Aktuelle Ergebnisse aus der Forschung an der ZAMG - BUSINESS TREFF "Windkraft, quo vadis?" - AWES ...
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Aktuelle Ergebnisse aus der Forschung an der ZAMG BUSINESS TREFF „Windkraft, quo vadis?“ Wirtschaftsagentur Wien, 26.11.2019 Mag. Hildegard Kaufmann hildegard.kaufmann@zamg.ac.at
Überblick – Forschungsprojekt im Windenergiebereich © ZAMG 2019 Klima und Daten • WIST • WP und WXR Windprognosen • Operationelle Wind(energie)vorhersage • WINDSOR • AWAkE Vereisungsprognosen • IEA Task 36 • ICE CONTROL Kleinwindkraft • SmallWindPower@Home • Innovationslehrgang smart(D)ER
SmallWindPower@Home © ZAMG 2019 SmallWindPower@Home - Evaluierung der Auswirkungen von gebäudemontierten KWEA auf Performance, Personen, Gebäude und Umgebung. Projektleitung: FH Technikum Wien Projektstart: Januar 2017 Dauer: 36 Monate Fördergeber: FFG , im Rahmen der 3. Ausschreibung des Programms „Stadt der Zukunft“.
SmallWindPower@Home © ZAMG 2019 Ziele: • Messtechnische Evaluierung der Auswirkungen von komplexen Hindernissen (Wohngebäude mit unterschiedlichen Dachaufbauten) auf die Strömung und auf die Anströmung von gebäudemontierten Kleinwindenergieanlagen (KWEA) • Messtechnische Evaluierung von dachmontierten KWEA bzgl. deren Performance (Ertrag, Lebensdauer...) sowie deren Auswirkungen auf das Gebäude, die Bewohner und die unmittelbare Umgebung hinsichtlich Schall, Infraschall und Körperschall, Vibrationen und Schwingungen sowie sicherheitstechnische Aspekte • Kriterienkataloge für die Errichtung von KWEA in besiedelten Gebieten • Anforderungskatalog für die Prüfung/Zertifizierung • Bewertung sozioökonomischer Aspekte von KWEA
Innovationslehrgang smart(D)ER © ZAMG 2019 12/4/2019 Smart(D)ER Folie 7 Kompetenzerweiterung im Bereich dezentraler erneuerbarer Energiesysteme in besiedelten Gebieten • Themenschwerpunkte bauwerksintegrierte PV und Kleinwindkraft • 15 UnternehmenspartnerInnen, davon 13 KUs (Planer, Errichter und Hersteller von PV und KWEA, EVUs und NetzbetreiberInnen, Architekten, Bauunternehmen) • 29 SchulungsteilnehmerInnen Projektleitung: FH Technikum Wien Projektstart: September 2016 Dauer: 48 Monate Fördergeber: FFG, 2. Ausschreibung Innovationslehrgänge
Innovationslehrgang smart(D)ER © ZAMG 2019 Methoden: • Themenspezifische Workshops • Labor-Übungen und Exkursionen • Vernetzung and Dissemination • Projektworkshops/ Projektarbeiten • Transfer-Projekte
ICE CONTROL Ensemble-Vereisungsprognosen als Basis zur innovativen Betriebsführung von Windkraftanlagen unter Vereisungsbedingungen
ICE CONTROL © ZAMG 2019 • Ziel: Ensemble-Vereisungsprognosen als Basis zur innovativen Betriebsführung von Windenergieanlagen unter Vereisungsbedingungen • Nutzen von Ensemble-Prognosen für Vorhersage von Vereisung von Windenergieanlagen • Abschätzung der Unsicherheit in der Vorhersage hervorgerufen durch Unsicherheiten im Ausgangszustand, Bildung einer Ensemble-Prognose durch Störung der verwendeten Beobachtungsdaten • Verwendung zusätzlicher Beobachtungsdaten – u.a. SCADA-Daten, Satellitendaten für Wolkenmaske, MODE-S • Implementierung einer Windparkparameterisierung zur Modellierung von Abschattungseffekten durch WEA • Deterministische/probabilistische Vereisungsprognosen von Windenergieanlagen operationell möglich
ICE CONTROL © ZAMG 2019 • Vereisungsprognose unterschiedlicher Ensemble-Member erzeugt durch Ensemble-Datenassimilation • deutliche Unterschiede (Unsicherheiten) in Vereisungsmenge und Vereisungsstart • Verifikation verschiedener Ensemble-Systeme für vereisungsrelevante Parameter für einen Windpark (Periode 1 Wintersaison) im Vergleich zu deterministischer Prognose (rot). • Idealer Score linke obere Ecke – Ensemble-Systeme liefern durchweg bessere Vorhersagequalität FF > 10 m/s T < 270K
Operationelle Wind(leistungs)prognosen
Prognosen für Windenergie – intra-day/days-ahead © ZAMG 2019 Operationelles Modell ZiANN (ZAMG interval Artificial Neural Network) • Stündliche Prognosen für die nächsten 48 Stunden • Verwendung eines neuronalen Netzwerks im „Ensemble Modus“ (deterministische Prognose) aber auch Wechsel zu „random forest forecast“
WINDSOR Seamless wind and solar radiation forecasting for renewable energies
WINDSOR © ZAMG 2019 • Projektdauer: 01.10.2018 – 30.09.2020 (24 Monate) • Ziel: Verbesserung der Wind-, Strahlungs- und Leistungsprognosen an ausgewählten Standorten, ‘seamless’ von Nowcasting (intra-day) bis Kurzfrist (1-2 Tage). • Methoden: • Verknüpfung von meteorologischen Messdaten, SCADA-Daten, NWP-Daten mittels Machine Learning und Data Mining Methoden • Assimilation von SCADA-Daten • Parametrisierung des Effektes von Windparks (Fitch et al. 2012) in AROME-RUC • Probabilistischer Ansatz zur Unsicherheitsabschätzung der Prognosen • Feedback der Projektpartner bzgl. Güte / Anwendbarkeit der Prognosen im Netzbetrieb
WINDSOR - Ergebnis © ZAMG 2019 Windprognose für Windpark, MAE im Mittel über 38 Turbinen und über 1 Jahr MAE: mittlerer absoluter Fehler pers: Persistenzvorhersage clim: Klimatologie arome: direkter Modelloutput von Arome emos: ensemble model output statistics emos boost: emos boosting, spezielle Variante die eine größere Anzahl an Prädiktoren erlaubt Projekthalbzeit noch keine Endaussagen möglich; aber generell zeigt sich • „machine learning Methoden“ haben positiven Impact auf die Wind-, Strahlungs- und Leistungsprognosen • aber die optimale Methode bzw. Hyperparameter Einstellungen sind sehr individuell für jeden Windpark bzw. sogar für jede einzelne Turbine / PV Anlage
AWAkE Machine Learning algorithms for short-range forecasts of renewable energies (industrienahe Dissertation)
AWAkE © ZAMG 2019 • Projektleitung: ZAMG, Schicker • Betreuung Dissertation: A. Rauber, TU Wien • SAB: C. Plant (Uni Wien), K. Schindlerova (Uni Wien), M. Templ (ZHW), G. Schürmann (Enercon) • Projektdauer: 01.10.2017 – 30.09.2020 (36 Monate) • Ziel: Kurz- und Mittelfristvorhersagen für Wind und Solarenergie basierend auf memory deep learning (komplexe neuronalen Netzen), Gitter- und Punktbasiert. Nabenhöheprognosen und Böenabschätzung für Windturbinen. • Methoden: – meteorologische Messdaten, SCADA-Daten und NWP-Daten mittels Machine Learning (CNN, LSTM, RNNs) und Data Clustering Methoden zu einer Vorhersage verknüpfen – Entwicklung von Böenabschätzungsalgorithmen für Windenergieanlagen
IEA Wind Task 36, I & II Forecasting for wind energy
IEA Wind Task 36: Forecasting for wind energy © ZAMG 2019 • Projektdauer: 01.10.2017 – 30.09.2022 • Ziel: Windleistungsvorhersagen werden seit mindestens 20 Jahren operationell betrieben. Dennoch gibt es noch ausreichend Potential die Vorhersagen, physikalische aber auch post-processing Methoden, aber auch die Interaktion mit den Nutzern zu verbessern. • Der Wind Task 36 organisiert die internationale Kollaboration zwischen Wetterzentren, Windleistungsvorhersagefirmen Quelle: Corinna Möhrlen, WEPROG und den Nutzern und versucht Guidelines bereitzustellen aber auch an der Vorhersagen zu arbeiten. • Anteil ZAMG: – Benchmarking und Verifikationsguidelines von Vorhersagen – stete Verbesserung der eigenen Prognosen
WIST Wind und Sturm (… im Wandel?)
Wie die NAO das Wetter in Europa bestimmt: © ZAMG 2019 NAO - Nordatlantische Oszillation NAO+ • Schwankungen des Luftdruck-Gegensatzes zwischen dem Azorenhoch im Süden und dem Islandtief im Norden des Nordatlantiks. • Beeinflusst entscheidend Wetter- und Klimaschwankungen über dem östlichen Nordamerika, dem Nordatlantik und Europa. • Einfluss besonders stark auf das NAO- europäische Winterklima. • NAO-Index als Stärkemaß
Vorhersagbarkeit der NAO © ZAMG 2019 • NAO ist gekoppelt mit anderen Größen und steht mit ihnen in Wechselwirkung • Phasen anderer Zirkulationen überlagern sich. • Modelle können nicht den positiven Trend von 1960er bis in die 1990er reproduzieren. Vorhersagbarkeit schwierig. • anthropogener Anteil an der Veränderung der NAO wird auf 30% geschätzt.
Großskalige Stürme in Europa und NAO © ZAMG 2019 • NAO bestimmt das Wetter in Europa • Direkter Zusammenhang zwischen der Anzahl winterlicher Sturmtagen Quelle: I. Anders (2015) pro Jahr und NAO-Index • Phasen mit mehr Sturmtagen und weniger.
Trends in den Anströmrichtungen © ZAMG 2019 • relative Häufigkeit der Wetterlage (PMSL) in jedem Jahr von 1958 bis 2017 (JRA-55) • signifikante Zunahme der antizyklonalen (A, eher windschwache) und Abnahme der Wetterlagen aus Süd (S) • Tendenzielle Zunahme: NE, NW • Abnahme der zyklonalen (C, eher windige) Wetterlagen • Tendenzielle Abnahme: N, E, SE, SW • Gleichbleibend: UNC, W, N
Windparks und Radardaten Studien zur Beeinflussung von Radardaten durch WEA
Annahmen © ZAMG 2019 • WEA … – verursachen Falschechos in den Radardaten – stören die Dopplerwind-Daten – stören nicht nur die unterste Elevation – verursachen spezielle Streueffekte – dämpfen/blockieren den Radarstrahl – beeinflussen die dual-pol-Messungen – WEA-Einfluss ist stark abhängig von den meteorologischen Bedingungen und vom Betriebszustand der WEA Windpark-Gebiet zu Referenzgebiet vorher nachher vorher/nachher dBZ unbeeinflusst dBZ vorher dBZ unbeeinflusst dBZ beeinflusst dBZ beeinflusst dBZ nachher
Teams und Kontakt © ZAMG 2019 K. Baumann-Stanzer, Kleinwindkraft S. Stenzel A. Beck, H. Kaufmann, F. Meier, Vereisungsprognosen V. Tran, F. Weidle, C. Wittmann Fragen? windpower@zamg.ac.at M. Dabernig, Hartel, Windprognosen A. Kann, F. Meier, P. Papazek, I. Schicker I. Anders, G. Hohenwarter, M. Windklima und Daten Kalcher H. Kaufmann, M. Ortner, V. Tran, L. Tüchler
Sie können auch lesen