Kappale 17 Tuulivoiman ennustaminen Saksan ja Tanskan sähköverkoissa 1. Johdanto Tuulivoimakapasiteetti on kasvanut viime vuosina huimaa vauhtia ja voimakkaan kasvun odotetaan myös jatkuvan tulevaisuudessa. Tuulivoima on kuitenkin hankala tuotantomuoto voimajärjestelmien tehotasapainon ylläpitämisen kannalta johtuen sen tuotannon vaikeasta ennustettavuudesta. Monissa maissa annetaan vielä tällä hetkellä tuulivoimalle tuotantotukia, jotka ovat taanneet varmat tuotot ailahtelevasta ja vaikeasti ennustettavasta tuotannosta huolimatta. Tulevaisuudessa tuulivoiman tuottajat saattavat kuitenkin menettää tuottojaan ennustevirheiden vuoksi, sillä suunta sähkömarkkinoilla näyttäisi olevan kohti sääntelemättömiä markkinoita. Nämä tekijät ovat synnyttäneet voimakkaan tarpeen kehittää tarkempia tuulivoiman tuotannon ennustetyökaluja. Tuulivoiman tuotannon ennustevaatimuksille on vaihtelevia käytäntöjä eri maissa. Ranskan kantaverkkoyhtiö EDF esimerkiksi edellyttää tuotantoennusteita sekä viikkoa että päivää ennen tuotantohetkeä. Britanniassa sen sijaan ennusteiden takarajan muodostavat vasta tuntia ennen toimitushetkeä suljettavat spot markkinat. Tuottajat Britanniassa käyttävät kuitenkin kaksi tuntia toimitushetkeä edeltävää ennustetta, jotta toimitushetkeä edeltävät tehtävät ehdittäisiin suorittaa kunnolla. Tanskassa ja Saksassa puolestaan tuulivoimantuotannon ennusteita käytetään etupäässä Day-ahead markkinoita varten. Tuulivoiman tuotantoennustetyökaluilta vaaditut ominaisuudet ovat siis enemmänkin sähkömarkkinoiden kuin teknisten reunaehtojen asettamat. Ennustettavan alueiden laajuudet vaihtelevat paljon maittain. Joissain maissa, kuten USA:ssa ja Espanjassa tuulivoimakapasiteetti koostuu lähinnä suurista tuulipuistoista, mikä edellyttää hyvin paikallisia ennusteita. Maissa kuten Tanskassa ja Saksassa tuulivoimakapasiteetti on puolestaan siroteltu ympäriinsä, jolloin tuulivoimaennusteita tarvitaan laajoilta alueilta. 2. Tuulivoiman ennustetyökalut Ensimmäiset tuulivoiman ennustetyökalut kehitettiin Tanskassa. Risø National Laboratory ja Tanskan teknillinen yliopisto kehittivät yhdessä kolmiulotteisen,
aluekohtaisen ennustetyökalun ja ovat lisäksi monien numeeristen ennustemallien (NWP, Numerical Weather Prediction) kanssa, kuten HIRLAM (High Resolution Limited Area Model), UK MESO (UK Meteorological Office Meso-scale model) ja LM (Local Model of German Weather Service). Näiden työkalujen laskenta perustuu fysiikan mallien hyväksikäyttöön. Osa tuulivoiman tuotannon ennustemalleista perustuu numeeriseen laskentaan ja fysiikan kaavojen hyväksikäyttöön, kun taas osa perustuu tilastoihin, neuroverkkojen käyttöön ja sumeaan laskentaan. Jälkimmäiset ovat parempia sikäli, että ne kykenevät oppimaan kokemuksistaan. Tällaiset järjestelmät on kuitenkin koulutettava runsaalla datalla ennen kuin ne toimivat kunnolla. Seuraavassa esitellään lyhyesti kappaleessa esitetyt tuulivoiman tuotannon ennustamistyökalut. Ennustetyökalujen tarkkuutta voidaan tarkastella vertaamalla niitä jatkuvuusmalliin (persistence model): P(t) = P(t+l) Kaavassa P(t) kuvaa tuotantoa ajanhetkellä t ja l on tulevaisuuteen katsomis aika. Jatkuvuusmallin yksinkertaisuudesta huolimatta se kuvaa hyvin virtauksia ilmakehässä johtuen sään ajallisesta luonteesta. Iltapäivällä sää on usein samanlainen kuin se oli aamulla. Lyhyen ennustushorisontin tapauksessa tätä mallia on vaikea päihittää. 2.1. Prediktor Tanskassa kehitetty Prediktor järjestelmä käyttää mahdollisimman pitkälle fysiikan malleja. Suuren skaalan virtaus (large scale flow) on simuloitu käyttäen numeeriseen sään ennustamiseen perustuvaa HIRLAM mallia. Tästä saadaan tuulennopeus maanpinnalla käyttäen geostrofista lakia ja logaritmista tuuliprofiilia. Risø WAsP ohjelmalla voidaan ottaa lisäksi huomioon paikallisten kohteiden vaikutus tuulennopeuteen (maan epätasaisuus ja sen vaihtelut, suuret kappaleet sekä rinteiden ja laaksojen synnyttämät hidastavat ja nopeuttavat vaikutukset). Risø Park ohjelma puolestaan huomioi tuuliturbiinien vaikutuksen tuulennopeuteen tuulipuistoissa. Lopulta kahta tilastollista MOS- moduulia käytetään ottamaan huomioon tekijät, joita ei ole mallinnettu fysiikan mallein, sekä muut menetelmän yleiset virheet. Prediktor malli laskee kaksi kertaa päivässä 36 tunnin ennusteet useille tuulipuistoille tuotantoalueella. Tämä ennuste voidaan vielä ylösskaalata kattamaan koko alue.
2.2. Wind Power Prediction Tool (WPPT) WPPT käyttää tilastollista menetelmiä tuulivoiman tuotannon ennustamiseen suuremmilla alueilla. Järjestelmälle syötetään reaaliaikaista dataa, joka kattaa ainoastaan osan tuulivoimalakannasta tarkasteltavalla alueella. Tarkasteltava alue jaetaan ensin osaalueisiin, joista jokainen sisältää referenssituulipuiston. Tämän jälkeen tehdään tuulivoiman tuotannon ennusteita puolesta tunnista 36 tuntiin käyttäen hyväksi paikallisia mittauksia, sekä tuulennopeuden ja -suunnan ennusteita. Näin saadut tuulipuistojen tuotantoennusteet ylösskaalataan sitten kattamaan koko osa-alueen tuotanto ja lopulta osa-alueiden tuotantoennusteet summataan yhteen kattamaan koko tarkasteltavan alueen tuotanto. WPPT:lle annetaan syötteinä tuulennopeus- ja suunta, ilman lämpötila ja referenssituulipuistojen tuotannon mittaukset viiden minuutin keskiarvoina. Näiden lisäksi malliin syötetään kuuden tunnin välein päivitettäviä 48 tuntia eteenpäin kattavia meteorologisia ennusteita. WPPT käyttää tilastollisia optimointi menetelmiä päättäessään kuinka paljon painoarvoa se antaa käyttämilleen mittauksille ja meteorologisille ennusteille. Länsitanskan järjestelmäoperaattori ELTRA käyttää WPPT mallia ennustamaan noin 2GW tuulivoimakapasiteettinsa tuotantoa. 2.3. Zephyr Tanskassa oli kirjan kirjoittamisen aikaan kehitteillä Zephyr niminen ennustejärjestelmä, jonka oli tarkoitus yhdistää edellä mainitut Prediktor ja WPPT mallit. Tämä yhdistelmä takaa tarkat ennusteet sekä lyhyen aikavälin- (0-9 tuntia) että pitkänkin aikavälin (36-48 tuntia) ennusteille. WPPT:n käyttämät online-data ja tilastolliset menetelmät tuovat tarkkuutta lyhyen aikavälin ennusteisiin, kun taas meteorologisten mallien käyttö tarkentaa pitkän aikavälin ennusteita. Zephyr perustuu Java2 ohjelmistojalustaan, mikä tekee tästä järjestelmästä hyvin joustavan. 2.4. Previento Previento järjestelmä on kehitetty Oldenburgin yliopistossa. Se tarjoaa tuulivoiman tuotantoennusteet laajalle alueelle kahdeksi seuraavaksi päiväksi. Previento perustuu muuten samankaltaiseen lähestymistapaan kuin Prediktor, mutta se käyttää saksalaista sääpalvelujärjestelmää HIRLAM datan sijaan. Previento mahdollistaa lisäksi sääennusteeseen liittyvien mahdollisien virheiden estimoinnin.
2.5. ewind Southern California Edison (SCE) käyttää USA:ssa kehitettyä ewind järjestelmää noin 1000WM tuulivoimakapasiteettinsa tuotannon ennustamiseen. ewind järjestelmä koostuu neljästä peruskomponentista: 1. Joukko korkea resoluutioisia kolmiulotteisia fysiikkaan perustuvia numeerisia ilmastomalleja 2. Joukko adaptiivisia tilastollisia malleja 3. Joukko voimalan tuotantoteho malleja 4. Ennusteen toimitusjärjestelmä Fysiikkaan perustuvat ilmastomallit (1) ovat joukko matemaattisia yhtälöitä, jotka esittävät massan, liikemäärän ja energian säilymislait, sekä kostean ilman tilayhtälöt. Nämä ilmastomallit ovat lähes samanlaisia kuin sääennusteisiin yleisesti maailmalla käytetyt mallit lukuun ottamatta suurempaa resoluutiota. Tilastolliset mallit (2) ovat puolestaan joukko empiirisiä riippuvuussuhteita ilmastomalleista saadun ulostulon ja tiettyyn sijaintiin liittyvien ennustettavien muuttujien välillä. Tällaisia ennustettavia muuttujia ovat tuulennopeus ja -suunta, sekä ilmantiheys tuuliturbiinin sijaintipaikalla. ewind järjestelmän kolmas komponentti, tuotantotehomallit, kuvaa voimalan tuotantotehon ja ilmastollisten muuttujien välistä yhteyttä. Tuotantotehomalli voi perustua joko kiinteään yhteyteen (tietty turbiinimalli) tai tilastolliseen yhteyteen (perustuu esimerkiksi kuukauden ajan mitattujen ilmastomuuttujien ja tuotantotehon väliseen yhteyteen). Järjestelmän neljäs komponentti, ennusteen toimitusjärjestelmä, lähettää ennusteen käyttäjälle sähköpostilla, FTP tiedonsiirrolla tai faksilla käyttäjän valinnan mukaan. 2.6. SIPREÓLICO Sipreólico on Espanjassa kehitetty prototyyppijärjestelmä, joka antaa tuntikohtaisen ennusteen 36 tunnin päähän. Tämän Sipreólico tekee syöttämällä meteorologisia sääennustuksia ja online-mittauksia aikatason analysointi algoritmeihin. Järjestelmä laskee ensin yksittäisten tuulipuistojen tuotantotehot ja summaa ne sitten yhteen eri alueilla. Lopulta näiden alueiden tuotantoteho lasketaan yhteen, jolloin saadaan koko Espanjan tuotantoennuste. Sipreólico käyttää neljän tyyppisiä syötteitä: Tietoja tuulipuiston ominaisuuksista Tilastoja tuotannon ja tuulen välisestä yhteydestä Online-mittauksia HIRLAM mallin tuottama meteorologinen ennustedata
Sipreólico käyttää eri algoritmeja riippuen tarjolla olevasta syötedatasta, joka voidaan laajuudeltaan määritellä luokkiin perus, laajennettu, ja täysi. Perusdata kattaa vain kaikista tuulipuistoista saatavan tuotantokäyrän ja meteorologiset ennusteet. Tällöin voidaan käyttää hyväksi ainoastaan tuulennopeutta. Laajennettu data kattaa perusdatan lisäksi tuulipuiston pätötehokäyrän. Tällöin voidaan käyttää hyväksi myös ennusteita tuulensuunnasta mikä takaa tarkemmat ennusteet. Täysidata puolestaan kattaa perusdatan lisäksi tuotetun energian online-mittaukset. Tällöin voidaan suorittaa tilastollinen aikasarja analyysi, joka takaa tarkimmat tulokset. Kirjan kirjoittamisen aikaan 80 % verkkoon kytketyistä tuulipuistoista (Espanjassa) tuotti online-dataa. 2.7. Advanced Wind Power Prediction Tool AWPT (Advanced Wind Power Prediction Tool) on osa ISET:in (Institute für Solare Energieversorgungstechnik) tuulivoiman hallintajärjestelmää (WPMS, Wind Power Management System), joka sisältää online-mittausjärjestelmän ja lyhyen aikavälin ennustusjärjestelmän (1-8 tuntia eteenpäin). 2.7.1. Online-monitorointi ja tuulivoimatuotannon ennustaminen Tarkin tapa saada tietoa tuulivoiman tuotannosta voimajärjestelmän säätöä varten olisi varustaa jokainen tuuliturbiini online-mittauksin. Saksassa kaikkien tuuliturbiinien varustaminen online-mittauksin ei kuitenkaan ole mielekästä, koska tuuliturbiinit ovat hajautuneet ympäri maata. Tästä johtuen ISET:in WPMS järjestelmä kerää onlinemittauksia vain 25 referenssituulipuistosta ja arvioi niiden perusteella koko tuotantoa, kuten kuvassa 1 on havainnollistettu. Jotta referenssiyksiköistä saataisiin arvioitua koko alueen todellinen tuotanto, tarvitaan kuitenkin tähän soveltuva arviointimenetelmää. Tällaisen ISET on kehittänyt yhteistyössä EON Netz GmbH:n kanssa perustuen 250MW Wind projektin tuomaan pitkäaikaiseen kokemukseen. Tuulivoiman tuotantoteho lasketaan menetelmässä käyttäen kattavaa kaavajärjestelmää ja suurta joukkoa parametreja, jotka huomioivat monenlaiset olosuhteet kuten turbiinien sijoittelun ja ympäristön vaikutukset.
Kuva 1. Edustavat, online-tietoa lähettävät tuulipuistot ISET mallissa 2.7.2. Lyhyen aikavälin ennusteet AWPT järjestelmä koostuu kolmesta tasosta, joita on myös havainnollistettu kuvassa 2: Saksan sääpalvelun tarjoamat tarkat numeeriset sääennusteet Tuulivoimalan ulostulotehon määrittäminen perustuen neuroverkkojen käyttöön Online-malli, jonka avulla arvioidaan verkkoon syötettyä kokonaistehoa ennustetuista referenssipuistojen tehoista
Kuva 2. AWPT järjestelmän osien liittyminen toisiinsa Sään ennustamiseen käytetty paikallismalli (Lokal-Modell) on suunniteltu tuottamaan tarkkoja paikallisia ennusteita Saksan sisämaassa. Paikallismalli tuottaa sääennusteita 7x7km2 resoluutiolla tuntikohtaisesti päivittäen ennusteet kaksi kertaa vuorokaudessa. Paikallismallin tuottamista ennusteista seuraavia käytetään tuulivoiman tuotannon ennustamiseen neuroverkkosovelluksessa. Tuulennopeus 30m korkeudella Tuulen suunta Kosteus Pilvisyys Ilman lämpötila eri korkeuksilla (käytetään määrittämään ilmakehän stabiiliutta) Neuroverkko-osa analysoi paikallismallin tuottamaa dataa, ja tekee niiden pohjalta tuotantoennusteet referenssituulipuistoille. Neuroverkkosovellus kuitenkin myös arvioi sääennusteiden ja tuulipuistojen tuotannon välistä yhteyttä vanhan tuulisuus- ja tuotantotehodatan perusteella. Vertaamalla laskemalla saatuja tuotantoennusteita todellisiin arvoihin neuroverkkosovellus kykenee etsimään ANN-moduleilleen optimaalisen asettelun (ks. kuva 2). Tämä on varsin hyödyllistä, sillä fysiikan malleilla ei pystytä ennustamaan tuotantoa aina riittävän tarkasti.
Neuroverkko-osan ennustamat referenssituulipuistojen tuotantotehot syötetään sitten kuvan 3 mukaisesti online-mallin muunnosalgoritmiin. Muunnosalgoritmi tarvitsee tuulennopeudet vain tietyiltä sijainneilta laskeakseen edelleen koko tarkasteltavan alueen tuulivoimantuotanto ennusteet. Järjestelmä tuottaa 72 tunnin ennusteen tuntikohtaisella resoluutiolla. Yleisin syy ennustevirheille ovat voimakkaiden säänmuutosten väärä ajoitus ennusteissa. Pelkästään sääennusteisiin perustuvat ennustetyökalut eivät kykene eliminoimaan tätä ongelmaa. Tämän vuoksi AWPT:n kolmas taso vertaa toisen tason ennustamia tuotantotehoja viimeisimpiin mittauksiin ja tekee vertailun perusteella tarvittavia korjauksia ennusteisiin. Tämän järjestelmän hyödyiksi voidaan summata seuraavat Järjestelmän rakenne, sekä monitoroinnin ja ennustemallien yhdistäminen mahdollistavat järjestelmän käytön kaikkialla Järjestelmä tarjoaa tarkkoja ennusteita pienellä laskenta-ajalla Järjestelmä on helposti sovellettavissa muihin uusiutuviin energiamuotoihin 2.8. Honeymoon Honeymoon on Corkin yliopiston kehittämä EU rahoitteinen tuulivoimantuotannon ennustusjärjestelmä, jonka oli tarkoitus valmistua vuonna 2004. Tämä järjestelmä eroaa muista ennustejärjestelmistä siten, että sen tuulivoiman ennustemoduuli on suoraan liitetty numeeriseen säänennustusmalliin. Myös Offshore tuulet ja aallot voidaan ennustaa Honeymoon järjestelmällä, mikäli sen ilmastomalliin liitetään aalto- ja merimallit. Näitä lisämalleja ei tarvita pelkästään ennustamaan offshore tuulipuistojen tuotantoa vaan myös aaltoisuutta ja virtauksia huoltotoimenpiteitä varten. 3. Ennustejärjestelmien tarkastelua Ennustevirheiden arviointiin käytetään useita virhefunktioita, mutta yleisin lienee tuotantokapasiteettiin normalisoitu tehollisarvon virhe RMSE (Root Mean Square Error). Myös korrelaatiokerroin sopii tähän tarkoitukseen. Ennustejärjestelmien kehittelyssä päätavoitteena on minimoida RMSE ja maksimoida korrelaatio. Verkkoyhtiöt käyttävät kuitenkin omia kriteereitään arvioidessaan menetelmien tarkkuutta. Tämä johtuu siitä, että verkkoyhtiöiden näkökulmasta liian optimistinen ennuste on haitallisempi kuin pessimistinen ennuste johtuen tehovajeen korjaamiseen tarvittavan säätötehon kalleudesta.
Kaikki ennustemenetelmät laskevat ensin yksittäisten tuulipuistojen tuotantotehon, ja skaalaavat ennusteen sitten ylösskaalausalgoritmilla vastaamaan tarkasteltavan alueen tuotantoa. Ennustemenetelmästä riippumatta RMSE on yksittäiselle tuulipuistolle välillä 10 20%. Ylösskaalauksen jälkeen RMSE tipahtaa kuitenkin alle kymmenen prosentin johtuen tasoitus efektistä. Ennuste on sitä tarkempi mitä suurempi on tarkasteltava alue. Järjestelmiä ei varsinaisesti ole mahdollista verrata jos niitä ei sovelleta samaan ympäristöön ja samoissa olosuhteissa. Paremmuus riippuu myös käyttäjän tarpeista ja kyvystä tuottaa ennustemenetelmien tarvitsemaa dataa. Zephyr, AWPT ja SIPREÓLICO ovat kuitenkin luultavasti parhaita 1-48 tunnin aikajänteen tuotantoennusteissa, mutta niiden asentaminen maksaa muita järjestelmiä enemmän. Kaikki tässä tarkastellut ennustejärjestelmät ovat kuitenkin tuottaneet epätyydyttäviä ennusteita seuraavan tyyppisissä tilanteissa: Hyvin nopeat sään muutokset Korkeilla (myrsky) tuulennopeuksilla, kun tuuliturbiinit joudutaan turvallisuussyistä sammuttamaan Kun järjestelmiin syötetään huonoja mittauksia, joita ei automaattisesti huomata (Järjestelmät, jotka käyttävät online-mittauksia) Kun hyvin paikalliset sääilmiöt (esim. ukkosmyrskyt) aiheuttavat virheitä ylösskaalaukseen Kun sääpalveluennusteet viivästyvät tai niitä ei saada ollenkaan Kun meteorologiset ennusteet ovat huonoja 4. Yhteenveto Tässä kappaleessa tarkastellut mallit voidaan karkeasti jakaa kahteen luokkaan. Ensimmäiseen luokkaan kuuluvat mallit käyttävät ennusteissaan NWP:tä (numerical weather prediction) ja fysiikan yhtälöitä mahdollisimman pitkälle. Toiseen luokkaan kuuluvat käyttävät sekä tilastollisia malleja tuottaakseen NWP tuottamasta datasta tuotantoennusteet, että online-mittauksia optimoidakseen lyhyen aikavälin ennusteensa. Ensimmäisen luokan järjestelmät käyttävät kuitenkin fysiikan mallien lisäksi ulostulotilasto moduuleja (Model Output Statistics, MOS) korjatakseen virheitä systemaattisesti. Numeerisiin sään ennustusmalleihin perustuvat järjestelmät antavat parempia tuloksia pidemmällä aikajänteellä (6-48 tuntia), kun taas lyhyen aikajänteen (0.5 6 tuntia) ennusteiden tapauksessa tarvitaan online-mittauksia tulosten tarkkuuden kohentamiseen. Prediktor ja Previento käyttävät vain NWP dataa ja tarvitsevat
mittausdataa optimoidakseen järjestelmänsä. Mittausdatan ei tarvitse kuitenkaan olla reaali-aikaista, mikä helpottaa tiedon keruuta huomattavasti. Zephyr, SIPREÓLICO ja AWPT käyttävät sekä NWP- että online-mittausdataa hyväkseen. Tällä tavoin ne yhdistävät online-mittauksien tuoman tarkkuuden lyhyen aikavälin ennusteissa ja toisaalta NWP:n tuoman tarkkuuden pitkän aikavälin ennusteissa. Online-mittausten järjestäminen aiheuttaa kuitenkin kustannuksia ja referenssituulipuistojen valintaan on kiinnitettävä erityishuomiota. Ennustevirheiden selvittämiseen tarvittavien mittausten ei tarvitse olla reaaliaikaisia, mutta niiden on oltava tarkkoja. Yhden turbiinin tuottamaa tehoa on helppo tarkkailla, mutta laajan alueen tuotannon tapauksessa tarvitaan yleensä jotain ylösskaalausalgoritmia. Kun tuulivoimakapasiteetti sijaitsee muutamassa keskitetyssä pisteessä, on skaalaaminen yleensä suhteellisen yksinkertaista. Joissain maissa, kuten Saksassa ja Tanskassa tuulipuistot ja turbiinit on kuitenkin siroteltu ympäri maata, mikä tekee tuotannon mittaamisesta haastavampaa. Ylösskaalaus on luonnollisesti sitä helpompaa ja tarkempaa, mitä suurempi on mitatun ja arvioidun kapasiteetin suhde. Zephyr malli on suunniteltu saamaan kaikilta turbiineilta mittaukset, kun taas Prediktor ja WPPT käyttävät vain paria tusinaa referenssipuistoa. AWPT puolestaan käyttää 25. referenssipuistoa ja noin sataa mittausta yksittäisiltä tuuliturbiineilta. Previento taas käyttää noin 50 mittausta yksittäisiltä turbiineilta konfirmoidakseen koko Saksan tuotannon. Kuvassa 3 on yhteenveto tässä tarkasteltujen järjestelmien ominaisuuksista ja niiden käytöstä kirjan kirjoittamisen hetkellä
Kuva 3. Tuulivoiman tuotannon ennustejärjestelmien ominaisuudet