In den Vereinigten Staaten messen die Türme neuer Windkraftanlagen oft mehr als 90 Meter in der Höhe und die Rotoren selbst können weitere ~60 Meter in die Höhe ragen. Die enorme Höhe dieser Strukturen bedeutet, dass Windgeschwindigkeiten weit über der Oberfläche die Winderzeugung beeinflussen können. Die Fähigkeit, Windgeschwindigkeiten in diesen Höhen genau zu charakterisieren, ist entscheidend, um die potenzielle Windenergieerzeugung abzuschätzen, Windanlagen effizient in das Stromnetz zu integrieren, die Zuverlässigkeit und Widerstandsfähigkeit des Netzes zu verbessern und sogar neue Windanlagen selbst zu entwerfen.
Es ist schwierig und teuer, Windgeschwindigkeiten in Turmhöhe (~90 Meter) zu messen, und öffentlich verfügbare Daten von hohen Türmen oder Fernerkundung sind sehr begrenzt. Daher verwenden Forscher und Praktiker üblicherweise meteorologische Modelle, um Windgeschwindigkeiten in Turmhöhe und darüber zu charakterisieren. Aber wie gut funktionieren diese Modelle? Können sie Windprofile genau charakterisieren und wo liegen ihre Grenzen?
EIN neue Studie aus dem Berkeley Lab und der University of California, San Diego, bewertet drei häufig verwendete Wettermodelle auf ihre Fähigkeit, stündliche Profile von Windgeschwindigkeiten (in Turmhöhe) über ganz Texas zu charakterisieren. Die Studie wurde in der Fachzeitschrift Wind Energy veröffentlicht.
Neuartiger Ansatz
Wir verwenden einen neuartigen Ansatz, um diese Wettermodelle zu evaluieren, um den Mangel an Windgeschwindigkeitsbeobachtungen in Turmhöhe zu überwinden: Wir wandeln modellierte Windgeschwindigkeiten in Winderzeugung um, indem wir anlagenspezifische Eigenschaften verwenden, und bewerten dann die modellierte Winderzeugung im Vergleich zu einem einzigartigen Datensatz von 7 Jahre der stündlichen Erzeugungsaufzeichnungen von über 100 Windkraftanlagen in Texas (Abbildung 1 zeigt eine Karte aller in dieser Studie verwendeten Anlagen). Dieser Vergleich ermöglicht es uns, die Fähigkeit der Wettermodelle zur Darstellung von Winderzeugungsressourcen zu bewerten.
Abbildung 1. Karte der in dieser Studie enthaltenen Windkraftanlagen und Korrelationskoeffizient zwischen stündlich modellierter und aufgezeichneter Erzeugung.
Wichtige Erkenntnisse
Die Analyse ergab, dass diese Wettermodelle nach einigen Metriken gut funktionierten und stündliche Profile der Windenergieressourcen in ganz Texas genau darstellten. Das Papier identifiziert jedoch auch Schlüsselbereiche, in denen die Genauigkeit dieser Modelle begrenzt ist. Beachten Sie, dass sich unsere Ergebnisse hauptsächlich auf zwei der drei von uns evaluierten Modelle (ERA5 und MERRA2) konzentrieren, da wir das Modell HRRR nur über einen Teil des Studienzeitraums evaluiert haben.
- Die Modelle stellen die Winderzeugung mit relativ geringer Verzerrung und anständiger stündlicher Korrelation dar. Insbesondere betrug der durchschnittliche Fehler über alle Stunden und Anlagen in Bezug auf den Kapazitätsfaktor 1,1 % für ERA5 und 6,4 % für MERRA2 (was beispielsweise bedeutet, dass eine Anlage mit einem aufgezeichneten Kapazitätsfaktor von 40 % mit einem 46,4 % Kapazitätsfaktor mit MERRA2). Die durchschnittlichen stündlichen Korrelationskoeffizienten liegen je nach Modell und Tageszeit zwischen 0,7 und 0,9 (siehe Abbildung 2).
- Fehler waren auf Stundenbasis größer als auf Tagesbasis. Beispielsweise betrug die Wahrscheinlichkeit, dass der modellierte Kapazitätsfaktor aus dem ERA5-Modell innerhalb von ±20 % des aufgezeichneten Kapazitätsfaktors lag, 78 % auf Stundenbasis, aber 99 % auf Tagesbasis. Auch hier handelt es sich um den Kapazitätsfaktor. Wenn also beispielsweise der aufgezeichnete Kapazitätsfaktor für einen Tag 80 % betrug, bestand eine Wahrscheinlichkeit von 99 %, dass der Kapazitätsfaktor des ERA5-Modells für diesen Tag und die Anlage zwischen 60 % und 100 % lag. MERRA2 folgte einem ähnlichen Muster, jedoch mit etwas geringerer Genauigkeit sowohl im täglichen als auch im stündlichen Zeitrahmen.
- Verbesserte Auflösung des geografischen Modells reduzierte Fehler und verbesserte Korrelation. ERA5 (horizontale Auflösung ~30 km) schnitt besser ab als MERRA2 (horizontale Auflösung ~50 km), und HRRR (horizontale Auflösung 3 km) hatte die besten Leistungsmetriken. Obwohl sich die Auflösung zwischen den Modellen dramatisch unterscheidet, trugen wahrscheinlich auch andere methodische Unterschiede innerhalb der Modelle zu Leistungsunterschieden bei.
- Die Korrelation zwischen modellierter und aufgezeichneter Erzeugung nahm während der Nachtstunden ab, insbesondere im Sommer.
Figur 2. Korrelationskoeffizient nach Stunde (in Sonnenzeit) für MERRA2, ERA5 und HRRR für das Jahr 2019.
Wichtige Auswirkungen
Die Modelle konnten die tägliche Winderzeugung sehr gut darstellen. Einfach ausgedrückt waren die Modelle fast immer in der Lage, erfolgreich zwischen Tagen mit hoher Winderzeugung und Tagen mit geringer Winderzeugung zu unterscheiden (durch die Metrik der Vorhersage von Kapazitätsfaktoren innerhalb von ±20 % des aufgezeichneten Kapazitätsfaktors). Für einzelne Stunden waren die Modelle oft in der Lage, erfolgreich zwischen Stunden mit hohen und niedrigen Windressourcen zu unterscheiden, verfehlten jedoch den Kapazitätsfaktor um > 20 %, etwa 20 % bis 30 % der Zeit.
Wir vermuten, dass der Rückgang der Korrelation zwischen modellierter und aufgezeichneter Erzeugung während der Nachtzeit auf eine falsche Darstellung der atmosphärischen Grenzschicht in diesen Modellen zurückzuführen ist. Nachts schrumpft die Grenzschicht oft auf Höhen, die Windkraftanlagen beeinträchtigen würden. Darüber hinaus kann die Fähigkeit von Modellen, bestimmte meteorologische Phänomene während der Nacht darzustellen, wie z. B. Jets in niedriger Höhe, die Übereinstimmung der Modellbeobachtungen weiter verschlechtern. Weitere Forschung ist notwendig, um diese Hypothese zu bestätigen.
Eine Erhöhung der Modellauflösung verbessert die Korrelationsmetriken insgesamt, löst jedoch nicht das Problem der verminderten Korrelation während der Nacht.
Praktiker, die diese Wettermodelle zur Darstellung von Winderzeugungsprofilen verwenden, sollten sich ihrer Grenzen bewusst sein. Weitere Analysen wären hilfreich, um festzustellen, wie gut diese Modelle Windprofile in anderen Regionen darstellen.
Abschließend stellen wir fest, dass es sich bei dieser Analyse nicht um Wettervorhersagen handelt, sondern lediglich um meteorologische Modelle von Wetterbedingungen in Echtzeit. Wir erwarten, dass Fehlermetriken mit Prognosen an Qualität verlieren. Weitere Forschung mit Schwerpunkt auf Vorhersagen ist erforderlich, um ihre Fähigkeit zur Darstellung der stündlichen Erzeugung zu bestimmen.
Wichtige Einschränkungen
Dieser Ansatz basiert auf der Annahme, dass die modellierten Windgeschwindigkeiten selbst viel mehr Unsicherheit aufweisen als die Umrechnung zwischen Windgeschwindigkeiten und Ausgangsleistung. Unsere Umwandlung der Windgeschwindigkeit in Erzeugung war relativ einfach und beinhaltete zwar die Verwendung anlagenspezifischer Leistungskurven, berücksichtigte jedoch keine Anlagensteuerungen, lokale Schwankungen der Windgeschwindigkeit, Nachlaufverluste und andere Arten von Verlusten. Wenn Nachlaufverluste während der Nacht weniger konsistent waren als in anderen Perioden, ist es möglich, dass dies zu den von uns beobachteten Tagesmustern beigetragen hat. Allerdings machen Nachlaufverluste typischerweise einen kleinen Teil der jährlichen Erzeugung aus (0 bis 10 %), und daher ist es unwahrscheinlich, dass sie die Art der beobachteten Leistungsänderungen des Modells verursacht haben. Darüber hinaus kann unser Ansatz keine Verluste im Zusammenhang mit der Anlagenwartung oder wetterbedingten Betriebsunterbrechungen (z. B. Vereisung im Winter) berücksichtigen. Die beobachteten Fehlermuster deuten jedoch nicht darauf hin, dass diese betrieblichen Probleme eine große Rolle spielen. Wir stellen fest, dass die Modelle, wenn Verluste in die modellierte Generation einbezogen worden wären, wahrscheinlich eher kleine negative als kleine positive Verzerrungen gehabt hätten.
Eine weitere wichtige Einschränkung besteht darin, dass diese Bewertung für die Region Texas gilt, aber nicht unbedingt auf andere Regionen anwendbar ist, insbesondere auf Regionen mit komplexem und/oder bergigem Gelände.
Der Artikel in Wind Energy, „Limitations of reanalysis data for wind power applications“ ist „Open Access“ und für alle verfügbar: https://doi.org/10.1002/we.
Bei Fragen wenden Sie sich bitte an Dev Millstein, [email protected], am Lawrence Berkeley National Laboratory.
Wir schätzen die finanzielle Unterstützung des Büros für Energieeffizienz und erneuerbare Energien des US-Energieministeriums.
Mit freundlicher Genehmigung von Berkeley Lab, Elektrizitätsmärkte und -politik
Schätzen Sie die Originalität und Berichterstattung über CleanTechnica von CleanTechnica? Erwägen Sie, Mitglied, Unterstützer, Techniker oder Botschafter von CleanTechnica zu werden – oder Gönner auf Patreon.
