Aurinkoenergian saatavuuden ennustaminen. Anders Lindfors, Herman Böök, Juha Karhu, Erik Gregow, Sami Niemelä

Transkriptio

1 Aurinkoenergian saatavuuden ennustaminen Anders Lindfors, Herman Böök, Juha Karhu, Erik Gregow, Sami Niemelä

2 Ilmatieteen laitos ja auringonsäteily Ilmatieteen laitoksella on paljon aurinko-osaamista Auringonsäteilyn mittausverkosto Sään ennustaminen ja sään vaihtelun vaikutukset Satelliittihavainnot Säteilymallit Ilmastonmuutos Miten Suomen aurinkoenergiaala voisi hyötyä tästä osaamisesta?

3 BC-DC Sääriippuvainen uusiutuva energia EE-VaGe Energiasääennusteet Mallimenetelmien kehitys Alkutila ja havaintojen käyttö VaGe Todennäköisyysennustaminen Ennusteen epävarmuus Ennusteen kalibrointi ICASIF Aurinko Intiassa ja Suomessa Ilmansaasteiden vaikutus Pilvien vaikutus Auringon säteilyn spektri Satelliittimenetelmät Akatemian kärkihanke Tulosten pilotointia avointen Remote Sens. 2015, 7 rajapintojen kautta 6667 Todennäköisyyspohjaiset energiaennusteet the period between December and March from the study), though we note that this coverage will be added in the future successor dataset CLARA-A2. Both retrieval algorithms are based on the hybrid-eigenvector approach, but the aerosol information used as input for the radiative transfer calculations comes from different sources. Müller and Träger-Chatterjee [31] found MACC to be superior to the MPI-H climatology for SSR retrievals, although the difference was less pronounced Stochastic physics over Europe. The different temporal sampling in the datasets implies that the inferred cloud fields may vary, potentially impacting the daily mean SSR retrievals over short timeframes, especially for the CLARA-A1. However, our investigation period is in the interannual and -decadal scale, meaning that random effects at short temporal scales are effectively ameliorated. Initial perturbation As an example, the overall mean SSR in June from both CLARA and SARAH datasets over Initial condition Forecast Scandinavia is shown in Figure 2. Kesäkuun auringonsäteily Aurinkoatlas? Tällä hetkellä vanhentunutta tietoa Uudet satelliittiaineistot hyödyllisiä Ilmatieteen laitoksen asemamittaukset

4 Sään ennustaminen: säämallit Malli simuloi ilmakehän prosesseja ja ilmiöitä fysiikan lakeihin perustuen Laskentahila: esim. HARMONIE mallissa 2,5 km Lähtötilanne tärkeä: havainnot assimiloidaan malliin, jotta malli kuvaa parhaalla mahdollisella tavalla alkuhetken säätilaa IL:llä omia säämalleja (HIRLAM ja HARMONIE) + Euroopan keskuksen globaali malli Säämalleissa mukana tuuli- ja aurinkovoimaan liittyvät suureet

5 Kuinka pitkälle voidaan ennustaa? Mitä pienempi ja lyhytikäisempi ilmiö, niin sitä lyhyemmäksi ajaksi se voidaan ennustaa ja päinvastoin. Säätyyppi 6 10 vrk Lämpötila (2 m) 4 7 vrk Matalapaineiden ja sadealueiden reitit 3 5 vrk Tuulet 2 3 vrk Sademäärät, sateen olomuoto ja sadealueiden tarkat reitit, sadekuurot ja ukkoset 0 2 vrk Pilvet ja auringonsäteily 0 2 vrk

6 Sääennusteiden kehitys mallikehitys: parempi erottelukyky, parempi fysiikka havainnot kehittyneet: satelliitit data-assimilaatio kehittynyt (miten havainnot syötetään malliin) ca 60%: hyödyllisyyden raja-arvo 5 pv ennuste tänään parempi kuin 3 pv ennuste 1980 pallonpuoliskojen välinen ero on kaventunut: satelliittihavainnot auttavat kuva: Dee et al., BAMS,

7

8 Ilmatieteen laitoksen aurinkoenergialaboratoriot: Helsinki ja Kuopio Yhteistyössä Fortumin kanssa, INTESEM-projekti HELSINKI 21 kwp paneelilaitos 84 x 250 W suuntaus: kaakkoon kallistus: 15 astetta Mittauksia Tuotanto erikseen kahdelta kentältä Paneelien lämpötila, vaikuttaa hyötysuhteeseen Paneelien pinnalle (vinopinta) tuleva auringonsäteily Normaalit auringonsäteilyn mittaukset Tuuli, ilman lämpötila KUOPIO, Savilahti samankaltainen aurinkovoimalaitos paneelit asennettu syksyllä 2016 lisämittaukset keväällä 2017

9 Aurinkoennusteen ensimmäisiä vertailuja: Dynamicum, Kumpula

10 Solar energy forecast for 16 Feb 2016: Lappeenranta University of Technology (LUT) south wall forecast peak ~16 kw actual production peak ~15 kw 10

11 Satelliittipilvet: :07 UTC

12 Satelliittipilvihavaintojen hyödyntäminen aurinkoennusteissa EUMETSAT satelliittituote Jokioinen mittaus & satelliitti

13 Satelliittipilvihavaintojen assimilointi säämallin alkutilaan: alustavia tuloksia

14 Lopuksi + materiaalia muualla Säänennustusmallit mahdollistavat sekä aurinkovoima- että tuulivoimatuotannon ennustamisen Teemme tutkimus- ja kehitystyötä joka tähtää ennusteiden parantamiseen Tarvitsemme dataa toteutuneesta aurinkovoimatuotannosta, johon ennusteida voidaan verrata EE VaGe, energiasääennusteiden pilotointia avoimena palveluna, työpaja , ota yhteyttä jos kiinnostuit BCDC-projektin blogikirjoituksia: ogi-ja-uutiset-improving-thesolar-production-forecast/ urinkoenergiatuotannonennustushaasteet/ BCDC:n energiasääennuste: aa/ Haastattelu aamu-tv:ssä 14.6.: sähköposti: anders.lindfors@fmi.fi