Fraunhofer IWES erstellt die besten Windparkprognosen

IWES-Gruppenleiter und Preisträger Jan Dobschinski mit seinen Kollegen Thomas Kanefendt und Scott Otterson bei der Interpretation von Wetter- und Leistungsprognosen / © Fraunhofer IWES
IWES-Gruppenleiter und Preisträger Jan Dobschinski mit seinen Kollegen Thomas Kanefendt und Scott Otterson bei der Interpretation von Wetter- und Leistungsprognosen / © Fraunhofer IWES

Fraunhofer-Forscher gewinnen Windprognose-Wettbewerb

Im EU Forschungsprogramm WIRE: „Weather Intelligence for Renewable Energies“ der europäischen Kooperation in Wissenschaft und Technik (COST) wurde ein Prognose Benchmark-Test durchgeführt, in welchem das Fraunhofer IWES aus Kassel die besten Windparkprognosen erstellte.

(WK-intern) – Elf verschiedene Teilnehmer aus Europa, Japan, Indien, USA und Australien nahmen an dem Benchmark-Test teil, den WIRE COST Action in 2013 initiierte. Dr. Kurt Rohrig, stellv. Institutsleiter des IWES und Entwickler des ersten Prognosesystems des IWES, war nicht überrascht, freute sich dennoch, dass die Wissenschaftler seines Bereichs den ersten Platz belegten.

Im Fokus der Auswertung stand die Güte der einzelnen Prognosealgorithmen, welche zur Transformation der meteorologischen Eingangsgrößen in die zu erwartende Leistungsproduktion der Windparks herangezogen wurden. Die Teilnehmer erhielten die gleichen Datensätze an historischen lokalen Wetterprognosen und Leistungsmessungen von zwei Windparks. Für den Auswertezeitraum wurden jedoch nur die Wetterprognosen bereitgestellt. Die Aufgabe bestand darin, die Leistung von zwei Windparks für diesen Zeitraum zu prognostizieren und sie den Organisatoren für die Auswertung anonym bereit zu stellen.

Um ebenfalls Aussagen über die Einsetzbarkeit der Prognosemodelle für verschiedene orographische Bedingungen treffen zu können, wurden zwei Windparks mit besonders extremen lokalen Eigenschaften ausgewählt. Beide Windparks befinden sich in Italien, wobei einer eine installierte Nennleistung von 104 MW aufweist und sich im komplexen Gelände befindet. Der andere umfasst ein Anlagenportfolio von 21 MW und ist im Flachland gelegen.

Zur Modellierung des Zusammenhangs zwischen den meteorologischen Eingangsgrößen aus dem Wetterprognosemodell und der zu erwartenden Leistungsproduktion der Windparks verwendeten die Forscher des Fraunhofer IWES Künstliche Neuronale Netze (KNN), dessen Topologie und Lernverfahren speziell für diese Aufgabe angepasst wurden. „Der Einsatz von KNN für die Windleistungsvorhersage wurde vom Fraunhofer IWES schon im Jahr 2001 umgesetzt und läutete damals eine neue Ära auf diesem Gebiet ein“, betont Dr. Rohrig. Ein besonderer Fokus liegt hierbei in der Vorverarbeitung der verfügbaren Daten. Diese umfasste eine umfangreiche Analyse der vorhandenen historischen Leistungsmessungen und eine optimierte Aufbereitung und Auswahl der Modelleingangsvariablen.

Die Leistungsprognosen aller teilnehmenden Institutionen wurden vom COST Action Organisationskomitee für alle Vorhersagehorizonte der zugrundeliegenden Wetterprognose ausgewertet. Diese umfassen Vorlaufzeiten von 1 bis 48 bzw. bis 72 Stunden in Abhängigkeit vom verwendeten Wettermodell.

Das Windparkprognosemodell des Fraunhofer IWES wies für beide Windparks im Mittel den geringsten Fehler auf. Für den Windpark im Flachland wies die Prognose des Fraunhofer IWES einen mittleren absoluten Fehler (MAE) von 9,45 % der installierten Leistung auf. Dies entspricht einer mittleren Abweichung von etwa 2 MW. Einen noch geringeren mittleren absoluten Fehler von 9,04 % der installierten Gesamtkapazität zeigte die Leistungsprognose des IWES für den Windpark im komplexen Gelände, entsprechend einem mittleren Fehler von etwa 9,4 MW.

Das Ergebnis dieses Benchmark-Tests spiegelt die Kompetenz des IWES für Leistungsprognosen und statistisch basierte Modellierung wieder und macht es seit Jahren zu einem zuverlässigen Partner für Netzbetreiber und Stromhändler.

PM: Uwe Krengel Pressestelle
Fraunhofer Institut für Windenergie und Energiesystemtechnik IWES

Weitere Beiträge:



Diesen Artikel weiterempfehlen:






Schreibe einen Kommentar

Top