Sannolikhetsmodellering av is på vindkraftverk genom deterministisk sampling Jennie Söderman Heiner Körnich (SMHI) Esbjörn Olsson (SMHI) Peter Hessling (Kapernicus) Kontakt: jennie.perssonsoderman@geo.uu.se Sponsrat av Energimyndigheten
Motivation Produktionsprognos för nästa dygn viktig för handel med vindkraft Bättre isprognos: -> Bättre produktionsförlustprognos -> Bättre produktionsprognos Sannolikhetsprognos ger uppskattning om osäkerhet + sannolik produktion -> Cost/loss uppskattning
Innehåll Introduktion Modellkedja Tidigare studie Deterministisk sampling Osäkerheter i ismodellen Enkel deterministisk sampling Resultat Hur viktiga är de olika parametrarna? Bättre prognos Verifikation av spridningen Sammanfattning
Introduktion Modellkedja för modellering av produktionsförluster pga is ECMWF Global modell HARMONIE- AROME Baserad på Makkonen Statistisk modell
Introduktion Produktionsprognos Produktion Vindhastighet Vindhastighet Statistisk Islast Isintensitet modell Vindhastighet Potentiell produktion Produktionsförlust % Produktion
Introduktion Osäkerheter i modellkedjan - sannolikhetsprognoser
Introduktion Tidigare studie: Fokus på initial- och represenationsfel
Introduktion tidigare studie Två veckor vinter 2011-12 Observationer 10 stationer med meteorologiska mätningar 3 stationer med produktionsdata 60-100 m över marken
Introduktion - tidigare studie Initialtillståndensemble Production (MW) HarmonEPS 11 medlemmar, 10 med perturberade initialtillsånd ECMWF EPS-ränder Prognos 06 UTC+ 0-42 (18-42) timmar 2.5 km 2 1.5 1 0.5 ENS Obs 0 28/12 30/12 01/01 03/01 05/01 07/01 09/01 Time (dd/mm)
Introduktion - tidigare studie Grannmetoden Modell/faktisk terräng Position av moln tid/ rum etc.
Introduktion - tidigare studie Grannmetoden Grannmetoden - horisontell 25 gridpunkter Lika troliga - ensemble Kombinerad grannmetod+ ensemble 2 Site B 2011 2012 Modell/faktisk terräng Position av moln etc. Production (MW) 1.5 1 0.5 0 28/12 30/12 01/1 03/1 05/1 07/1 09/1 Time (dd/mm)
Introduktion - tidigare studie Kombination av metoderna ger bäst resultat RMSE (medel av ensemblemedlemmar): Kombination Produktion (MW) Deterministisk 0.46 26 Grannmetod 0.44 23 Ensemble 0.44 21 Ensemble+Grann 0.41 21 Prod. förlust (%) Medel av ensemblemedlemmarna Probabilistic forecasting of wind power production in cold climates: A case study Discussion paper in WES: https://doi.org/10.5194/wes-2017-28
Ny studie: Deterministisk sampling Fokus på ismodellens osäkerheter
Deterministisk sampling Osäkerheter i parametrar i modellen (Medel+ STD) Ensemblekörningar Osäkerhet i prognosen Figure based on: Ensemble for deterministic sampling with positive weights, 2016, A. Sahlberg. http://uu.diva-portal.org/smash/get/diva2:941626/ FULLTEXT01.pdf
Deterministisk sampling Deterministisk sampling optimerar antalet modellkörningar antalet sampel från osäkerhetsfördelningen Figure based on: Ensemble for deterministic sampling with positive weights, 2016, A. Sahlberg. http://uu.diva-portal.org/smash/get/diva2:941626/ FULLTEXT01.pdf
Testperiod och observationer 10 veckor vintern 2013-14 HarmonEPS (endast CM) (HARMONIE-AROME 40h1.1) 2.5 km 06 UTC + 0-42 (18-42) timmar Observationer 4 stationer med produktionsdata samt vind- och temperaturmätningar Finns ismätningar osäkra - Verifierar mot prod. förlust
Osäkra parametrar i ismodellen Fem parametrar baserat på litteraturstudier MVD Droppstorlek IFP Is faller av vid smältning WE Vinderosion Nu Nusselt number, påverkar hur bra isen sätts samman β Påverkar hur bra snö och snöhagel fastnar på vingen
Första steg: Enkel deterministisk sampling med Hadamardmatrisen Hadamardmetoden för fem parametrar 8 körningar/ensemblemedlemmar +/- 1 standardavvikelse Fokuserar mycket på mitten av osäkerhetsfördelningen Osäkra parametrar P 1 P 2 P 3 P 4 P 5 Modellkörning 1 2 3 4 5 6 7 8 1-1 1-1 1-1 1-1 1 1-1 -1 1 1-1 -1 1-1 -1 1 1-1 -1 1 1 1 1 1-1 -1-1 -1 1-1 1-1 -1 1-1 1 Standardavvikelse
Första steg: Enkel deterministisk sampling med Hadamardmatrisen Exempel 1.5 Produktionsförlust (MW) 1 0.5 Observationer Hadamardkörning Medel Hadamard Det. körning 0 06/02 08/02 10/02 12/02 14/02 16/02 18/02 Datum (dd/mm)
Första steg: Enkel deterministisk sampling med Hadamardmatrisen Exempel 2 2.5 Produktionsförlust (MW) 2 1.5 1 0.5 Observationer Hadamardkörning Medel Hadamard Det. körning 0 13/02 14/02 15/02 16/02 17/02 18/02 Datum (dd/mm)
Första steg: Enkel deterministisk sampling med Hadamardmatrisen Exempel 2 Produktionsförlust (MW) 2.5 2 1.5 1 0.5 Vissa parametrars osäkerhet har ingen stor påverkan på resultatet Observationer Hadamardkörning Medel Hadamard Det. körning 0 13/02 14/02 15/02 16/02 17/02 18/02 Datum (dd/mm)
Resultat Hur mycket påverkar varje enskild parameter? MVD Droppstorlek Nu Nusselt number, påverkar hur bra isen sätts samman β Påverkar hur bra snö och graupel fastnar på vingen +/- 0.1 MW IFP Is faller av vid smältning WE Vinderosion Medel ~0.02 MW Varierar mycket med station (IFP bara relevant vid T>0)
Resultat Slumpmässig vs Hadamard Liknande medel och spridning Slumpmässig sampling något lägre spridning pga. trunkerad osäkerhetsfördelning? Ännu bättre med en mer avancerad deterministisk samplingmetod? Produktion (MW) Ensemble spridning (MW) 2 1.5 1 0.5 0 0.5 0.4 0.3 0.2 0.1 0 20/12 22/12 24/12 26/12 28/12 30/12 01/01 03/01 05/01 07/01 09/01 Datum (dd/mm) Hadamard Ensemble medel Random Ensemble medel
Resultat Förbättrad prognos Prognosfel RMSE Station A B C D Kontrollmedlem 0.57 0.34 0.31 0.41 Hadamard (Ensemblemedel) 0.35 0.30 0.22 0.34
Resultat Förbättrad prognos Prognosfel RMSE Station A B C D Kontrollmedlem 0.57 0.34 0.31 0.41 Hadamard (Ensemblemedel) 0.35 0.30 0.22 0.34 Mycket stor förbättring delvis pga. stort fel i prognosen under en period
Resultat Kan spridningen användas som osäkerhetsuppskattning? Produktionsförlust (MW) 0.5 0.45 0.4 0.35 0.3 0.25 0.2 0.15 0.1 0.05 Prognosfel Spridning Bra spread/skill relation För stor/orealistisk spridning? Bara modellfel i ismodellen är med Behöver mer validering och mer data 0 20 22 24 26 28 30 32 34 36 38 40 42 Prognoslängd (timmar)
Sammanfattning Deterministisk sampling kan användas istället för slumpmässig sampling för att optimera antalet modellköriningar En enkel deterministisk samplingmetod, hadamard, ger förbättrad prognos Med deterministisk sampling kan osäkra parametrars inverkan på resultatet enkelt kvantifieras (Metoden har också testats tillsammans med initialtillståndensemble och ger då ännu bättre resultat)
Tack för att du lyssnade!
Stor bias i vindhastighet 20 10 0 30 20 Prognos VTobs Den observerade potentiella produktionen blir lägre än prognosen Svårt att validera produktionen Wind speed (m/s) 10 0 20 10 0 20 Vindhastighet Potentiell produktion Produktionsförlust % Produktion 10 0 20/12 30/12 09/01 19/01 Time (dd/mm)