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
Kleinwindkraft
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
SmallWindPower@Home - Modellsimulationen
© ZAMG 2019
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 möglichICE 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 < 270KOperationelle 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 NetzbetriebWINDSOR - 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 AnlageAWAkE 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
WindenergieanlagenIEA 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 PrognosenWIST 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 StärkemaßVorhersagbarkeit 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, NWindparks 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 nachherTeams 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.
TüchlerSie können auch lesen
