Neue Instrumente zur Erhöhung der Genauigkeit kurzfristiger Prognosen für erneuerbare Energiequellen
Da erneuerbare Energiequellen in vielen europäischen Ländern einen immer größeren Anteil des Stromkraftwerkparks ausmachen, stellt ihr inhärenter intermittierender Charakter eine Herausforderung für den Betrieb dar. Der Schlüssel zu einem sicheren und wirtschaftlichen Betrieb von Stromversorgungssystemen, die stark von erneuerbaren Energiequellen abhängig sind, liegt in der Verbesserung der kurzfristigen Prognose der Erzeugung aus erneuerbaren Energiequellen. Das Team des EU-finanzierten Projekts Smart4RES versucht, diese Herausforderungen mit einem ganzheitlichen Ansatz zu bewältigen. „Unser Ansatz umfasst die gesamte Modell- und Wertschöpfungskette im Zusammenhang mit der Prognose für erneuerbare Energiequellen, von der Wettervorhersage bis hin zu Endanwendungen“, erklärt Projektkoordinator George Kariniotakis. „Wir wollten bahnbrechende Verbesserungen bei der Prognosetechnologie für erneuerbare Energiequellen erreichen und nicht nur schrittweise Fortschritte.“
Verbesserungen auf breiter zeitlicher und räumlicher Ebene
Das Endziel von Smart4RES war die Entwicklung und Validierung von Instrumenten der nächsten Generation, um die Leistung der Prognostik für erneuerbare Energiequellen um mindestens 15 % zu verbessern. Die Projektpartner arbeiteten an der Verbesserung numerischer Wettervorhersagemodelle für die Industrie der erneuerbaren Energiequellen, wobei Daten von Satelliten und Himmelsbildern integriert wurden. „Wir haben einen ultrahochauflösenden Large-Eddy-Simulationsansatz für die sehr lokale Wettervorhersage entwickelt. Um die Vorhersage von Wettervariablen zu verbessern, haben wir zum ersten Mal ein Netzwerk von Himmelskameras eingesetzt, die über ein großes Gebiet verteilt sind, was einen Fortschritt gegenüber der traditionellen Methode darstellt, bei der nur eine Kamera an einem Standort verwendet wird“, erklärt Kariniotakis. „Die Verwendung von Himmelskamerabildern für die Prognose der Solarenergie hat zu einer Leistungssteigerung von 20 % geführt, insbesondere für Prognosen, die 15 bis 30 Minuten im Voraus erfolgen.“ „Wir haben zudem ein nahtloses Prognosemodell entwickelt, das herkömmliche Modellketten vereinfacht und ein einziges, kontinuierliches Modell für probabilistische Prognosen der Solar- und Windenergieerzeugung von Minuten bis Tagen im Voraus bereitstellt. Diese Methode reduziert den Rechenaufwand drastisch um 99 % und liefert dabei vergleichbare Ergebnisse wie bestehende Modelle“, fügt Kariniotakis hinzu. Um die kurzfristige Genauigkeit zu verbessern, haben die Forschenden zudem Methoden entwickelt, um Daten zwischen verschiedenen Anlagen für erneuerbare Energien auszutauschen, wobei die Informationen vertraulich und sicher behandelt werden. Auf diese Weise konnte das probabilistische Ergebnis um bis zu 20 % für einen Zeitraum von bis zu 6 Stunden verbessert werden.
Erhöhung des Prognosewertes und Unterstützung bei der Entscheidungsfindung
Das Projektteam hat einen hochmodernen Datenmarkt-Prototyp für die gemeinsame Nutzung von Daten aus dezentralen Energie-Ressourcen entwickelt, der mit neuen Algorithmen und Geschäftsmodellen ausgestattet ist. „Dieses System ist nicht nur genau, sondern generiert den größtmöglichen Nutzen aus den Daten und unterstützt bessere Prognosen für erneuerbare Energien“, so Kariniotakis. „Die Entscheidungsfindung für die Integration erneuerbarer Energiequellen in Stromversorgungssysteme und -märkte ist jetzt effizienter, mit prädiktivem Dispatch für autonome Stromversorgungssysteme, Multiservice-Speicheroptionen, datengesteuertem Handel mit erneuerbaren Energien und lokalen Steuerungsalgorithmen, die Netzengpässe bewältigen. So konnten wir zum Beispiel die Kosten für die Flexibilitätsaktivierung für die Stromnetzbetreiber um 30 % senken.“ „Um eine Vereinfachung gegenüber dem herkömmlichen Prognose-Optimierung-Modell zu erreichen, haben wir einen präskriptiven Analyseansatz vorgeschlagen, der auf interpretierbarer KI basiert und es ermöglicht, das Lernen von den verfügbaren Daten bis zur Entscheidungsfindung zu optimieren“, fügt Kariniotakis hinzu.
Testen von Modellen unter realen Bedingungen
Die Projektpartner haben die neu entwickelten Wettervorhersagemethoden in die operationellen Modelle von Meteo-France und Whiffle integriert. Diese verbesserten Modelle wurden mit kommerziellen Prognosen verglichen und zur Bewertung der wichtigsten Leistungsindikatoren für den Handel mit erneuerbaren Energien auf den Strommärkten verwendet. Die Partner testeten zudem Frequenzregelungsstrategien für autonome Inselnetze mithilfe von Echtzeitsimulationen, die eine hohe Nutzung erneuerbarer Energiequellen widerspiegeln. Schließlich wurde eine Kosten-Nutzen-Analyse der Prognose für erneuerbare Energiequellen und Entscheidungshilfeinstrumente durchgeführt. Ziel war es, die effektivsten Kombinationen von Datenquellen zu ermitteln und die potenziellen Vorteile einer fortgeschrittenen Entscheidungsunterstützung zu ermitteln. Ein solcher Vorteil könnte zum Beispiel die Möglichkeit sein, den Netzausbau durch intelligentes Management der lokalen Flexibilität zu verzögern. „Wir haben die Grundlagen für fortschrittliche Prognoseinstrumente für die wetterabhängige Erzeugung aus erneuerbaren Energiequellen geschaffen. Diese Instrumente der nächsten Generation zielen darauf ab, die Auswirkungen der Intermittenz erneuerbarer Energiequellen in Stromversorgungssystemen mit einem hohen Anteil erneuerbarer Energiequellen abzumildern, und zwar in einem breiten Spektrum von Zeiträumen – von Minuten bis zu mehr als 10 Tagen – und räumlichen Maßstäben – von einzelnen Anlagen erneuerbarer Energiequellen bis hin zur regionalen oder nationalen Ebene“, schließt Kariniotakis.
Schlüsselbegriffe
Smart4RES, Wettervorhersage, Entscheidungsfindung, kurzfristige Prognose, erneuerbare Energiequellen, gemeinsame Nutzung von Daten, Datenmärkte, Stromversorgungssystem-Management, Handel mit Energie
