In een door de gebruiker te ECN-C--03-114
21
kiezen aantal sectoren moet de ruwheidsklasse van het aanstromingsgebied worden opgegeven. De gebruikte klassenindeling van Davenport kent acht ruwheidsklassen en is in de praktijk goed bruikbaar [Davenport 1960], [Wieringa, 1980]. In Tabel 1 is een terrein beschrijving te vinden van elk van de acht klassen. Figuur 4 toont ter illustratie een viertal landschappen met de bijbehorende ruwheidsklasse. Het symbool z0 staat voor de z.g. ruwheidslengte, hierop komen we uitgebreid terug in paragraaf 12.1. Ruwheidsklasse 1 – zee
z0 0,0002 m
2 – glad
0,005 m
3 – open
0,03 m
4 – ruwweg open
0,1 m
5 – ruw
0,25 m
6 – zeer ruw
0,5 m
7 – gesloten
1,0 m
8 – stadskern
≥2m
Omschrijving Open zee of plas, met een vrije strijklengte van tenminste 1 km (ongeacht de hoogte der eventuele golven) Landoppervlak zonder merkbare obstakels of begroeing. Bijvoorbeeld: wad, strand ijsvlakte, sneeuwlandschap zonder bomen. Vlak land met alleen oppervlakkige begroeiing (gras) en soms geringe obstakels. Bijvoorbeeld startbanen, weidelanden zonder windsingels, braakliggend bouwland. Bouwland met regelmatig laag gewas, of weideland met sloten die minder dan 20 slootbreedten van elkaar liggen. Verspreide obstakels (lage hekken, enkelvoudige rijen kale bomen, alleenliggende boerderijen) kunnen voorkomen op onderlinge afstanden van minstens 20 x hun eigen hoogte. Bouwland met afwisselend hoge en lage gewassen. Grote obstakels (rijen bebladerde bomen, lage boomgaarden enz.) met onderlinge afstanden van omstreeks 15 x hun hoogte. Wijngaarden, maaisvelden en dergelijke. Obstakelgroepen (grote boerenhofsteden, stukken bos e.d.) gescheiden door open ruimten van omstreeks 10 x de typische obstakelhoogte. Voorts verspreid struikgewas, jong dicht opeen geplant bos en boomgaardgebieden. Bodem regelmatig en volledig bedekt met6 vrij grote obstakels, met tussen gelegen ruimten niet groter dan een paar obstakelhoogten. Bijvoorbeeld grote bossen, laagbouw in dorpen en kleine steden. Centrum van grote stad met afwisselend laag- en hoogbouw. Ook: bossen met grote oude bomen en veel onregelmatige open pleken.
Tabel 1: Visuele beschrijving Davenport-ruwheidsklassen.
22
ECN-C--03-114
Figuur 4: Landschappen en bijbehorende ruwheidslengten. (a) Zeer open landschap – ruwheidsklasse 2 tot 3, zo ~ 0.01 – 0.03 m. (b) Tamelijk open landschap – ruwheidsklasse 3 tot 4, zo ~ 0,05 – 0,1 m. (c) Tamelijk ruw landschap – ruwheidsklasse 4 tot 5, zo ~ 0,2 m. (d) Zeer ruw landschap – ruwheidsklasse 6, zo ~ 0,4 m. Originele afbeeldingen uit [Peterson, 1981] aangepaste bijschriften overgenomen uit [Wieringa, 1983].
ECN-C--03-114
23
4.3.3 Berekenen vermogensreeks Voor het berekenen van het opbrengstpatroon van de turbine, resulterend uit berekende windpatroon, wordt gebruik gemaakt van de vermogenskarakteristiek van de betreffende turbine. De vermogenskarakteristiek legt het functionele verband tussen de windsnelheid en het geleverde vermogen vast. De vermogenskarakteristiek wordt doorgaans PV-curve genoemd, als afkorting van: “Power-Velocity Curve”. (Noot: in de context van zonneenergie staat de afkorting PV voor “photo-voltaïsch”.) Het berekenen van het opbrengstpatroon of de vermogensreeks gaat eenvoudig weg door voor iedere uurlijkse waarde van de windsnelheid ter plekke van de turbine met de PV-curve het vermogen te bepalen. 4.3.4 Selectie criteria Tot slot heeft de gebruiker de mogelijkheid deelreeksen te selecteren aan de hand van selectiecriteria. De mogelijkheden zijn hier: • Tijd van het jaar selectie: levert deelreeksen die een deel van het jaar beschrijven. Parameters: begin & eind datum. • Tijd van de dag selectie: levert deelreeksen die een deel van de dag beschrijven. Parameters: begin en eind tijdstip. • Extreme perioden: levert deelreeksen van perioden met veel of weinig productie. Parameters: drempelwaarde, groter/kleiner, minimale lengte van de deelreeks.
4.4
Implementatie
De Patroongenerator Windenergie is geïmplementeerd in Matlab (versie 6.5) in een tweetal versies: (1) een command-line prototype en (2) een geintegreerde versie met volledige grafische user interface. Voor de implementatie is zoveel mogelijk gebruik gemaakt van de standaard Matlab functionaliteit, zodat er geen uitgebreide set aan extra Matlab Toolboxen nodig is om het programma te draaien. Alleen de “Matlab Statistical Toolbox” is nodig (naast Matlab zelf) om de programma’s te draaien.
24
ECN-C--03-114
Figuur 5: Overzicht Grafische User Interface Patroongenerator Windenergie. Figuur 5 geeft een overzicht van de Grafische User Interface. Doormiddel van een overzichtelijke menustructuur kan de gebruiker de stappen zoals weergegeven in Figuur 6 doorlopen. In Figuur 6 tot en met Figuur 8 is (een deel van) de grafische uitvoer te zien van een generrator-run voor een fictieve windturbine in de kop van Noord Holland. De turbine is een Nedwind-53/55 en er is gebruik gemaakt van wind data over de maand november 2000.
ECN-C--03-114
25
Figuur 6: Polair frequentiediagram windrichting De Kooy in de maand november 2000, zoals weergegeven door de Wind-APG.
Figuur 7: Polair diagram gemiddelde windsterkte [m/s] voor De Kooy in de maand november 2000, zoals weergegeven door de Wind-APG.
26
ECN-C--03-114
Figuur 8: Windsnelheid en Opbrengst voor een Nedwind-53/55 turbine. Er is gebruik gemaakt van de winddata voor De Kooy over november 2000 en een arbitraire ruwheidsroos.
ECN-C--03-114
27
DEEL II: AANBODVOORSPELLER ZONNE-ENERGIE
5.
STATE OF THE ART – AANBODVOORSPELLING ZONNEENERGIE
Er is niet gebleken dat er al methoden zijn ontwikkeld om korte-termijn prognoses te maken van de elektriciteitsproductie uit foto-voltaïsche of thermische zonne-energie. Gezocht is in de gerenommeerde researchbladen op het gebied, zoals Solar Energy Journal, Solar Energy Engineering en Renewable Energy Journal. Een uitgebreid internetonderzoek leverde eveneens geen resultaten.
28
ECN-C--03-114
6.
ONDERZOCHTE METHODEN
6.1
Algemeen
De doelstelling van het onderzoek is het vinden of ontwikkelen van een methode voor het opstellen van de verwachte uurwaarden van de energieproductie van een PVsysteem voor de komende dag. De methoden die onderzocht zijn, zijn gebaseerd op instralingsverwachtingen (meteomethode), historische gegevens (persistentiemethode) en combinaties daarvan (combimethoden).
6.2
Meteomethode
Bij deze methode worden de volgende stappen onderscheiden: 1. Vaststellen van de verwachte uurwaarden van de globale (= totale) instraling in het horizontale vlak op een nabij gelegen weerstation 2. Vertaling naar de globale instraling in het horizontale vlak op de locatie van het PVsysteem 3. Berekening van de totale instraling in het arrayvlak van het PV systeem 4. Berekening van de elektriciteitsproductie van het PV-systeem Stap 1 wordt uitgevoerd door een meteorologisch instituut (bijvoorbeeld Meteo Consult), dagelijks om 6:00 h voor een periode van een etmaal. De door Meteo Consult gehanteerde methode staat beschreven in appendix 1. Stap 2 bestaat uit de veronderstelling dat de resultaten van stap 1 ook gelden voor de locatie van het PV-systeem. Stap 3 bestaat uit twee bewerkingen van de verwachte instraling ter plaatse van het PVsysteem. Allereerst wordt de diffuse component van de horizontale instraling berekend met een bestaand semi-empirisch model (bijvoorbeeld Liu en Jordan of Orgill en Hollands). Vervolgens wordt uit het directe en het diffuse deel van de instraling op het horizontale vlak de totale instraling op het arrayvlak berekend met een bestaand semiempirisch model (bijvoorbeeld Perez). Stap 4 wordt uitgevoerd met een van de bestaande simulatietools (bijvoorbeeld PVsyst). Hierin wordt rekening gehouden met de temperatuurverhoging van de panelen ten opzichte van de omgevingstemperatuur, met het rendement van het PV-array als functie van de instraling en temperatuur en met het rendement van de inverter als functie van het vermogen. De waarden van de omgevingstemperatuur kunnen verwachte waarden zijn of langjarig gemiddelde waarden voor het betreffende moment.
6.3
Vermogenspersistentie
Deze methode is gebaseerd op de veronderstelling dat de uurlijkse energieproductie van vandaag hetzelfde zal zijn als de energieproductie op de corresponderende uren van gisteren:
ECN-C--03-114
29
E(h)n = E(h)n-1 Hierin staat E(h)n voor de uurlijkse verdeling van de energieproductie van dag n. De cursief geschreven grootheid is de verwachte waarde en de vetgeschreven grootheid is verkregen uit waarnemingen. Hier zijn dus geen instralingsverwachtingen voor nodig en ook hoeft het rendement van het PV-systeem (inclusief veranderende effecten zoals beschaduwing of vervuiling) niet bekend te zijn. Het nadeel van deze methode is dat op geen enkele wijze rekening gehouden wordt met de weersverwachting.
6.4
Combi-methoden
Hierbij wordt de methode van vermogenspersistentie gecombineerd met onderdelen van de meteo-methode. Er zijn diverse algoritmes voor denkbaar, de volgende zijn onderzocht. • Combi1_V/M. Deze methode is gebaseerd op waarnemingen van de vorige dag en gebruikt de verwachte en de gemeten instraling op het horizontale vlak: E(h)n = E(h)n-1 * H(d)n / H(d)n-1. Hierin staat E(h)n weer voor de uurlijkse verdeling van de energieproductie en H(d)n voor het dagtotaal van de instraling op het horizontale vlak bij het weerstation, beide voor van dag n. De cursief geschreven grootheden zijn de verwachte waarden en de vetgeschreven grootheden zijn verkregen uit waarnemingen. • Combi1_V/V. Deze methode is gebaseerd op waarnemingen van de vorige dag en gebruikt de verwachte instraling op het horizontale vlak: E(h)n = E(h)n-1 * H(d)n / H(d)n-1 Het verschil met de vorige methode is dat nu niet de waargenomen instraling maar de verwachte instraling van de vorige dag gebruikt wordt. Het voordeel is dat er geen instraling gemeten hoeft te worden. • Combi3_V/M. Deze methode is gebaseerd op waarnemingen van de drie vorige dagen en gebruikt de verwachte en de gemeten instraling op het horizontale vlak: E(h)n = (E(h)n-1 + E(h)n-2 + E(h)n-3) * H(d)n / (H(d)n-1 + H(d)n-2 +H(d)n-3) De invloed van kortdurende variaties, die ongecorreleerd zijn van dag tot dag, wordt hiermee verkleind. • Combi3_V/V. Deze methode is gebaseerd op waarnemingen van de drie vorige dagen en gebruikt de verwachte instraling op het horizontale vlak: E(h)n = (E(h)n-1 + E(h)n-2 + E(h)n-3) * H(d)n / (H(d)n-1 + H(d)n-2 +H(d)n-3)
30
ECN-C--03-114
7.
TOETSING VAN DE METHODEN
7.1
Meteo-methode
7.1.1 Stap 1: Voorspelling op locatie weerstation Voor het kwantificeren van de onzekerheid in de verwachte uurwaarden van de globale instraling in het horizontale vlak op een nabij gelegen weerstation zijn verwachtingen en waarnemingen nodig voor een en dezelfde locatie. Helaas zijn deze gegevens (nog) niet beschikbaar. Als alternatief zijn waarnemingen te Petten vergeleken met verwachtingen voor Den Helder en IJmuiden. De waarnemingen van de globale instraling te Petten zijn verkregen uit metingen met een horizontaal opgestelde pyranometer op het dak van het DE-gebouw van ECN. Bij deze metingen worden de gemiddelde waarden van aaneengesloten 10-minuten periodes opgeslagen. De bijbehorende tijdstippen zijn uitgedrukt in MEZT (= Greenwich Mean Time +1 h in de winter en GMT +2 h in de zomer) en zijn gedefinieerd aan het einde van de bijbehorende 10-minuten periode. De 10-minuten perioden zijn niet gesynchroniseerd met de gehele uren. De uurlijkse instralingswaarden zijn bepaald door de 6 waarden die in het betreffende uur zijn opgeslagen te sommeren. De meetonzekerheid van de instraling te Petten is ongeveer 3 % van de gemeten waarde. In de periode van 1 oktober 2000 tot 1 oktober 2001 heeft Meteo Consult dagelijks om 06:00 h de verwachting van de globale instraling opgesteld voor de locatie Den Helder en ook voor de locatie IJmuiden voor de volgende 18 uren. Meteo Consult hanteert daarbij ook de MEZT tijdsdefinitie. De verwachtingen van Den Helder en IJmuiden zijn afzonderlijk vergeleken met de metingen te Petten en dit is ook gedaan voor de gemiddelden van de verwachte uurwaarden van Den Helder en IJmuiden. De positieve en de negatieve verschillen tussen de uurwaarden van de verwachte instraling en de gemeten instraling zijn gescheiden gesommeerd tot de totale overschatting respectievelijk onderschatting van de instraling. De maandwaarden van deze overschattingen en onderschattingen en ook van de gemeten en verwachte instraling zijn gegeven in de figuren 1a, 1b en 1c. De bijbehorende jaarwaarden staan in Tabel 2.
ECN-C--03-114
31
Gemete n KWh/m 2 1110
Verwacht (kWh/m2) Den H IJM Gemid
1001
1008
1004
Overschat (kWh/m2) Den H IJM Gemid
158
159
157
Onderschat (kWh/m2) Den H IJM Gemid
281
274
276
Tabel 2: Vergelijking van de gemeten instraling te Petten met de verwachte instraling voor Den Helder, IJmuiden en het gemiddelde daarvan (gebaseerd op alle uurwaarden in de periode 1/10/2000 - 1/10/2001)
7.1.2 Stap 2: Vertaling Horizontale Instraling naar Arrayvlak Voor het kwantificeren van de onzekerheid in stap 2 zijn gelijktijdige waarnemingen nodig van uurlijkse instralingswaarden op verschillende locaties. Hiervoor zijn de KNMI-waarnemingen gebruikt van de weerstations in De Bilt, Vlissingen, Berkhout (nabij Hoorn) en Eelde en de metingen te Petten, verkregen uit metingen met een horizontaal opgestelde pyranometer op het dak van het DE-gebouw van ECN. De KNMI-gegevens zijn gerelateerd aan de Greenwich Mean Time. De ECN gegevens zijn ook aangepast naar deze tijddefinitie. De positieve en de negatieve verschillen tussen de uurwaarden van Vlissingen, Berkhout, Eelde en Petten enerzijds en De Bilt anderzijds zijn gescheiden gesommeerd. De maandwaarden van deze totalen en ook van de gemeten instralingswaarden zijn gegeven in de figuren 2a, 2b en 2c. De bijbehorende jaarwaarden staan in Tabel 3. Bij de KNMI-gegevens ontbreekt een dag in augustus 2001 en bij de ECN-gegevens ontbreekt een dag in maart 2001. Hiervoor is niet gecorrigeerd. Daarnaast ontbreken bij de ECN-gegevens nog ongeveer zes dagen in februari. Daarom zijn van februari geen resultaten voor Petten opgenomen in de figuren. Voor de berekening van de jaartotalen in de tabel zijn de resultaten van Petten voor februari vervangen door die van Berkhout. Uit de resultaten blijkt dat de aanname dat de instralingswaarden in De Bilt gelijk zouden zijn aan die in de overige locaties aanleiding geven tot grote afwijkingen. De daardoor geïntroduceerde onzekerheden in stap 2 zijn van dezelfde ordegrootte als die in stap 1. Het is daarom nodig om de verwachting van de instraling op te stellen voor een locatie die zo dicht mogelijk bij het PV-systeem gelegen is. Instraling (kWh/m2) Bilt Vlis Berk Eel Pet 989 1057 1045 980 1127
Totaal > De Bilt (kWh/m2) Vlis Berk Eel Pet 213 170 161 247
Totaal < De Bilt (kWh/m2) Vlis Berk Eel Pet 145 114 170 99
Tabel 3: Vergelijking van de gemeten instraling in De Bilt met de gemeten instraling in Vlissingen, Berkhout Eelde en Petten (gebaseerd op alle uurwaarden in de periode 1/11/2000 - 1/11/2001)
7.1.3 Stap 3: Berekening Totale Instraling Arrayvlak Om de onzekerheid van stap 3 te kwantificeren dient de instraling in het arrayvlak van een PV-systeem berekend te worden uit de instraling op het horizontale vlak om deze 32
ECN-C--03-114
vervolgens te vergelijken met de gemeten instraling op het arrayvlak. Hiervoor zijn meetgegevens gebruikt die verkregen zijn uit metingen met twee horizontaal opgestelde pyranometers op het dak van het DE-gebouw van ECN, waarvan één voorzien van een schaduwring, en een verticaal opgestelde pyranometer op de west gevel van datzelfde gebouw. De meetgegevens van de horizontaal opgestelde pyranometers zijn gebruikt om de instraling op de west gevel te berekenen en te vergelijken met de meetwaarden van de verticaal opgestelde pyranometer. Hierbij zijn twee berekeningswijzen gevolgd: • met uitsluitend de globale instraling op het horizontale vlak (Ho), • idem plus de gemeten diffuse component (Ho, Do). Beide berekeningen zijn uitgevoerd met het programma PVSYST (http://www.unige.ch/gap-e/PVsyst/PVsyst.html). De positieve en de negatieve verschillen tussen de berekende en de gemeten uurwaarden van de instraling op de westgevel zijn gescheiden gesommeerd. De maandwaarden van deze totalen en ook van de berekende en gemeten instralingswaarden zijn gegeven in de figuren 3a, 3b en 3c. De bijbehorende jaarwaarden staan in Tabel 4. De gegevens van de figuren en tabel hebben betrekking op het jaar 1999, in tegenstelling tot de gegevens van de vorige paragrafen. Instraling op westgevel (kWh/m2) Meet Uit Ho Uit Ho, Do 682 654 670
Overschatting (kWh/m2) Uit Ho Uit Ho, Do 35 39
Onderschatting (kWh/m2) Uit Ho Uit Ho, Do 63 51
Tabel 4: Vergelijking van de berekende en gemeten instraling op de westgevel van een ECN-gebouw (gebaseerd op alle uurwaarden in de periode 1/1/2000 1/1/2001) Uit de figuren en tabel blijkt dat het gebruik van de gemeten waarden van de diffuse instraling op het horizontale vlak nauwelijks of geen toegevoegde waarde heeft boven het berekenen ervan. Verder blijkt dat de onzekerheid van stap 3 klein is in vergelijking met de onzekerheid van stap 1. 7.1.4 Stap 4: Berekening Elektriciteitsproductie De onzekerheid in stap 4 wordt veroorzaakt door de onzekerheid in de modellering van de PV-systemen. Het betreft hier onder andere de onbekendheid van spectrale effecten, vervuiling, rendementscurven van de componenten en niet-lineaire effecten. Om de onzekerheid van stap 4 te kwantificeren dient de opbrengst van een PV-systeem berekend te worden uit de uurwaarden van de instraling op het arrayvlak en dient dit vervolgens vergeleken te worden met de gemeten opbrengstwaarden. Verwacht wordt dat de onzekerheid in stap 4 belangrijk kleiner is dan de onzekerheid in stap 1. Daarom is de onzekerheid in stap 4 niet gekwantificeerd.
7.2
Vermogenspersistentie en combi-methoden
In deze paragraaf wordt de betrouwbaarheid van de vermogenspersistentie en de combimethoden vergeleken met die van de meteo-methode. Om de vergelijking zo eenvoudig mogelijk te maken zijn de persistentie- en combi-methoden niet toegepast op het
ECN-C--03-114
33
vermogen van een PV-systeem maar op het resultaat van stap 1 van de meteo-methode: de horizontale instraling ter plaatse van het PV-systeem. De verwachte instraling van Den Helder en IJmuiden zijn gemiddeld zoals beschreven in paragraaf 1. Deze data zijn samen met de waarnemingen van de horizontale instraling (van de voorgaande één of drie dagen) te Petten gebruikt om de verwachte horizontale instralingsverdeling voor elke dag op te stellen. De positieve en de negatieve verschillen tussen de berekende en de gemeten uurwaarden van de instraling op het horizontale vlak zijn gescheiden gesommeerd. De jaartotalen staan in Tabel 5. Uit Tabel 5 blijkt dat de onderlinge verschillen tussen de verschillende methodes niet erg groot zijn. De twee combimethoden die gebaseerd zijn op een waarnemingsperiode van 3 dagen presteren het beste. De maandwaarden van deze twee combimethoden staan samen met die van de meteo- en persistentiemethode in de figuren 4a, 4b en 4c. kWh/m2=> Meting Meteo Persistentie Combi1_v/m Combi1_v/v Combi3_v/m Combi3_v/v
Instraling 1110 1004 1109 994 1143 996 1115
Overschatting 157 243 145 250 122 188
Onderschatting 276 243 264 217 242 180
Onder+Oversch. 433 486 409 467 364 368
Tabel 5: Vergelijking van de resultaten van de verschillende methoden voor de verwachting van de instraling op het horizontale vlak te Petten; Periode 1/10/2000 - 1/10/2001.
34
ECN-C--03-114
8.
ZON: CONCLUSIES EN AANBEVELINGEN
Conclusies: • Bij het gebruik van de meteo-methode voor het opstellen van de verwachting van de uurlijkse dagpatronen van de energieproductie van een PV-systeem wordt de onzekerheid gedomineerd door de onzekerheid van het verwachte uurpatroon van de horizontale instraling nabij het PV-systeem. • De persistentiemethode presteert niet heel veel slechter dan de meteo-methode. • De beste resultaten zijn verkregen door het toepassen van een methode waarbij de meteo- en persistentiemethoden gecombineerd worden. Hierbij worden de gemiddelde dagpatronen van de energieproductie over de afgelopen dagen gebruikt als verwachting van het relatieve dagpatroon van de energieproductie voor de te voorspellen dag. De normering naar het absolute dagpatroon wordt uitgevoerd met behulp van de verwachte (of gemeten) dagintegralen van de instraling van de afgelopen dagen en de verwachte dagintegraal van de te voorspellen dag. Aanbevelingen: • In deze studie zijn instralingsverwachtingen van twee naburige weerstations gebruikt met een tijdresolutie van een uur. Aanbevolen wordt om het onderzoek te herhalen met verwachte instralingswaarden op een fijnmazig raster over Nederland en met een tijdresolutie van 15 minuten. • In deze studie is uitgegaan van instralingsverwachtingen die opgesteld zijn om 06.00 h van elke dag. Uit hoofdstuk 9 blijkt dat de verwachtingswaarden betrouwbaarder zijn als ze enkele uren na zonsopgang zijn opgesteld. Daarom wordt aanbevolen om het onderzoek te herhalen met verwachtingswaarden die opgesteld zijn om 06.00 h en (bijvoorbeeld) 10.00h. • Voor het geval dat de instralingsverwachting met hogere tijd- en geografische resolutie geen of weinig verbetering geeft in de verwachtingswaarden van de energieproductie is het wenselijk om verfijningen in de persistentiemethode te onderzoeken, zonder het gebruik van instralingsverwachtingen.
ECN-C--03-114
35
36
ECN-C--03-114
ECN-C--03-114
37
Instraling op het horizontale vlak 200 meting Den Helder IJmuiden gemiddeld
Instraling, Ho (kWh/m2)
180 160 140 120 100 80 60 40 20 0 oct
dec
feb
apr
jun
aug
jun
aug
Overschatting 50 45
Den Helder IJmuiden gemiddeld
Som (kWh/m2)
40 35 30 25 20 15 10 5 0 oct
dec
feb
apr
Onderschatting 50 45
Den Helder IJmuiden gemiddeld
Som (kWh/m2)
40 35 30 25 20 15 10 5 0 oct
nov
dec
jan
feb
mar
apr
may
jun
jul
aug
sep
Figuur 9: a, b en c: Vergelijking van de instraling te Petten met verwachtingen voor Den Helder en IJmuiden (zie bij Tabel 2).
38
ECN-C--03-114
ECN-C--03-114
39
Instraling op het horizontale vlak
Instraling, Ho (kWh/m2)
200
De Bilt
180
Vlissingen
160
Berkhout Eelde
140
Petten
120 100 80 60 40 20 0 Nov-00
Jan-01
Mar-01
May-01
Jul-01
Sep-01
Jul-01
Sep-01
Jul-01
Sep-01
Uurwaarden > De Bilt 50 Vlissingen
45
Berkhout
40
Eelde
Som (kWh/m2)
35
Petten
30 25 20 15 10 5 0 Nov-00
Jan-01
May-01
Uurwaarden < De Bilt
50 Vlissingen Berkhout
45 40
Eelde Petten
35 Som (kWh/m2)
Mar-01
30 25 20 15 10 5 0 Nov-00
Jan-01
Mar-01
May-01
Figuur 10:a, b en c: Vergelijking tussen gemeten instralingen op verschillende locaties in Nederland (zie Tabel 3). 40
ECN-C--03-114
ECN-C--03-114
41
Instraling op de westgevel 120 gemeten uit Ho uit Ho,Do
Instraling, Hi (kWh/m2)
100 80 60 40 20 0 Jan
Feb
Mar
Apr
May
Jun
Jul
Aug
Sep
Oct
Nov
Dec
Sep
Oct
Nov
Dec
Sep
Oct
Nov
Dec
overschatting 10 9 uit Ho uit Ho,Do
8 7 6 5 4 3 2 1 0 Jan
Feb
Mar
Apr
May
Jun
Jul
Aug
onderschatting 10 9 uit Ho uit Ho,Do
8 7 6 5 4 3 2 1 0 Jan
42
Feb
Mar
Apr
May
Jun
Jul
Aug
ECN-C--03-114
Figuur 11:a, b en c: Vergelijking tussen gemeten en berekende instraling op de westgevel van een gebouw te Petten (zie Tabel 4).
ECN-C--03-114
43
44
ECN-C--03-114
Instraling op het horizontale vlak 200 180
Instraling, Ho (kWh/m2)
160 140
meting meteo persistentie combi3v/m combi3v/v
120 100 80 60 40 20 0 Oct-00 Nov-00 Dec-00 Jan-01 Feb-01 Mar-01 Apr-01 May-01 Jun-01
Jul-01
Aug-01 Sep-01
Overschatting 50 45
Som (kWh/m2)
40 35
meteo persistentie combi3v/m combi3v/v
30 25 20 15 10 5 0 Oct-00 Nov-00 Dec-00 Jan-01 Feb-01 Mar-01
Apr-01 May-01 Jun-01
Jul-01
Aug-01 Sep-01
Jul-01
Aug-01 Sep-01
Onderschatting 50 45 40
Som (kWh/m2)
35
meteo persistentie combi3v/m combi3v/v
30 25 20 15 10 5 0 Oct-00 Nov-00 Dec-00 Jan-01
ECN-C--03-114
Feb-01 Mar-01
Apr-01 May-01 Jun-01
45
Figuur 12: a, b en c: Vergelijking tussen de resultaten van vier verwachtingsmethoden voor de dagpatronen van de instraling op het horizontale vlak te Petten (zie Tabel 5).
9.
STRALINGSVERWACHTING (APPENDIX)
Dr. W.D. van den Berg; Meteo Consult De stralingsbalans nabij het aardoppervlak bestaat uit twee componenten: de langgolvige (warmte)straling en de kortgolvige straling. De langgolvige straling die de aarde vanuit de atmosfeer ontvangt is meestal kleiner dan de langgolvige straling die de aarde uitzendt: de aarde is gemiddeld warmer dan de atmosfeer. Dit komt doordat het aardoppervlak (overdag) veel kortgolvige straling, afkomstig van de zon, absorbeert. De geabsorbeerde straling leidt niet alleen tot een stijging van de temperatuur van het aardoppervlak. De warmte wordt op een efficiënte manier uitgewisseld met de luchtlagen boven het aardoppervlak: de temperatuur stijgt. Daarnaast wordt de stralingsenergie ook gebruikt voor de uitwisseling van latente warmte: er vindt verdamping plaats. De inkomende kortgolvige straling is daarmee de drijvende kracht van de warmtehuishouding van het systeem aarde/atmosfeer. Wanneer we spreken over stralingsverwachtingen bedoelen we een verwachting voor de totale hoeveelheid kortgolvige straling die op een horizontaal vlak binnenkomt. In de meteorologie noemen we dit de globale straling. Deze straling is er ook als het bewolkt is: door de wolken heen valt, afhankelijk van de stralingsdoorlatendheid van de wolkenlaag, zogenoemde diffuse straling. De belangrijkste component van de globale straling is echter de directe straling, de straling dus die licht en schaduw geeft. Hoe wordt nu die stralingsverwachting gemaakt? Natuurlijk begint de verwachting met een nauwkeurige formule voor de hoeveelheid straling die de aarde zou kunnen bereiken indien het volkomen helder was. In zulke formules komen termen voor als tijdstip van zonsopkomst en zonsondergang, zonshoogte. Daarna komt het moeilijkste gedeelte: het effect van de bewolking. De globale straling neemt ongeveer kwadratisch af met de hoeveelheid bewolking, de bedekkingsgraad. Bij 6/8 bedekkingsgraad bereikt nog maar ongeveer de helft van de straling, voor een flink deel als diffuse straling, het aardoppervlak; bij 8/8 bedekkingsgraad is nog maar 10-25% van de straling over en deze is dan uiteraard alleen nog maar diffuus. In de zomer is dit overigens nog best een flinke hoeveelheid, namelijk 50-75 J/cm2 per uur: we merken dit bijvoorbeeld doordat het op een regenachtige middag toch warm wordt in de (geparkeerde) auto. Maar wat is nu 6/8 of 8/8 bedekking? Telt een dikke laag witte hoge bewolking net zo mee als een dikke laag regenwolken? Nee, door de hoge bewolking valt veel meer straling. En als bij een hoge zonnestand 6/8 van de hemel met stapelwolken bedekt is, zal de zon toch regelmatig fel vanuit een blauwe plek schijnen terwijl dezelfde bedekkingsgraad in de winter bijna geen directe zonnestraling toelaat tengevolge van het coulisseneffect: de lage wolken schuiven nabij de horizon schijnbaar voor elkaar. En bij 6/8 bewolking die voornamelijk in het oosten (in het binnenland) zit, kan de zon in de middaguren (langs de kust, zoals bij Petten) nog heel goed schijnen! De meteoroloog probeert al deze effecten zo goed mogelijk in te schatten door te werken met twee wolkenverwachtingen tegelijk: de totale bedekkingsgraad en de 46
ECN-C--03-114
doorschijnendheid van deze bewolking. De combinatie van deze twee wolkengetallen levert dan de zogenoemde effectieve bedekkingsgraad op en deze bepaalt de hoeveelheid straling in de verwachting. Daarbij wordt de effectieve bedekkingsgraad ook nog gecorrigeerd voor neerslag: bij regen of buien is de bewolking immers dikker (er zijn vaak meer wolkenlagen tegelijk aanwezig) dan bij droog weer. De meteoroloog baseert zijn verwachting op berekeningen (en statistische uitvoer, zogenoemde MOS of Model Output Statistics) van atmosfeermodellen, maar daarnaast zijn ook de satellietwaarnemingen van groot belang. Bij Meteo Consult zijn de berekeningen van het ECMWF, het Europese weercentrum te Reading, de belangrijkste bron; daarbij wordt de op het ECMWF gebaseerde verwachting bijgesteld als er (nieuwere) berekeningen binnenkomen van andere modellen zoals dat van de Duitse weerdienst. Van belang hierbij is nog, dat een atmosfeermodel wel goed is in het verwachten van grootschalige en dikke bewolking, maar nauwelijks in staat is om de gecompliceerde en sterk wisselende hoeveelheden lage bewolking te beschrijven. De MOS, die op basis van metingen en modelverwachtingen in het verleden een verwachting geeft, is hierbij behulpzaam maar de actuele waarnemingen zijn een nog belangrijker bron om de (lage) bewolkingsverwachting te actualiseren. Dit bijstellen van de verwachting gebeurt handmatig door de meteoroloog, maar ook automatische aanpassingen vinden plaats. Bij deze automatische aanpassingen wordt middels MOS technieken de nieuwe waarneming gekoppeld aan de aanwezige modelinformatie. De automatische aanpassing wordt, afhankelijk van de tijd van meting, gedaan voor een periode tot maximaal 24 uur vooruit. De grootste aanpassing in de verwachting is aanwezig voor de eerste 3 uren. Van belangrijke automatische aanpassingen krijgt de meteoroloog een waarschuwing, zodat hij de aangepaste verwachting eventueel nog weer kan corrigeren: wanneer immers de waarneming wijst op 8/8 bewolking maar de meteoroloog ziet dat het gaat om een kleinschalige bui, dan is de automatische aanpassing van de verwachting natuurlijk niet representatief. Van belang is, dat het 's nachts minder eenvoudig is een bewolkingsverwachting te maken dan overdag: zowel de waarneming met het oog als vanuit de satelliet levert 's nachts een minder betrouwbare schatting van de effectiviteit en hoeveelheid bewolking op. Bovendien verandert de bewolkingsgraad in de eerste uren na zonsopkomst soms drastisch: lage mistbewolking kan oplossen en plaatsmaken voor een vrij zonnig weerbeeld, een heldere ochtend kan als het warm genoeg wordt ineens gevolgd worden door een flink met stapelwolken gevulde lucht. De bewolkingsverwachting, zoals die aan het einde van de nacht uitgegeven wordt (bijvoorbeeld om 06u MEZT), zal in de loop van de ochtend dus nog regelmatig aanpassing vragen. Omdat de koppeling aan waarnemingen zo belangrijk is, worden de verwachtingen ook vooral gemaakt voor plaatsen waar een bewolkingswaarneming beschikbaar is. In Nederland gaat het dan om 15-20 stations. Temperatuur- en windmetingen zijn er wel van 40-45 stations. Voor die stations waarvoor er geen bewolkingswaarneming aanwezig is (dit zijn er dus ongeveer 25), wordt middels interpolatie toch een bewolkingsverwachting gemaakt. Tenslotte volgt dan nog de toedeling van de verwachting naar de exacte locatie van de klant: middels een postcodekoppeling krijgt de locatie een verwachtingsstation toegewezen dat meteorologisch gezien voor die plaats het meest kenmerkend is. Voor het ECN is dat De Kooy (bij Den Helder).
ECN-C--03-114
47
DEEL III: AANBODVOORSPELLER WINDENERGIE
10.
STATE OF THE ART – AANBODVOORSPELLING WINDENERGIE
10.1
Inleiding
In het buitenland, met name Denemarken en Duitsland, zijn methoden ontwikkeld waarmee prognoses voor windenergieproductie gemaakt kunnen worden. De meeste komen neer op het afleiden van verwachtingen van windenergieproductie uit prognoses van windsnelheid en -richting zoals die gemaakt zijn door meteorologische instituten. De windprognoses zelf zijn zonder uitzondering afkomstig van atmosfeermodellen. Historische en actuele productiewaarnemingen kunnen gebruikt worden om de verwachtingen te verbeteren. In het algemeen bestaat zo'n methode uit vier sub-methoden. Deze zorgen voor het vertalen van een roosterpuntwindverwachting naar een lokale windverwachting, het in rekening brengen van turbine- en parkkarakteristieken, en het corrigeren van systematische fouten. Sommige van de ontwikkelde systemen zijn gedemonstreerd op test cases, andere zijn volledig operationeel. De methoden die gedemonstreerd of operationeel zijn (geweest) vormen de eerste generatie. Dit zijn Prediktor en WPPT uit Denemarken, de methoden van ISET en van Oldenburg/Magdeburg uit Duitsland, en eWind uit de Verenigde Staten. Grootste ontwikkeling vindt op dit moment plaats in Denemarken waar men werkt aan een tweede-generatie systeem: Zephyr.
10.2
Methodiek versus voorspelhorizon
Windvermogen prognosemethoden zijn afhankelijk van de voorspelhorizon waarover de methoden goed presteren in te delen in drie modelfamilies:
Persistentie model: ook wel naïeve voorspeller genoemd. Eén van de simpelste voorspellingsmethoden waarbij de voorspelling voor alle tijd vooruit gelijk wordt genomen aan de waarde op het huidige moment. Meteorologisch gebaseerd model: de windvermogenvoorspeller heeft uitvoer uit een atmosfeermodel als invoer (plus eventueel aanvullende lokale metingen). Klimatologisch model: de windvermogenvoorspeller heeft klimatologische gegevens als invoer.
De drie modelfamilies presteren ieder het best over een specifieke voorspelhorizon (zie Tabel 6). Persistentie modellen worden typisch gebruikt voor de zeer korte termijn (enkele minuten tot enkele uren vooruit). Op een termijn van ongeveer 4 uur verliest de persistentie methode zijn nauwkeurigheid, doordat de autocorrelatie van de windsnelheid sterk afneemt [Giebel, 2001].
48
ECN-C--03-114
Op een termijn van een dag tot een week vooruit wordt de hoogste nauwkeurigheid verkregen door toepassing van meteorologisch voorspellingen. Deze modelfamilie heeft typisch de uitvoer van een atmosfeermodel als invoer en kan dus worden gezien als een post-processor van het meteorologisch model: de meteorologische voorspelling wordt omgewerkt naar een vermogensvoorspelling. Op de lange termijn (vanaf een week vooruit) neemt de voorspelbaarheid van het weer af en blijven alleen klimatologische gegevens over om uitspraken te doen over de te verwachten opbrengst van een bepaalde windturbine op een bepaalde plaats. Dit type prognoses wordt typisch gebruikt voor lange-termijn opbrengst prognoses b.v. bij planning van nieuwe windparken. Deze modelfamilie valt buiten de scope van dit rapport. Het zwaartepunt van de behandeling van voorspelling van windvermogen ligt in dit rapport bij de meteorologisch gebaseerde modellen. De reden hiervan is, dat de technieken voor voorspelling op de zeer-korte termijn inmiddels zijn uitontwikkeld en eenvoudig zijn toe te passen. Op de toepassing van deze (persistentie) modellen komen we terug in hoofdstuk 11.
Persitentie Meteo Klimatologie
Kwartier vooruit x
Uur vooruit x
Dag vooruit
Week vooruit
Jaar vooruit
Decade vooruit
X
x x
x
x
Tabel 6: Drie modelfamilies met hun eigen voorspelhorizon.
10.3
Overzicht windvermogen prognosemethoden
Windvermogen prognosemethoden kunnen worden ingedeeld in twee soorten: de fysische methoden en de statistische methoden. Deze paragraaf geeft een beschrijving van deze twee soorten, een uitleg van de rol van atmosfeermodellen, en de voor- en nadelen van de fysische en de statistische methoden. 10.3.1 Beschrijving van de fysische en de statistische methode Een windprognose is de verwachting van de windsnelheid en -richting op een toekomstig tijdstip. Uitgaande van zo'n windprognose moet de windenergieprognose worden opgesteld: de verwachte elektriciteitsproductie van een turbine of park. Voor het maken van de windenergieprognose zijn er twee essentieel verschillende manieren: de fysische en de statistische. De fysische methode bestaat uit een aantal sub-modellen die gezamenlijk zorgen voor de vertaling van de windverwachting in een roosterpunt naar de energieverwachting voor een windturbine of windpark. Elk sub-model bevat een wiskundige beschrijving van een natuurkundig proces dat relevant is voor deze vertaling. Voorbeelden van submodellen zijn die voor het in rekening brengen van het effect van ruwheid en stabiliteit op de windsnelheid, en van het effect van zoggen op windturbines in parkconfiguratie. Kennis van alle relevante processen is dus een vereiste voor een zuiver fysische methode. De statistische methode bestaat ook uit sub-modellen voor de vertaling van roosterpuntwindverwachting naar lokale energieverwachting, maar nu gebaseerd op
ECN-C--03-114
49
wiskundige beschrijvingen. De wiskundige beschrijvingen zijn schatters voor de relevante variabelen. Omdat de parameters in de schatters geen universele waarde hebben, moeten de parameterwaarden uit waarnemingen worden afgeleid. Dit kan met bijvoorbeeld recursieve kleinste kwadraten schatting of een neuraal netwerk. Voor een zuiver statistische methode is het dus nodig om te beschikken over continue waarnemingen om de parameterwaarden actueel te houden. In de praktijk komen zowel de fysische als de statistische methode niet in zuivere vorm voor. Zo heeft een fysische methode in het algemeen ook een statistisch sub-model om systematische correcties aan te kunnen brengen. En een statistische methode wordt in het algemeen ook gevoed met informatie uit een atmosfeermodel. 10.3.2 De rol van atmosfeermodellen Meteorologische instituten gebruiken bij het opstellen van weersverwachtingen op korte en iets langere termijn atmosfeermodellen. Dit zijn numerieke benaderingen van de natuurkundige beschrijving van de toekomstige toestand van de atmosfeer boven een deel van het aardoppervlak, die regelmatig met behulp van supercomputers uitgerekend worden. Elke berekening start met een zo actueel mogelijke begintoestand op basis van waarnemingen. Het rekenresultaat is de waarde van enkele grootheden per roosterpunt en voor een aantal stappen vooruit in de tijd. Om een aantal redenen geven de modellen een benadering van de werkelijkheid. Ten eerste zijn niet alle atmosferische processen in een model vertegenwoordigd. Daarnaast kan de begintoestand van een berekening onzuiver zijn, en zijn de rekenuitkomsten alleen beschikbaar voor discrete punten in de ruimte (zowel horizontaal als verticaal) en de tijd. Tenslotte verouderen de beginwaarden met het voortgaan van de tijd. Door deze beperkingen zijn atmosfeermodellen alleen hulpmiddel bij het opstellen van weersverwachtingen. (Atmosfeermodellen zijn overigens niet het enige hulpmiddel omdat er ook andere prognosemethoden bestaan.) Er zijn vele atmosfeermodellen, variërend van academisch onderzoeksobject tot volledig operationeel instrument. De modellen verschillen behalve in de aard van de modellering (bijvoorbeeld natuurkundige processen of numerieke schema's) in een aantal uiterlijk herkenbare punten. Dit zijn de tijdhorizon (van enkele uren tot enkele dagen vooruit), het domein (van een gebied van enkele tienduizenden vierkante kilometers tot ruim de helft van het aardoppervlak), de horizontale resolutie (van een tot ruim honderd kilometer) en de tijdstap (van een tot enkele uren). Een van die vele atmosfeermodellen is het High Resolution Limited Area Model (Hirlam) dat in Europa in gebruik is. Het is overigens beter om te spreken van `een' in plaats van `het' Hirlam omdat dit model in verschillende versies voorkomt. Deze versies worden door verscheidene nationale instituten onderhouden zodat er naast Nederlandse (KNMI) ook bijvoorbeeld Deense (DMI) en Finse (FMI) versies zijn. Naast operationele versies kent elk instituut versies die pre-operationeel of semi-operationeel zijn, alsmede versies die voor onderzoek worden gebruikt. Voor het maken van weersverwachtingen tot 48 uur vooruit heeft het KNMI een Hirlam operationeel met een horizontale roosterpuntafstand van 22 km (55 km tot het voorjaar van 2002). Daarnaast is een Hirlam operationeel voor verwachtingen tot 24 uur vooruit op het gedetailleerder rooster van 11 km. Hogere resolutie versies zijn beschikbaar voor onderzoeksdoeleinden. In alle gevallen gaat het om uurlijkse of drie-uurlijkse prognosewaarden.
50
ECN-C--03-114
Voor commerciële toepassing van gegevens uit het KNMI Hirlam dient een gebruiker zich te wenden tot een van de zogenaamde Service Providers, of zelf de rol van Service Provider aan te nemen. 10.3.3 Voor- en nadelen van de twee soorten methoden De fysische en de statistische methode hebben specifieke voordelen en nadelen. Deze zijn samengevat in Tabel 7. De fysische methoden hebben als voordeel dat deze aanpasbaar en overdraagbaar zijn. Het aanpassingsvermogen bestaat er uit dat diverse invloedsfactoren, zoals de omgevingsruwheid of de vermogenscurve, invoer voor de methode zijn en dus naar wens of noodzaak kunnen worden gewijzigd. Dit betekent dat de methode naar een andere locatie kan worden overgedragen door de invoerelementen te veranderen. De methode zelf blijft gelijk. Nadelen Voordelen
Fysisch Bewerkingstijd Regelmaat Aanpasbaar Overdraagbaar
Statistisch Meetgegevens Locatiegebonden Detaillering Zelfreinigend
Tabel 7: Voor- en nadelen van de fysische en de statistische methoden. De nadelen van de fysische methoden zijn de lange bewerkingstijd en de vaste regelmaat waarmee de verwachtingen afkomen. Deze eigenschappen volgen direct uit het voeden van de methoden met uitvoer van een atmosfeermodel. Er gaan namelijk enkele uren heen tussen het moment van initialisatie en het moment dat de uitvoer bij de gebruiker is afgeleverd. Daarnaast draait het atmosfeermodel slechts enkele keren per dag; afhankelijk van het model is dit twee, vier of acht keer. De voordelen van de statistische methoden bestaan uit de grote mate van detaillering en het zelfreinigend karakter. Deze eigenschappen volgen direct uit het gebruik van schatters voor de relevante processen. Hierdoor zijn invloeden als richtingsafhankelijkheid of prognoseleeftijd goed gerepresenteerd. Daarnaast passen de parameters in de schatters zich aan veranderende situaties aan, zoals bij een verandering van turbine-eigenschappen of van omgevingsinvloeden. De statistische methoden hebben als nadeel dat deze meetgegevens nodig hebben en locatiegebonden zijn. Dit is een gevolg van het gebruik van schatters voor de beschrijving van de relevante processen. De schatters passen namelijk hun parameters aan door een correlatie tussen realisaties en verwachtingen. Een bijkomend nadeel is dat er enige tijd heengaat voordat de schatters zijn geoptimaliseerd. Het gevolg van de afhankelijkheid van gemeten gegevens is dat schatters die optimaal zijn voor een locatie, dat in het algemeen niet zijn voor een andere locatie.
10.4
De eerste generatie Windaanbodvoorspellers
10.4.1 Prediktor Risø National Laboratory heeft het voorspellingssysteem Prediktor operationeel sinds 1 januari 1997. Het systeem wordt gebruikt door Elkraft (DK), en vanaf de zomer van het
ECN-C--03-114
51
jaar 2000 ook door EPRI (US), ESB (IR) en Ciemat (SP). De typische toepassing is lokaal, dus voor een solitaire windturbine of een enkel windpark. De Prediktor-methode gebruikt gegevens van een atmosfeermodel (voor Denemarken het HIgh-Resolution Limited Area Model HIRLAM afkomstig van het DMI) als invoer en geeft lokale energieproductie als uitvoer. Sub-systemen zijn een WaSP en twee MOS-modulen om lokale invloeden in rekening te brengen en systematische fouten te corrigeren. Daarnaast brengt de PARK-module windparkeffecten in rekening. De methode gebruikt voor het grootste deel fysische en voor het overige deel statistische modellering. Typische spreiding in een etmaalprognose is 10% rond de gemiddelde elektriciteitsproductie, waarbij het gemiddelde juist is. Tenminste 80% van de fouten is te wijten aan het atmosfeermodel. Prediktor vereist een Unix of Linux-computer die met het internet is verbonden. Het kan met of zonder WaSP worden aangeschaft. Indien men WaSP al heeft kost de licentie EUR 13.600. Voor dit bedrag ontvangt men zonodig hulp bij het installeren. 10.4.2 WPPT Institute for Mathematical Modelling van de Danish Technological University DTU heeft het voorspellingssysteem Wind Power Prediction Tool WPPT operationeel sinds 1995. Dit systeem bestaat uit een numeriek en een presentatie deel. Het wordt on-line gebruikt door Elsam (DK), Eltra (DK) en Seas (DK); een off-line versie is aan SEP (NL) verkocht. Naast gegevens van een atmosfeermodel (windsnelheid en -richting, of drukgradiënt; voor Denemarken afkomstig van een DMI HIRLAM) heeft deze methode gemeten productie als invoer nodig. Uitvoer is lokale of regionale elektriciteitsproductie, dus voor een enkel of meerdere windparken. De sub-systemen zijn volledig statistisch. In de loop van de tijd is een aantal versies uitgebracht, elk met een betere prestatie dan de voorgaande. De verbetering bestond elke keer uit een aanpassing van de schatters. Het WPPT is te koop voor installatie op een Linux PC. Afhankelijk van een lokale of een regionale toepassing kost de licentie EUR 17.000 respectievelijk EUR 25.000. Behalve het systeem krijgt men een training van een dag, beperkte hulp bij de installatie, en een half jaar hot-line ondersteuning. Men krijgt geen updates. Voor turnkey installaties kan Tech-wise (voorheen Elsamprojekt) zorgen. 10.4.3 ISET-methode Institut für Solare Energieversorgungstechnik ISET heeft een systeem operationeel dat de totale productie van alle in Duitsland aanwezige windenergieproductie-eenheden schat uit on-line metingen van enkele geselecteerde eenheden. Men heeft dit systeem uitgebreid tot een voorspellingssysteem, wat door Preussen Elektra is gedemonstreerd. Dit voorspellingssysteem correleert meteorologische voorspellingen van DWD tot voorspellingen van elektriciteitsproductie voor de geselecteerde eenheden. Het originele systeem leidt hieruit de productie voor alle eenheden af. De gehele verwachtingsmethode is statistisch. Het systeem is in 2002 als dienst voor E.ON Energy operationeel geworden. 10.4.4 Previento Universität Oldenburg en Fachhochschule Magdeburg hebben de methode Previento gemaakt. Deze gebruikt invoergegevens vanuit het Deutschlandmodell van DWD. 52
ECN-C--03-114
(Sinds eind 1999 komen deze gegevens uit het Lokalmodell.) De uitvoer is lokale elektriciteitsproductie. Er zijn drie sub-systemen die achtereenvolgens horizontale verfijning, turbine- en parkinvloeden, en systematische correcties in rekening brengen. Het grootste deel van de modellering is fysisch, een klein deel statistisch. De methode is gebruikt in case studies, onder meer om regionale prognoses te maken en de invloed van verschillende atmosfeermodellen te onderzoeken. 10.4.5 eWind TrueWind Solutions heeft het systeem eWind ontwikkeld. Dit systeem gebruikt gegevens van een - voor Amerikaanse begrippen regionaal - atmosfeermodel als invoer en geeft lokale energieproductie als uitvoer. Er zijn drie sub-systemen. Deze brengen lokale invloeden in rekening, corrigeren systematische fouten in de windprognoses, en bepalen de turbine- of parkproductie. Het sub-systeem dat de lokale prognoses maakt is het ForeWind model. Dit programma is een gestripte versie van het meso-schaalmodel MASS. De eWind-methode gebruikt voor het grootste deel fysische en voor het overige statistische modellering. De eWind Interface is het onderdeel van het systeem dat de gebruiker op de eigen PC installeert. ForeWind is semi-operationeel in de zin dat het on-line wordt geëvalueerd tegen andere modellen waaronder MASS en MM5. Het systeem eWind is operationeel bij onder meer Southern California Edison en zal operationeel worden op meer plaatsen in het kader van het evaluatieprogramma onder leiding van EPRI. Het systeem is niet te koop maar wordt als dienst tegen betaling aangeboden.
10.5
Tweede-generatie: Zephyr
De strijd tussen de voorstanders van de fysische en de statistische aanpak wordt in Denemarken voortgezet in een gezamenlijk project: Zephyr. De reden is dat beide manieren specifieke voordelen hebben. Dit project heeft als doel het ontwikkelen van een korte-termijn prognose systeem door Risø National Laboratory en Danish Technological University gezamenlijk, met de Deense elektriciteitsbedrijven op de achtergrond. Het systeem Zephyr moet geschikt zijn voor zowel korte als langere termijn voorspelling. Voor perioden van een tot negen uur vooruit maakt het gebruik van gegevens uit een atmosfeermodel en van on-line metingen, voor perioden tussen 24 en 36 uur vooruit alleen van atmosfeermodeluitvoer. Volgens informatie van Risø is Zephyr bij het uitkomen van dit rapport operationeel.
10.6
Situatie in de Verenigde Staten
Zoals uit het voorgaande blijkt heeft Europa op het gebied van korte-termijn windenergieprognoses een voorsprong op de Verenigde Staten. Dit ondanks dat men in een vroeg stadium, begin jaren negentig, gestart is met het verzamelen van de wensen van de betrokkenen en het opstellen van windprognoses. De uitkomst van de inventarisatie was dat er sterke overeenstemming is over drie concepten: 1) De relevante tijdsperiode is "de volgende dag", 2) Het is van belang voor productie-eenheden vanaf de MegaWatt-klasse, 3) Onzekerheid behoort uitgedrukt te worden in een productie-interval.
ECN-C--03-114
53
Daarnaast waren er drie concepten met grote consensus: 1) De verwachting dient een indicatie van de betrouwbaarheid te bevatten, 2) Als de onzekerheid groot is moet de verwachting conservatief zijn, 3) De tijdsperiode dient naast de volgende ook dezelfde dag te omvatten. Vervolgens heeft men de methode van Risø (die toen nog niet Prediktor heette) toegepast op twee test cases in Iowa uit de periode 1994 tot 1996. Als invoer werden historische gegevens uit het Nested Grid Model van NCAR gebruikt, de uitvoer bestond uit windsnelheid en -richting met intervallen van 6 uur tot 48 uur vooruit. De overeenkomst tussen de gerealiseerde en de voorspelde wind was matig, waarbij het verschil toeneemt met het tijdsverloop. Een verklaring hiervoor is de grote afstand tussen de roosterpunten van het NGM, waardoor er een slechte correlatie is tussen grootheden in de roosterpunten en die in de locatie van een test site. Daarnaast heeft het Wind Research Cooperative van Oregon State University vanaf 1991 een aantal case studies in Pacific Northwest uitgevoerd die tot doel hadden het voorspellen van wind(niet: windenergie). Verschillende methoden werden gebruikt om uit atmosfeermodeluitvoer windprognoses af te leiden, waaronder Model Output Statistics-technieken en het Advanced Regional Prediction System. Huidige activiteiten zijn gericht op het leveren van real-time prognoses op basis van roosterpuntverwachtingen, en het verbeteren van Model Output Adjustment procedures. Tenslotte is er vanaf 1999 een grootschalig Wind Energy Forecasting Project onder leiding van EPRI in samenwerking met NREL en DOE. Doel van dit project is het ontwikkelen, bedrijven en evalueren van voorspellingssystemen. Een expliciet sub-doel is het overhalen van Europese technologie op dit gebied. Drie systemen worden parallel onder de loep genomen: eWind van TrueWind Solutions, Prediktor van Risø National Laboratory, en de methode van Weather Service International. De grote test cases liggen in Texas (1) en California (4), een kleinere in Minnesota.
10.7
Infobox
10.7.1 Prediktor site: www.prediktor.dk contact: Lars Landberg email:
[email protected] referentie: Proceedings 1999 EWEC, pp. 1086-1089
10.7.2 WPPT site: -contact: Henrik Madsen email:
[email protected] referentie: Proceedings 1999 EWEC, pp. 1066-1069
54
ECN-C--03-114
10.7.3 ISET-methode site: www.uni-kassel.de; page: online supervision and prediction ... contact: Kurt Rohrig email:
[email protected] referentie: Proceedings 33th IEA Expert Meeting (2000), pp. 117-119 10.7.4 Previento site: www.physik.uni-oldenburg.de/ehf/wind/predict contact: Hans-Peter Waldl email:
[email protected] referentie: Proceedings 1999 EWEC, pp. 1070-1073 10.7.5 eWind site: www.truewind.com contact: Bruce Bailey email:
[email protected] referentie: Proceedings 1999 EWEC, pp. 1062-1065 10.7.6 Zephyr site: -contact: Lars Landberg, Henrik Madsen email:
[email protected],
[email protected] referentie: Tagungsband DEWEK 2000, pp. 158-161
10.8
Tot Slot
Ondanks dat van alle besproken voorspellers wetenschappelijke artikelen beschikbaar zijn, zijn performance gegevens vrijwel niet voor handen. Geen van de partijen hebben performance maten zoals verdelingscurven van de voorspelfout gepubliceerd, zodat een objectieve vergelijking van de methoden niet mogelijk is. Wel is duidelijk dat elk van de methoden één of meer van de volgende hiaten heeft: ¾ De nauwkeurigheid van de windenergieprognoses is matig. ¾ De nauwkeurigheid van de windsnelheidsprognoses is onvoldoende. ¾ De prognoses zijn voor uurlijkse waarden. ¾ De maat voor de onzekerheid in de prognoses ontbreekt. ¾ De invloed van thermische instabiliteit wordt niet meegenomen. Voor de inzetbaarheid van een aanbodvoorspeller t.b.v. intelligente energieregelsystemen in de bebouwde omgeving en in de Nederlandse situatie zullen deze hiaten een probleem vormen. Om een voorspelling van het aanbod duurzame energie als beslisparameter in een dergelijk regelsysteem te gebruiken zal de nauwkeurigheid ervan goed moeten zijn en
ECN-C--03-114
55
de tijdsresolutie klein genoeg. (Noot: de gewenste nauwkeurigheid voor deze toepassing zal onderwerp moeten zijn van vervolgonderzoek en valt buiten de scope van dit project). Een belangrijke ontwikkeling in de intelligente regeltechniek is het omgaan met onzekerheid. Een maat voor de onzekerheid in de prognoses zal een belangrijke extra beslisparameter zijn voor het regelsysteem. De invloed van de luchttemperatuur en met name de thermische stabiliteit is in het Nederlandse land/zee klimaat een belangrijke invloed op de (lokaal) optredende wind. Voor de Nederlandse situatie wordt verwacht dat het meenemen van deze invloed de nauwkeurigheid van de voorspelling ten goede zal komen.
56
ECN-C--03-114
11.
WINDVERMOGENVOORSPELLING VIA PERSITENTIE
11.1
Persistentie
Het persistentie model voor het voorspellen van windvermogen is als modelfamilie reeds geïntroduceerd in paragraaf 10.2. Het model geeft als voorspelling voor alle tijd vooruit de waarde op het huidige moment: ~ p (t 0 + k ) = p (t 0 ) , waarbij ~ p het voorspeld vermogen is, t0 de huidige tijd en k de tijdstap. Autocorrelatie studies laten zien dat na een periode van ongeveer 4 uur de nauwkeurigheid van de persistentie methode meer en meer wordt bepaald door random processen. Na 48 uur is de correlatie vrijwel helemaal verdwenen en is de voorspelling zo goed als random [Nielsen, 1998], [Giebel, 2001].
11.2
Verbeteringen aan het persistentiemodel
Een andere vorm van naïeve voorspelling is het vast voorspellen van het langlopend (of klimatologisch) gemiddelde (µ) van de te voorspellen grootheid. Zonder gebruik van enig andere informatie dat de historische tijdreeks van de te voorspellen grootheid zelf, levert dit voor de langere tijdshorizon de beste voorspelling. In [Giebel, 2001] wordt een overzicht gegeven van verbetering van de korte-termijn voorspelling van het persitentiemodel door gebruik van technieken uit de tijdreeksanalyse (zoals kalman filters en neurale netwerken). Via deze aanpak wordt typisch een 10% verbetering van de root mean square (RMS) voorspelfout t.o.v. de persistentie methode bereikt. Giebel beargumenteert dat in veel gevallen deze verbetering verklaard kan worden uit het meenemen van een term voor het (lopende) gemiddelde van de tijdreeks. Het model gepresenteerd in [Nielsen, 1998] realiseert de bovenbeschreven procentuele verbetering op een wiskundig elegante manier. Het model gedraagt zich voor de zeerkorte-termijn voorspelling als persistentie en voor de lange termijn als het reeksgemiddelde. Voor de tussenliggende horizonlengten worden beide methoden gewogen: ~ p (t 0 + k ) = a k p (t 0 ) + (1 − a k ) µ De wegingsfactor ak is de autocorrelatie van de tijdreeks p genormaliseerd zodanig dat ak gelijk is aan nul voor k=0 en naderend aan 1 voor grote k:
ak =
ECN-C--03-114
1 N
N −k
)
∑ p pˆ t =1 N −k
1 N
t
)
∑p t =1
t +k 2
t
57
met pˆ t = pt − µ . Hierdoor correspondeert de waarde van a met die waarde die de RMS voorspelfout van het model minimaliseert. Omdat de autocorrelatie van een wind(vermogens)reeks varieert over de seizoenen, blijkt het aan te bevelen voor ieder van de vier seizoenen een aparte wegingsreeks ak vast te stellen.
58
ECN-C--03-114
12.
WINDVERMOGENVOORSPELLINGSMETHODE VAN ECN
12.1
Waarom een methode van ECN?
Uit de literatuurstudie in de eerste fase van het project kwam naar voren dat een aantal methoden beschikbaar is: WPPT, Prediktor, ISET-methode, Previento, en eWind. Uit deze studie bleek ook dat elk van deze bestaande methoden een of meer hiaten heeft, die opgelost moeten worden voordat zo’n methode in de Nederlandse markt opgenomen zal kunnen worden. Omdat geen van deze hiaten onoplosbaar is, lag het voor de hand een bestaande methode te adopteren en toe te spitsen op de Nederlandse situatie. Helaas bleek echter dat ECN geen licentie op een van de bestaande methoden kon krijgen (Alleen de Universität Oldenburg was bereid via een Intentieverklaring enkele schaduwberekeningen met Previento uit te voeren). Om de tweede sub-doelstelling van het project te kunnen realiseren zat er niets anders op dan zelf een methode te maken. De mogelijkheid om zelf een methode te maken leverde het voordeel op dat deze vanaf het begin kon worden toegespitst op de Nederlandse situatie en vanuit het gecombineerde perspectief van gebruik in de gebouwde omgeving en gebruik voor programmaverantwoordelijkheid (zie voor dat laatste paragraaf 1.1.2, we gaan hier niet verder op dat onderwerp in). Deze situatie wordt in vier punten gekarakteriseerd: ¾ Het gebruik voor intelligente regeling van (duurzame) energiesystemen in de gebouwde omgeving vereist de volgende technische specificatie: ¾ voorspelhorizon tot 36 uur vooruit, ¾ tijdstap van 1 uur, indien mogelijk korter, en ¾ een maat voor de onzekerheid in de voorspelling. ¾ Het systeem moet direct na de ingebruikname van een integraal, gebouwgebonden energiesysteem actief kunnen zijn, wat betekent dat: ¾ statistische methoden geen dominerende rol kunnen spelen, en ¾ detaillering van een combinatie van fysica en meteorologie moet komen. ¾ De lopende ontwikkelingen op het gebied van: weermodellen en met name het Hirlam, bij het KNMI en de Service Providers, alsmede ruwheidscartografie met als doel gedetailleerde windprognoses op tien meter hoogte te maken, bij het KNMI. ¾ De invloed van de temperatuur op het dagelijkse windvermogenaanbod, hetgeen behandeling van de stabiliteit en van de dichtheid nodig maakt.
12.2
Overzicht ECN methode
In Figuur 13 is de door ECN ontwikkelde Aanbodvoorspeller Windenergie (wAV) schematisch weergegeven.
ECN-C--03-114
59
Figuur 13:Blokdiagram Windenergie Aanbodvoorspeller Het uitgangspunt voor de door de wAV berekende verwachtingen is modeluitvoer van het High Resolution Limited Area Model (HiRLAM) van het KNMI. Dit model berekent vier keer per dag de waarde van een aantal grootheden op een betrekkelijk grofmazig rooster en tot achtenveertig uur vooruit. ECN ontvangt voor ontwikkelingsdoeleinden dagelijks HiRLAM uitvoer van een deelgebied dat Nederland omvat (KNMI Overeenkomst 2001/265). Verdere informatie over het HiRLAM is te vinden op de website van het KNMI. De eerste processingstap van de wAV rekent voor een specifieke turbine(park) de uurlijkse waarden op de omliggende gridpunten om naar kwartierwaarden en naar de plaats van de turbine, op de ashoogte. Dit gebeurt voor de windsnelheid, de windrichting, de temperatuur en de luchtdruk.
60
ECN-C--03-114
Figuur 14:Berekeningsgebied van het KNMI HiRLAM. Het berekeningsgebied omvat het hele gebied dat bepalend is voor het weer in Nederland: van de noordpool tot de Azoren en van Newfoundland tot de Oeral. Merk op dat dit voor een meteoroloog een ‘Limited Area Model’ is. Transformaties binnen een roostercel en binnen de tijdseenheid op een gegeven modelniveau gaan via geometrische interpolatieschema's. Om invloeden van de locale terreinruwheden ter plekke van de gridpunten de ruimtelijke transformaties niet te laten verstoren, worden de parameters eerst d.m.v. een zogenaamde upscaling methode omhoog getransformeerd tot boven de atmosferische grenslaag. De grenslaag is de onderste luchtlaag waar de wrijving tussen de lucht en het land- of zeeoppervlak de windsnelheid beïnvloedt. Na horizontale interpolatie naar de plek van de turbine worden de parameters met een downscaling methode getransformeerd naar de ashoogte. De transformaties in de verticaal zijn voor de luchtdruk gebaseerd op de barometrische hoogteformule, voor de windsnelheid en temperatuur op Businger-Dyer profielen. De
ECN-C--03-114
61
variatie in gemiddelde windsnelheid u met de hoogte z kan worden gerepresenteerd door een logaritmische relatie: u( z) =
u* z ln k z0
Waarbij de u* de wrijvingssnelheid is, z0 de ruwheidslengte van het oppervlak en k de Von Karman constante. De wrijvingssnelheid is een maat voor de schuifspanning aan het aardoppervlak. De ruwheidslengte is een maat voor de ruwheid van het aardoppervlak (zie paragraaf 4.3.2 voor een nadere uiteenzetting). Deze relatie is alleen geldig in geval van een neutrale grenslaag, d.w.z. zonder verticale warmte stroming. Bij een opwaartse warmte stroom wordt de turbulente menging versterkt, waardoor de grenslaag dikker wordt. Bij een neerwaartse warmte stroom geldt een verzwakking van de turbulente menging, met een dunnere grenslaag tot gevolg. Bij een niet-neutrale stabiliteit moet het logaritmische profiel aangepast worden, gebruikmakend van de Monin-Obukhov theorie over temperatuurstabiliteit in de atmosfeer. Gebruikmakend van deze theorie kan de logaritmische relatie worden omgewerkt tot de Businger-Dyer vergelijking: u( z) =
u∗ k
z z ln − ψ M z 0 L
waarin L de Obukhov lengte is, een maat voor de stabiliteit, en ψM de z.g. stabiliteitscorrectiefunctie. Een gelijkvormige vergelijking is er op te stellen voor het temperatuurverloop in de grenslaag. Voor een meer diepgaande behandeling van deze onderwerpen verwijzen we naar de bronnenlijst achterin. De windsnelheid en wind richting op ashoogte van de turbine wordt omgerekend naar vermogen m.b.v. de vermogenskarakteristiek van de turbine (ook wel PV-curve genoemd). Zie ook paragraaf 4.3.3. Vervolgens kan optioneel doormiddel van een model output statistiek (MOS) module worden ontdaan van systematische fouten. Hiervoor is als extra invoer nodig: ¾ windsnelheid en windrichting; gemeten op ashoogte en per interval van vijf minuten, en ¾ vermogen; gemeten per interval van vijf minuten. Beide als reeks over een langere tijd. Deze wind- en vermogensgegevens zijn dus niet noodzakelijk voor de werking van de voorspeller maar wel aanbevolen om systematische fouten te kunnen verwijderen. De windgegevens komen van de windmast van de windturbine of het windturbinepark (indien aanwezig), terwijl het turbinevermogen moet worden gemeten. De uitvoer van de voorspeller bestaat uit: ¾ Windsnelheid en windrichting, temperatuur en dichtheid; op ashoogte en per vijftien minuten interval tot 48 uur vooruit. ¾ Vermogen; per vijftien minuten interval tot 48 uur vooruit. Verwachte waarde plus een marge voor de verwachting.
62
ECN-C--03-114
Deze uitvoer wordt geleverd in tabelvorm, vergezeld van een aanduiding voor de datum en tijdstip waar de verwachting voor geldt. Overgangen van zomer- naar wintertijd, en omgekeerd, worden goed afgehandeld.
12.3
Meerwaarde van de methode van ECN
De meerwaarde van de windvermogenvoorspeller van het ECN is dat deze specifiek is gemaakt om te werken binnen de Nederlandse situatie. Deze situatie is uniek door de meteorologische omstandigheden en de beoogde toepassingsgebieden. Waar is dat aan te merken? ¾ De achterliggende meteorologische prognoses zijn de beste die in Nederland met deze voorspelhorizon commercieel verkrijgbaar zijn. ¾ Lokale verfijningen worden in de prognoses aangebracht om het windvermogen op elke locatie goed in te schatten. ¾ Windparkeffecten worden in rekening gebracht via richtingsafhankelijke vermogenskrommen. ¾ Een interval duidt de onzekerheid rond de verwachte waarde aan. ¾ De prognoses gelden per tijdseenheid van een kwartier. ¾ Afhankelijk van de wens van de gebruiker kunnen de prognoses voor meerdere aansluitingen afzonderlijk dan wel over alle aansluitingen geaccumuleerd worden afgegeven. ¾ De methode werkt ook zonder gemeten windsnelheid of windvermogen.
13.
TEST CASE: WINDMEETMAST PETTEN
13.1
Beschrijving van de locatie Petten
ECN-C--03-114
63
Figuur 15: Luchtfoto ECN terrein in Petten De locatie Petten ligt op de land/zee-overgang zo'n twee kilometer ten noorden van het plaatsje Petten in de kop van Noord Holland. Op de luchtfoto van het ECN-terrein (Figuur 15) is de meetmast te zien als een smal streepje linksonder de windturbine (zie ook de onderstaande detailfiguur). De luchtfoto maakt duidelijk dat de locatie meteorologisch complex is: behalve de al genoemde land/zee-overgang en de windturbine zijn er de gebouwde omgeving en het geaccidenteerde terrein. Een aantal andere foto's (Figuur 17 t/m Figuur 20) laten zien hoe het stroomopwaartse terrein er uitziet bij verschillende windrichtingen. Bedenk dat deze foto's genomen zijn vanaf ooghoogte circa tien meter ten oosten van de mastvoet. De meetmast wordt beheerd door het ECN en is ingericht door Mierij Meteo.
64
ECN-C--03-114
Figuur 16: Detail luchtfoto ECN terrein in Petten. De windmeetmast is te zien als een lichtgrijze streep links in de foto.
Figuur 17: Terrein richting het Noorden.
ECN-C--03-114
65
Figuur 18: Terrein richting het Oosten.
Figuur 19: Terrein richting het Zuiden.
66
ECN-C--03-114
Figuur 20: Terrein richting het Westen.
13.2
Windverwachtingen voor de locatie Petten
De voorspeller genereert voor de locatie Petten op drie hoogten de verwachting voor de windsnelheid, de windrichting, de temperatuur en de luchtdruk. Elke verwachting loopt in stappen van een kwartier tot achtenveertig uur na het moment van opstellen. De tijdseenheid is Universal Time, die in de winter één en in de zomer twee uur achterloopt op de lokale tijd. De windsnelheid is uitgedrukt in meter per seconde en de windrichting in graden ten opzichte van het geografische noorden. De temperatuur is weergegeven in graden Celsius en de luchtdruk in hectopascal. De drie hoogten zijn tien, tweeëndertig en vijftig meter; dit zijn de hoogten waar zich sensoren bevinden aan de meetmast die staat op het terrein van het ECN in Petten. Elke verwachte waarde is maatgevend voor het tienminutengemiddelde. Dit laatste omdat de Beaufort-waarde van de windsnelheid is gedefinieerd als een gemiddelde is over tien minuten. Op de website http://www.ecn.nl/avde is de meest recente verwachting, die dus geldt voor circa anderhalve dag vooruit, te zien. Verder zijn er historische verwachtingen beschikbaar vanaf medio juni 2001. Bijzondere dagen zijn 9 november 2001 (grote afwisseling in windsnelheden), 28 december 2001 en 26 februari 2002 (stormen).
13.3
Nauwkeurigheid van de windverwachtingen voor de locatie Petten
Een indicatie voor de nauwkeurigheid van de verwachtingen is de verdeling van het verschil tussen de waargenomen en de verwachte waarde. Aansluitend bij de terminologie in de elektriciteitswereld heet dit verschil de onbalans; een meteorologisch synoniem is voorspelfout. De verdeling geeft de kans dat de onbalans kleiner is dan een opgegeven waarde. Door twee waarden op te geven berekent men de kans dat de voorspelfout ligt in het interval tussen die twee waarden.
ECN-C--03-114
67
Drie figuren (laten de verdeling van de onbalans in de windsnelheid zien voor waarnemingen en voorspellingen in de periode van medio juni 2001 tot begin juni 2002. Figuur 21 is voor de standaard meteorologische hoogte van tien meter, de andere twee (Figuur 22 en Figuur 23) voor de hoogten van tweeëndertig en vijftig meter die voor windenergie van belang zijn. Elke figuur bevat drie verdelingen: die voor nul uur, achttien uur en tweeënveertig uur vooruit. De verdeling voor nul uur vooruit geeft een referentie voor de nauwkeurigheid die maximaal haalbaar is, maar heeft geen praktische waarde omdat deze nooit beschikbaar is. De andere twee verdelingen omvatten de periode van het volgende etmaal, zoals die tegen het eind van de ochtend beschikbaar is.
Figuur 21: Voorspelfout Windsnelheid, Windmeetmast Petten, 10 meter
68
ECN-C--03-114
Figuur 22: Voorspelfout Windsnelheid, Windmeetmast Petten, 32 meter
Figuur 23: Voorspelfout Windsnelheid, Windmeetmast Petten, 50 meter
ECN-C--03-114
69
De figuren laten zien dat in circa eenderde van de gevallen het verschil tussen de waargenomen en de verwachte windsnelheid minder dan een meter per seconde is. Uit de ligging van de medianen volgt dat de verwachtingen voor de drie hoogten enigszins onzuiver zijn. Verder blijkt dat de nauwkeurigheid afneemt met de voorspelhorizon.
14.
TEST CASE: EEN WINDTURBINE NABIJ MEDEMBLIK
14.1
Beschrijving van de locatie Medemblik
De locatie Medemblik ligt in de Wieringermeer op de land/water-overgang ongeveer een kilometer ten noorden van het plaatsje Medemblik. De locatie is meteorologisch complex door de al genoemde land/water-overgang, de bomenrijen op circa honderd meter ten oosten van de windturbine, en de gebouwde omgeving in het zuiden. De windturbine, een NedWind 53/55, heeft een ashoogte van 52 meter en een rotordiameter van 55 meter. Het geïnstalleerd vermogen is een megawatt. De meetmast bevindt zich ongeveer negentig meter ten westen van de windturbine; op 52 meter hoogte worden de windsnelheid en de windrichting gemeten. De windturbine en de meetmast worden beheerd door WEOM in Veenendaal. Vier foto's (Figuur 24 t/m Figuur 27) laten zien hoe het stroomopwaartse terrein er uitziet bij verschillende windrichtingen. Bedenk dat deze foto's genomen zijn vanaf ooghoogte circa tien meter ten zuidwesten van de windturbine. Daarnaast toont de overzichtsfoto in Figuur 28 de windturbine en de meetmast. Deze foto is genomen vanuit zuidelijke richting.
Figuur 24: Terrein rond de turbine bij Medemblik richting het noorden.
70
ECN-C--03-114
Figuur 25: Terrein rond de turbine bij Medemblik richting het oosten.
Figuur 26: Terrein rond de turbine bij Medemblik richting het zuiden.
ECN-C--03-114
71
Figuur 27: Terrein rond de turbine bij Medemblik richting het westen.
Figuur 28: Overzichtsfoto van de turbine en windmeetmast bij Medemblik. 72
ECN-C--03-114
14.2
Vermogensverwachtingen voor de locatie Medemblik
Uitgaande van de uitvoer van het High Resolution Limited Area Model (HiRLAM) die berekent ECN de verwachte waarden voor de windsnelheid, de windrichting, de temperatuur en de luchtdruk. De methode is analoog aan die gebruikt voor de locatie Petten, met dien verstande dat de coördinaten, de hoogte, de ruwheidskaart en de verplaatsingshoogten gelden voor de locatie Medemblik. Ter illustratie toont Figuur 29 de ruwheidskaart van de omgeving, zoals ontleend aan het Hydra-project van het KNMI, en een andere figuur de ruwheidsroos zoals door ECN afgeleid uit de ruwheidskaart. De windturbine staat in het centrum van de ruwheidskaart, waarvan de relatieve coördinaten in eenheden van honderd meter zijn.
Figuur 29: Ruwheidskaart van de omgeving van de turbine bij Medemblik. De ruwheidslengte in de kaart en in de roos is uitgedrukt in meter. (Zie voor een toelichting van het begrip ruwheidslengte de paragrafen 4.3.2 en 12.2). In de roos zijn drie verschillende voor de windturbine karakteristieke stroomopwaartse ruwheden te herkennen afhankelijk van aanstroming over het IJsselmeer, over het plaatsje Medemblik of over het akkerland.
ECN-C--03-114
73
Figuur 30:Ruwheidsroos van de omgeving van de turbine bij Medemblik. Uit de verwachte windsnelheid, windrichting, temperatuur en luchtdruk berekent ECN de drie waarden die tesamen de vermogensprognose vormen: de ondergrens, de verwachting en de bovengrens. Essentiële tussenstappen daarbij zijn de dichtheid van de lucht (berekend uit de temperatuur en de luchtdruk), de gemeten vermogenscurve (samengesteld uit vermogen, windsnelheid en windrichting), de correlatie tussen werkelijke en verwachte windsnelheid, en de correlatie tussen werkelijk en verwacht vermogen. De voorbeelden laten een vermogenscurve alsmede windsnelheids- en vermogenscorrelaties zien.
74
ECN-C--03-114
Figuur 31: Correlatie tussen de verwachting en de waarneming van de windsnelheid op 52 meter hoogte voor het praktijkvoorbeeld Medemblik. De punten met de marges kwamen tot stand na middelen van de verwachtingen tegen de waarnemingen. Een rechte geeft de beste lineaire fit
Figuur 32: Idem als Figuur 31 maar dan voor het vermogen van de turbine. De vermogenscurve bevat het 95% betrouwbaarheidsinterval voor het vermogen voor de gegeven sector zoals dat uit metingen in de voorafgaande twee jaren is bepaald. Dit interval is opgebouwd uit drie waarden: de ondergrens, de verwachtingswaarde, en de
ECN-C--03-114
75
bovengrens. De windsnelheidscorrelatie geeft behalve de parameters voor de uitvoerstatistiek ook de grootte van het betrouwbaarheidsinterval voor de windsnelheidsverwachting. Die grootte geeft de maat voor de betrouwbaarheid van de windsnelheidsverwachting in de vorm van de ondergrens, de verwachtingswaarde en de bovengrens voor de windsnelheid. Het beschikbaar hebben van een maat voor de onzekerheid is een inherent voordeel van het toepassen van een gemeten vermogenscurve. Het nadeel is evenwel dat pas na enige tijd vermogensprognoses kunnen worden afgegeven omdat wind op locatie moet worden gemeten.
14.3
Nauwkeurigheid van de vermogensverwachtingen Medemblik
Een indicatie voor de nauwkeurigheid van de verwachtingen is de verdeling van de onbalans. Deze onbalans is het verschil tussen het werkelijke en het verwachte vermogen. De verdeling geeft de kans dat de onbalans kleiner dan een opgegeven waarde is. Door twee waarden op te geven berekent men de kans dat de onbalans in het interval tussen die twee waarden ligt. Elke figuur bevat drie verdelingen, namelijk die met vermogensverwachtingen op basis van de ondergrens, de verwachtingswaarde, en de bovengrens.
Figuur 33: Verdeling van de onbalans voor het praktijkvoorbeeld Medemblik. Blauw: de ondergrens; Zwart: de verwachte waarde; Rood: de bovengrens.
76
ECN-C--03-114
15.
VERGELIJKINGEN VOORSPELMETHODEN WINDENERGIE
In een deel-studie zijn drie methoden voor het voorspellen van een periode van één etmaal met elkaar vergeleken gebruik makend van het praktijkvoorbeeld van Medemblik. De drie beschouwde methoden zijn: ¾ Een vaste waarde voor het vermogen. ¾ De ECN methode gevoed met afzonderlijk de HiRLAM run 00, 06, 12 of 18 van het voorgaande etmaal. ¾ De ECN methode met een voortgaande aanpassing aan de hand van de meest recente HiRLAM run. Deze studie is uitgevoerd en gerapporteerd door St. Drenan [Saint Drenan 2002]. De beschouwde periode is 10 juni 2001 tot en met 30 april 2002. De windgegevens (van de bijstaande meetmast) en de vermogensgegevens uit de periode van 10 juni 2001 tot en met 30 september 2001 zijn gebruikt om de systematische fouten te minimaliseren tussen de verwachtingen en de waarnemingen. Als eenvoudige prognose manier is gekozen voor een vaste waarde voor het vermogen. Deze methode is gekozen boven de persistentiemethode omdat deze beter bleek te presteren als de voorspelhorizon langer wordt dan enkele uren. Beschouwd zijn vaste waarden van 10%, 20%, 40% en 60% van het geïnstalleerde vermogen. Van deze waarden resulteerden de vaste waarden van 10% en 20% in het laagste volume aan onbalans, met waarden die elkaar niet veel ontlopen.
Figuur 34: Bruikbare HIRLAM runs voor het voorspellen van een etmaalproductie. Voor de tweede methode is onderzocht welke run de beste etmaal voorspelling levert. Omdat elke zes uur een nieuwe prognosereeks verschijnt, is er vier keer per dag een verwachting die het volgende etmaal omvat (zie Figuur 34). Men zou nu verwachten dat de meest recente prognose (run 18) de meest nauwkeurige zou zijn en dus de kleinste hoeveelheid onbalans zou opleveren. Dit blijkt niet het geval te zijn (Figuur 35): de run 12, die om 12 uur UT is geïnitialiseerd, geeft over de beschouwde periode de kleinste hoeveelheid geaccumuleerde onbalans.
ECN-C--03-114
77
Figuur 35: De geaccumuleerde hoeveelheid onbalans zoals ontstaan uit prognoses op basis van de runs 00, 06, 12, 18 van de vorige dag [Saint Drenan 2002]. De onderlinge vergelijking van de drie methoden (vaste waarde, run 12, en meest recente run) voor het realiseren van een etmaal voorspelling is te zien in Figuur 36. Uit deze figuur blijkt dat gebruikmaken van de 12 uur run ook beter presteert dan de meest recente, dus om de 6 uur ververste, run gebruiken als invoer voor de ECN Aanbodvoorspeller. Deze uitkomst is onverwacht en verassend. Een mogelijke verklaring kan liggen in een betere initialisatie van het KNMI HIRLAM model voor de 12 uur run. Verder maakt de studie duidelijk dat ruwweg voor elke 3 kilowattuur windstroom er 1 kilowatt onbalans overblijft indien de ECN methode wordt gebruikt.
78
ECN-C--03-114
Figuur 36: De geaccumuleerde hoeveelheid onbalans zoals ontstaan uit prognoses op basis van de HIRLAM run 12 van de vorige dag (zwart), de meest recente HIRLAM run (blauw) en een constante waarde van 20% van het geïnstalleerd vermogen. [Saint Drenan 2002].
ECN-C--03-114
79
DEEL IV: PROJECT CONCLUSIES
16.
CONCLUSIES
16.1
Antwoorden op de Centrale Vragen
In het project plan van het project zijn bij de doelstelling van het project een tiental centrale vragen gedefinieerd. De doelstelling en de centrale vragen zijn in dit rapport terug te vinden in paragraaf 1.2.1. Onderstaand is voor iedere afzonderlijke vraag het antwoord geformuleerd. 1. Wat zijn de determinanten voor het aanbod van duurzame energiesystemen en hoe zijn deze statistisch te karakteriseren? Zon: Belangrijkste determinant is de zoninstraling welke uiteenvalt in de componenten directe instraling en diffuse instraling. Beide componenten hangen af van de potentiële instraling en de graad en type van de bewolking. De potentiële instraling hangt af van de plaats op de aarde, de datum en de tijd. Verder is de karakteristiek van het energiesysteem van belang. Voor PV is dit de karakteristiek van het PV-paneel en de inverter die de koppeling verzorgt met het lichtnet of de laadregelaar die de koppeling verzorgt met een opslagmedium. Voor thermische energiesystemen is dit de karakteristiek van de collector met het bijbehorende warmwater systeem erachter. In geval van opslag van zowel elektriciteit als van warmte, is ook de staat van de opslag van belang en indirect hiermee dus ook het gebruik van de energie. Wind: Belangrijkste determinant is de windsnelheid op de ashoogte van de windturbine. Verder speelt ook de luchtdichtheid (bepaald door temperatuur luchtdruk en luchtvochtigheid) een rol. Verder is de terreinruwheid rond de molen een belangrijke determinant. Omdat deze doorgaans richtingafhankelijk is, is als een gevolg de windrichting ook van belang. Verder is de karakteristiek van de windturbine zelf van belang, deze wordt gemodelleerd als de PV-curve van de turbine. Omdat de patroongenerator is gerealiseerd op een andere wijze dan vooraf gepland, zijn de verschillende determinanten niet uitgebreid statistisch gekarakteriseerd. 2. Wat is de gewenste voorspelhorizon van een aanbodvoorspeller en welke horizon is technisch haalbaar? De meeste duurzame energiesystemen in de bebouwde omgeving zonder net koppeling of met een zwakke netkoppeling, hebben een energiebuffer ter grootte van een gemiddeld dagverbruik. Hierom is de voorspelling voor de eerste dag het belangrijkst en de maximaal gewenste voorspelhorizon 2 à 3 dagen.
80
ECN-C--03-114
Met eenvoudige middelen (verbeterde persistentiemethode, zie hoofdstuk 11) is een voorspelhorizon van 4 tot 5 uur technisch haalbaar. Met een uitgebreidere op meteorologie gebaseerde methode is een voorspelhorizon van 40 tot 48 uur technisch haalbaar. 3. Hoe beïnvloedt de voorspelhorizon de nauwkeurigheid van de voorspelling? Wind: Voor zeer-korte-termijn voorspellingen d.m.v. persistentie neemt de nauwkeurigheid van de voorspelling snel af met de voorspelhorizon. Voor voorspellingen tot 4 uur vooruit is deze methode de beste. Bij gebruik van de meteomethode voor korte-termijn voorspellingen neemt de nauwkeurigheid van de voorspelling slechts licht af met de voorspelhorizon. Uit de testcase van de windmeetmast in Petten blijkt dat in éénderde van de gevallen de voorspelfout van de windsnelheid lager is dan 1 m/s. Uit een vergelijking van verschillende HIRLAM runs blijkt dat de 12 uur run de beste voorspelling oplevert over het eerstvolgende gehele etmaal. Ook in vergelijking met het geval waarin de voorspelling gedurende de voorspelperiode iedere zes uur wordt ververst. Zon: Ook hier is een grote invloed van de nauwkeurigheid van de voorspelling: de voorspelling van de instraling wordt gedurende de ochtend beter. Voorspellingen over een nacht heen of opgesteld tijdens de nacht zullen een grotere onnauwkeurigheid vertonen. 4. Wat is de gewenste tijdschaal van een aanbodvoorspeller en welke tijdschaal is technisch haalbaar? Voor toepassingen in de gebouwde omgeving is een tijdschaal van een kwartier tot een uur gewenst. Voor aanbodvoorspelling van windenergie is gebleken dat een tijdstap van een kwartier haalbaar is. In de tests van de methoden voor aanbodvoorspelling zonne-energie is een vaste tijdstap van een uur gebruikt. Bij gebruik van persistentiemethoden wordt de tijdsstap technisch bepaald door de resolutie van de lokale meting van de te voorspellen grootheid. 5. Hoe beïnvloedt de tijdschaal de nauwkeurigheid van de voorspelling? Wind: De uurlijkse voorspellingen uit het KNMI HIRLAM Model worden op als eerste stap, dus op het niveau van het modelgrid, geïnterpoleerd naar kwartierwaarden. Omdat het HIRLAM geen uurgemiddelden voorspelt, maar tienminuten gemiddelden, zal de invloed hiervan op de nauwkeurigheid minimaal zijn. 6. Welke factoren hebben een (negatieve) invloed op nauwkeurigheid van de aanbodvoorspelling? Hoe zijn negatieve effecten te reduceren? Voor zowel de aanbodvoorspeller windenergie als voor die voor zonne-energie geldt dat een belangrijk deel van de onnauwkeurigheid wordt veroorzaakt door de onnauwkeurigheid in de weervoorspelling. Voor zonne-energie is dit zelfs de
ECN-C--03-114
81
belangrijkste factor. 7. Zijn de in het buitenland ontwikkelde methoden voor aanbodvoorspelling rechtstreeks te gebruiken in Nederland? Er is niet gebleken dat er al methoden zijn ontwikkeld om korte-termijn prognoses te maken van de elektriciteitsproductie uit foto-voltaïsche of thermische zonneenergie. Voor het maken van korte-termijn prognoses van de elektriciteitsproductie uit windenergie bestaan daarentegen verschillende methoden. Deze methoden zijn beschreven in één van de voorgaande delen. Al deze methoden hebben hiaten die opgelost moeten worden voordat windenergie aanbodvoorspelling in de praktijk toepasbaar zal zijn. Deze hiaten zijn: De nauwkeurigheid van de huidige generatie windenergie-aanbodvoorspellers is matig. De nauwkeurigheid van de windsnelheidsprognoses – de basis van windenergieprognoses – is niet voldoende. Een maat voor de onzekerheid ontbreekt in de prognose. De prognoses zijn voor uurlijkse waarden. De invloed van thermische instabiliteit wordt niet meegenomen. Helaas zijn er van de in de literatuur beschreven methoden te weinig gegevens over de nauwkeurigheid gepubliceerd om een goede onderlinge vergelijking te maken. 8. Volgens welke methodiek is een aanbodvoorspeller voor de Nederlandse situatie te ontwerpen? Zon: De beste resultaten zijn verkregen door het toepassen van een methode waarbij de meteo- en persistentiemethoden gecombineerd worden. De voorspelling van zoninstraling op basis van meteorologische modellen is echter onvoldoende nauwkeurig gebleken om het verschil met zuivere persistentie groot te laten zijn. Voor regeltechnische toepassingen in de gebouwde omgeving zal de perstentie methode waarschijnlijk de aangewezen methode zijn, totdat de meteorologische instralingvoorspelling substantieel verbeterd wordt. Wind: De ECN methode is geïmplementeerd volgens de ‘fysische methode’ met optioneel een statistische postprocessor (MOS: model output statistics) om systematische fouten te elimineren. Hiervoor is gekozen o.a. omdat deze methode voor nieuwe turbines (of turbines zonder gemeten historie) direct inzetbaar is. 9. Hoe verhoudt de performance van een aanbodvoorspeller gebaseerd op fysische modellen zich tot een voorspeller gebaseerd op statistische of neurale modellen? Doordat er zowel voor Zon als voor Wind niet is gekozen voor het ontwikkelen van een puur statistische methode is deze vraag niet binnen dit project onderzocht. 10. Verhoogt een hybride aanpak –aanbodvoorspelling op basis van een mix van fysische en statistische/neurale modellen– de nauwkeurigheid van de voorspelling?
82
ECN-C--03-114
Ja, een hybride aanpak verhoogt de nauwkeurigheid. Wind: De puur fysische methode geeft een systematische fout welke aan de hand paren historische voorspellingen en realisaties met output statistiek te verkleinen is. Bij de Medemblik test case is gebruik gemaakt van zowel output statistiek op de windvoorspelling als op de vermogensvoorspelling. Zon: Voor het berekenen van de diffuse component van de instraling wordt het statistische model van Orgil en Hollands of Liu en Jordan gebruikt. Voor het omrekenen van instraling op het horizontale vlak naar het getilte vlak wordt het statistisch-fysisch model van Perez gebruikt. Model output statistiek is hier niet in beschouwing genomen.
16.2
Projectconclusies
16.2.1 Patroongenerator zonneenergie Er is reeds een bestaande patroongenerator voor toepassingen in de zonneenergie op de markt. Op basis van de documentatie en een geïnstalleerde versie van het pakket is vast gesteld dat deze generator voldoet aan de eisen die binnen het VoDEGO projectdefinitie zijn gesteld. Omdat het pakket tegen een redelijke prijs te koop is, is hiermee het nut van de ontwikkeling van een generator voor zoninstralingspatronen komen te vervallen. 16.2.2 Patroongenerator windenergie ¾ Er is geen bestaande methode beschikbaar voor het genereren van aanbodpatronen windenergie. ¾ Een aanbodpatroongenerator (APG) windenergie kan het beste ontworpen worden op basis van historische metingen windsnelheid en –richting over een langere periode. ¾ Volgens bovenstaand principe is binnen dit project een APG windenergie ontwikkeld. 16.2.3 Aanbodvoorspeling zonneenergie ¾ Uit een markt- en literatuurstudie is niet gebleken dat er al methoden zijn ontwikkeld om korte-termijn prognoses te maken van de energieproductie uit fotovoltaïsche of thermische zonne-energie. ¾ Bij het gebruik van de meteo-methode voor het opstellen van de verwachting van de uurlijkse dagpatronen van de energieproductie van een PV-systeem wordt de onzekerheid gedomineerd door de onzekerheid van het verwachte uurpatroon van de horizontale instraling nabij het PV-systeem. ¾ De persistentiemethode presteert niet heel veel slechter dan de meteo-methode. ¾ De beste resultaten zijn verkregen door het toepassen van een methode waarbij de meteo- en persistentiemethoden gecombineerd worden. Hierbij worden de gemiddelde dagpatronen van de energieproductie over de afgelopen dagen gebruikt als verwachting van het relatieve dagpatroon van de energieproductie voor de te voorspellen dag. De normering naar het absolute dagpatroon wordt uitgevoerd met
ECN-C--03-114
83
behulp van de verwachte (of gemeten) dagintegralen van de instraling van de afgelopen dagen en de verwachte dagintegraal van de te voorspellen dag. 16.2.4 Aanbodvoorspelling windenergie ¾ In verschillende landen (met name Duitsland en Denemarken) zijn methoden voor aanbodvoorspelling windenergie beschikbaar of in ontwikkeling. ¾ Geen van de partijen hebben performancematen zoals verdelingscurven van de voorspelfout gepubliceerd, zodat een objectieve vergelijking van de methoden niet mogelijk is. Wel is duidelijk dat elk van de methoden één of meer van de volgende hiaten heeft: ¾ De nauwkeurigheid van de windenergieprognoses is matig. ¾ De nauwkeurigheid van de windsnelheidsprognoses is onvoldoende. ¾ De prognoses zijn voor uurlijkse waarden. ¾ De maat voor de onzekerheid in de prognoses ontbreekt. ¾ De invloed van thermische instabiliteit wordt niet meegenomen. ¾ Binnen dit project is een Aanbodvoorspeller Windenergie ontwikkeld voor de Nederlandse situatie en vanuit het gecombineerde perspectief van gebruik in de gebouwde omgeving en gebruik voor programmaverantwoordelijkheid. ¾ Deze voorspeller heeft bij een voorspelhorizon van enkele uren (>=6) een hogere nauwkeurigheid dan de persistentie methode of de vaste waarde methode. ¾ Bij gebruik van de voorspeller blijft er ruwweg voor iedere 3 kilowatt windstroom 1 kilowattuur onbalans bestaan.
84
ECN-C--03-114
17.
BIBLIOGRAFIE
17.1
Referenties
R. Aguiar, S. Camelo and H. Goncalves, “Assessing the value of typical meteorological years built from observed and from synthetic data for building thermal simulation”, Proceedings of the 6th International IBPSA Conference ob Building Simulation ’99 in Kyoto, Vol II, pp 627-634, International Building Performance Simulation Association, 1999. A. Argiriou, S. Lykoudis, S. Kontoyiannidis, C.A. Balaras, D. Asimakopoulos, M. Petrakis, and P. Kassomenos, “Comparison of methodologies for TMY generation using 20 years data for Athens, Greece”, Solar Energy, vol. 66, no. 1, pp. 33-45, 1999. D.B. Crawley, “Which weather data should you use for energy simulations of commercial buildings”, ASHRAE Transactions, vol. 104, part 2, American Society of Heating, Refrigerating and Air-Conditioning Engineers, Atlanta, GA, 1998. A. G. Davenport, “Rationale for determining design wind velosities”, J. Am. Soc. Engin., ST-86, pp. 39-68, 1960. G. Giebel, “On the Benefits of Distributed Generation of Wind Energy in Europe”, PhD thesis, Carl von Ossietzky Universität, Oldenburg, VDI_Verlag, ISBN 3-18-344406-2, 2001. J.L.M. Hensen, "Weergegevens voor gebouwprestatie simulatie," in Proc. 3de IBPSA NVL conferentie, Petten, 13 december, International Building Performance Simulation Association - IBPSA Nederland + Vlaanderen, 2001. K. Knight, S. Klein and J. Duffie, “A methodology for the syntesis of hourly weather data”, Solar Energy, vol 46(2), pp. 109-120, 1991. KNMI, “Klimatologische gegevens van Nederlandse stations, Normalen en extreme waarden van de 15 hoofdstations voor het tijdvak 1961-1990”, KNMI, Publicatienummer 150-27, De Bilt, 1992. KNMI, “Het Klimaat van Nederland, De Normaalperiode 1971 – 2000”, Elmar, 2002. T.S. Nielsen, A. Joensen, H. Madsen, L. Landberg and G. Giebel, “A New Reference for Predicting Wind Power”, Wind Energy, Volume 1, pp. 29-34, 1998. E.L. Peterson, I. Troen, S. Frandsen, K. Hedegaard, “Windatlas for Denmark”, Risø National Laboratory, Roskilde, Denmark, Rep. 428, 1981. J. Remund, S. Kunz and R. Lang, “Meteonorm, Solar Engineering, Part I: Review and Software”, Meteotest, Bern, 1999-1.
ECN-C--03-114
85
J. Remund, S. Kunz and R. Lang, “Meteonorm, Solar Engineering, Part II: Theory: Radiation”, Meteotest, Bern, 1999-2. J. Remund, S. Kunz and R. Lang, “Meteonorm, Solar Engineering, Part III: Theory: Temperature and Additional Parameters”, Meteotest, Bern, 1999-3. Y.-M. Saint-Drenan, “Wind power predictions analysis – Part 2: Economical analysis”, ECN – Wind Energy, Report ECN-I—02-011, 2002. S.-E. Thor (ed.), “Wind forecasting techniques”, Proceedings 33th IEA Wind Energy R&D Topical Expert Meeting, Boulder, April 2000. S.-E. Thor (ed.), “Wind forecasting techniques”, Proceedings 44th IEA Wind Energy R&D Topical Expert Meeting, Norrköping, December 2002. J. Wierenga, “Representativeness of wind observations at airports”, Bull. Am. Meteor. Soc., Vol 61, pp. 962-971, 1980. J. Wieringa en P.J. Rijkoort, “Windklimaat van Nederland”, Staatsuitgeverij, Den Haag, 1983.
86
ECN-C--03-114
17.2
Bronnen naar onderwerp
17.3
De meteorologische modellering
De basisgegevens voor de wind(stroom)prognoses komen van het HiRLAM dat operationeel is bij het KNMI. Dit atmosfeermodel is beschreven in: P. Lynch, N. Gustafsson, B.H. Sass & G. Cats, 2000, Final report on the Hirlam-4 project (1997-1999), SMHI, Norrköping, Sweden. Het Monin-Obukhov model en de Businger-Dyer profielen behoren tot de kennis die in leerboeken is vastgelegd. Bij het in rekening brengen van de invloed van de gelaagdheid is gebruik gemaakt van de beschrijving in een collegediktaat. Dit diktaat, dat ook referenties naar oorspronkelijke publicaties bevat, is: J. Wieringa, 1982, De atmosferische grenslaag - Cursus 1982 KNMI-VVM, KNMI, De Bilt, Nederland. Een andere beschrijving is te vinden in: M.H. de Wit, 2001, Wind in de Gebouwde Omgeving, Technische Universiteit Eindhoven, Eindhoven, Nederland. Hoewel de Businger-Dyer profielen tot de standaardkennis behoren, doet de toepassing van deze profielen op modeluitvoer dat niet. De methode om de Monin-Obukhov lengte te berekenen, waarbij de onderste snelheid en temperatuur op verschillende hoogten liggen, is ontleend aan: T. Hegberg, 2001, Ruimtelijke transformatie van lokale windsnelheid en windrichting, ECN Windenergie, Petten, Nederland. Het in rekening brengen van lokale omgevingsinvloeden op een windsnelheid die zelf afkomstig is van een roosterpuntverwachting die geldt voor een groter gebied is ontleend aan het project Hydra van het KNMI. De aanpak door het ECN verschilt in detail van de werkwijze die het KNMI volgt. Gemeenschappelijk is echter het gebruik van de ruwheidskaart van Nederland. Deze kaart is zelfs de reden geweest om in de geest van de Hydra-methode te gaan werken. Naar verwachting zal de kaart namelijk een bredere toepassing in de windenergie gaan vinden. De beschrijving van de manier die in het project Hydra is gebruikt is: J.W. Verkaik, 2001, A method for the geographical interpolation of wind speed over heterogeneous terrain, KNMI, De Bilt, Netherlands.
17.4
Het voorspellen van windvermogen
Over het voorspellen van windvermogen is een aantal overzichtsartikelen gepubliceerd, waaronder: Crispin Aubrey (ed.), 2000, Wind's new challenge: predictable power, Wind Directions, November 2000, p. 23. Arno Brand, 2001, Korte termijn windenergie verwachtingen, WindNieuws, februari 2001, p. 5. Barbara Drazga, 2001, Wind prediction models, Wind stats newsletter, Vol 14 No 3 (Summer 2001), p. 5.
ECN-C--03-114
87
17.5
Onderzoek aan prognosemethoden
Het onderzoek aan windenergieverwachtingen is gerapporteerd in een dusdanig aantal publicaties dat het niet mogelijk is deze hier te noemen. Voor dit soort publicaties wordt daarom verwezen naar de verslagen van de diverse windenergieconferenties. Sinds het eind van de jaren negentig kennen deze meestal wel een sessie over dit onderwerp. Een uitzondering wordt gemaakt voor het verslag van een bijeenkomst onder de vlag van de International Energy Association omdat het alle organisaties behalve Universität Oldenburg introduceert en het nog steeds een goede beschrijving van de stand van zaken geeft: S-E Thor (ed.), 2000, Wind forecasting techniques, Proceedings 33th Meeting of Experts, April 2000, Boulder, USA.
17.6
Windenergieprognoses in de praktijk
In contrast met de grote hoeveelheid onderzoekspublicaties is er een klein aantal openbare artikelen over de praktijk van het dagelijks afgeven van vermogensprognoses. De ervaring in Denemarken, met een indicatie van het resterende volume aan onbalans na gebruik van een voorspeller, is beschreven in: J. Pedersen, P.B. Eriksen & P. Mortensen, 2001, Present and future integration of largescale wind power into Eltra's power system, Proceedings European Wind Energy Conference 2001, Copenhagen, Denmark, p. 153. De ervaring in andere landen, waaronder de Verenigde Staten, is te lezen in: Mike O'Bryant, 2001, Fading fears about fluctuations, Windpower monthly, July 2001, p. 43. Mike O'Bryant, 2002, Making variable supply legitimate, Windpower monthly, February 2002, p. 40. David Milborrow, 2002, Mastering market mechanisms, Windpower monthly, February 2002, p. 42.
88
ECN-C--03-114
