Fraunhofer-Institut für Energiewirtschaft und Erfolgreicher Abschluss des BMWK-Projekts »EWeLiNE«: Prognose von Wahrscheinlichkeiten, höhere zeitliche und räumliche Auflösung
Fraunhofer IWES und Deutscher Wetterdienst mit neuen Modellen für exaktere Wetter- und Leistungsprognosen
Sturm oder Flaute, dunkle Wolken oder blauer Himmel – je nach Wetterlage speisen Windräder und Photovoltaikanlagen mal mehr, mal weniger Strom ins Netz. Eine große Herausforderung für die Betreiber der Übertragungsnetze: Sie müssen die eingespeiste Strommenge möglichst exakt prognostizieren, um die Netze stabil zu halten. Das Fraunhofer IWES in Kassel hat daher zusammen mit dem Deutschen Wetterdienst DWD in Offenbach im Projekt EWeLiNE mathematische Modelle entwickelt, die deutlich bessere Vorhersagen ermöglichen als herkömmliche Verfahren. Jetzt haben die Partner das vom Bundeswirtschaftsministerium BMWK geförderte und seit Ende 2012 laufende Projekt erfolgreich abgeschlossen.
»Um die Versorgungssicherheit zu gewährleisten, sind die Übertragungsnetzbetreiber gefordert, Stromangebot und -nachfrage im Netz stets im Gleichgewicht zu halten. Sie müssen deshalb wissen, wie viel Energie in den nächsten Stunden und Tagen in welcher Region eingespeist werden wird«, umschreibt Dr. Jan Dobschinski, der am Fraunhofer-Institut für Windenergie und Energiesystemtechnik IWES in Kassel die Forschungsgruppe Prognosen für Energiesysteme leitet, die Herausforderungen. Dabei verlassen sie sich auf Wetter- und Leistungsprognosen – die allerdings längst nicht immer korrekt sind: »Prognosefehler sind mit Blick auf die Netzsicherheit ein echtes Problem für Übertragungsnetzbetreiber«, sagt EWeLiNE-Projektleiter Dr. Malte Siefert.
Wie Praxistests zeigen, zeichnen sich die von IWES und DWD entwickelten neuen Prognosemodelle durch eine sehr hohe Vorhersagegenauigkeit und an den Netzbetrieb angepasste Wetterwarnungen aus. So sind sie den üblicherweise verwendeten Verfahren vor allem bei extremen Wetterlagen wie starkem Wind überlegen. Zudem liefern sie Daten in einer höheren zeitlichen und räumlichen Auflösung. »Mit unseren Modellen können die Übertragungsnetzbetreiber die Einspeisung für jedes einzelne der mehreren hundert Umspannwerke in Deutschland prognostizieren. Die Netzsteuerung wird damit einfacher und sicherer. Auch beim Handel mit Strom profitieren sie von verlässlicheren Prognosen«, sagt Siefert.
Strahlungsdaten im Viertelstundentakt
Ein zentraler Ansatzpunkt des EWeLiNE-Projekts lag auf der Anpassung der Wettermodelle an die spezifischen Anforderungen und Bedingungen der erneuerbaren Energien. So ermöglichen die Modelle jetzt zum Beispiel exakte Vorhersagen der Windverhältnisse in Höhe der Windrad-Naben. Vor allem den Tagesgang konnten die Wissenschaftler deutlich verbessern.
Bei der Photovoltaik lässt sich nun die Hochnebelkonzentration genauer vorhersagen – ein großer Vorteil für die Netzbetreiber, da schon kleine Änderungen der Nebeldichte große Auswirkungen auf den Ertrag der Anlagen haben. Dabei liefern die Modelle auch eine Risikokarte für das Auftreten von Hochnebel. Dazu kommt eine höhere zeitliche Auflösung der Vorhersagen: Strahlungsdaten werden jetzt im 15-Minuten-Rhythmus berechnet, so dass die Prognosen einen schnellen Wechsel der Bewölkung berücksichtigen.
Prognosen bilden Wahrscheinlichkeiten ab
Neben den Wettermodellen haben die Forscher auch die Leistungsprognosen für Windenergie- und Solaranlagen weiterentwickelt, unter anderem durch eine höhere räumliche Auflösung bei der Photovoltaik. Die neuen Modelle verwenden selbstlernende Algorithmen, die Echtzeit- und historische Daten verbinden, um die Vorhersagen zu verbessern. Im Zusammenspiel mit den Wetterprognosen gewinnen die Netzbetreiber so wertvolle Informationen für die Steuerung der Netze sowie den Stromhandel.
Mit den neuen Wetter- und Leistungsmodellen sind die Anwender auch in der Lage, probabilistische Prognosen vorzunehmen: Statt pauschal eine eingespeiste Leistung für einen bestimmten Zeitpunkt vorherzusagen, können sie Wahrscheinlichkeiten – zum Beispiel, dass die Windleistung mit 80 Prozent Wahrscheinlichkeit unter 500 Megawatt und mit 15 Prozent Wahrscheinlichkeit unter 200 Megawatt liegt – ermitteln. »Das ist ein echter Mehrwert für die Netzbetreiber, da die probabilistischen Prognosen Unsicherheiten abbilden. Die Unternehmen können so besser abschätzen, ob sie einen Puffer brauchen, um das Netz stabil zu halten. Und auch für die Vermarktung von Strom ist die Angabe von Wahrscheinlichkeiten ein Vorteil«, sagt Siefert.
Über eine Demonstrationsplattform mit einer interaktiven, räumlich hoch aufgelösten Karte können die Netzbetreiber die neuen Prognosemodelle bereits in der Praxis erproben. Die Übernahme in den dauerhaften Onlinebetrieb soll schrittweise in den nächsten Monaten erfolgen.
Folgeprojekt mit weiteren Partnern
Nach dem Abschluss von EWeLiNE, das vom Bundesministerium für Wirtschaft und Energie gefördert wurde, werden die Partner ihre Entwicklungsarbeit in dem Folgeprojekt »Gridcast« fortsetzen. »Wir werden hier gezielt daran arbeiten, die Prognosen für die einzelnen Umspannwerke zu verbessern«, erklärt Siefert. Neben den Wetterdaten sollen dabei auch weitere Informationen wie etwa Satellitenbilder für die Solarprognosen integriert werden.
Darüber hinaus werden die Forscher mit Gridcast untersuchen, wie sich die Abweichung zwischen der möglichen Erzeugung einerseits und der realen Einspeisung andererseits in die Prognosen integrieren lässt. »Immer öfter werden Windräder abgeregelt, etwa wegen Netzengpässen oder Natur- und Schallschutzauflagen. Bei der Photovoltaik nimmt der Eigenverbrauch zu, ebenso die installierte Speicherkapazität. Diese Entwicklungen müssen bei den Einspeiseprognosen berücksichtigt werden«, macht Dobschinski deutlich.
Neben IWES, DWD und den Übertragungsnetzbetreibern werden sich auch der Windenergieanlagenhersteller Enercon sowie zwei Verteilnetzbetreiber bei Gridcast engagieren. »Den Verteilnetzbetreibern kommt bei der Sicherung der Netzstabilität eine immer größere Bedeutung zu, da die erneuerbaren Energien auf dieser Netzebene eingespeist werden«, sagt Dobschinski.
Letzte Änderung: