BCDC Energian sisarhanke VaGe ”Improving the value of variable and uncertain power generation in energy systems” on Suomen Akatemian rahoittama kolmivuotinen (2015–2018) hanke.  VaGe:n tavoitteena on löytää ratkaisuja siihen, miten aurinko- ja tuulienergian tuotanto saadaan käytettyä mahdollisimman tehokkaasti hyödyksi sähköjärjestelmässä. Mukana VaGe-hankkeessa ovat Ilmatieteen laitos ja Teknologian tutkimuskeskus VTT Oy sekä CLIC Innovation Oy. Ilmatieteen laitos on yksi BCDC Energian kotiorganisaatioista, ja CLIC Innovation Oy BCDC Advisory Boardin eli neuvoa-antavan yritystiimin jäsen.

BCDC-blogissa vieraileva VaGe-tiimi kirjoittaa energiasääennusteiden kehittämisen merkityksestä aurinko- ja tuulienergian entistä tehokkaammassa hyödyntämisessä.

Sääennusteita parantamalla suurempi hyöty irti tuuli- ja aurinkoenergiasta

sään ennustaminen, bcdc energia, vage, vierailublogi, aurinko energia, tuulienergia, uusiutiuvat, sami niemelä, karoliina hämäläinen, hannele holttinen, juha kiviluoma, suomen akatemia, strategisen tutkimuksen neuvosto, energiasääennuste

Vuonna 2017 tuulivoimalla tuotettiin 4,8 TWh, jolla katettiin 5,6 prosenttia Suomen sähkönkulutuksesta, aurinkosähkön osuuden jäädessä alle 0,1 prosenttiin. Tuuli- ja aurinkosähkölle onkin vielä paljon kasvuvaraa Suomessa ja kasvu trendi on selkeä: uusiutuvat energiamuodot yleistyvät, ja tulevaisuudessa tuuli- ja aurinkoenergian osuus kasvaa sekä Suomen sähköjärjestelmässä että Pohjoismaisilla ja eurooppalaisilla sähkömarkkinoilla.

Vaihteleva ja epävarma tuotanto on kuitenkin haaste energiajärjestelmälle, jonka on tuotannon ja kulutuksen suhteen pysyttävä tasapainossa joka hetki. Kestääkö sähköjärjestelmä uusien energiamuotojen aiheuttamat tuotannon vaihtelut? Kuinka ennustaa hetkittäistä sähkönkulutuksen ja tuotannon välistä suhdetta? Voitaisiinko sääennusteilla pyrkiä vastaamaan tuuli- ja aurinkoenergian tuotannon vaihtelevuuden haasteisiin? Monissa maissa, missä uusiutuvien osuus on korkeampi kuin Suomessa, jää osa mahdollisesta tuotannosta valitettavasti hyödyntämättä (curtailment). Syynä on se, että esimerkiksi hyvin tuulisena ja aurinkoisena päivänä uusiutuvaa energiaa on tarjolla niin paljon, ettei sille löydy vastaavaa kulutusta. Tällöin sähkön hinta saattaa painua jopa negatiiviseksi, mikä on merkki vakavasta markkinahäiriöstä.

Edellä mainittuihin kysymyksiin pyrkii osaltaan vastaamaan viimeistä vuottaan pyörivä BCDC:n ”sisarhanke” VaGe (Improving the value of variable and uncertain power generation in energy systems). Yhtenä VaGe:n tavoitteena on löytää ratkaisuja siihen, miten vaihteleva ja epävarma tuuli- ja aurinkoenergian tuotanto saadaan käytettyä mahdollisimman hyvin hyödyksi sähköjärjestelmässä. Tarkemmilla ennusteilla pyritään vastaamaan kysymyksiin, paljonko uudet energiamuodot tuottavat energiaa tunti-, päivä- sekä viikkokohtaisesti. Ennusteiden perusteella voidaan energiajärjestelmän toimintaa optimoida tuuli- ja aurinkoenergian saatavuuden mukaan.

Kohti entistä tarkempia energiasääennusteita

VaGe:ssa on energiajärjestelmän tueksi kehitetty simulointimalli, joka ottaa mahdollisimman hyvin huomioon sääolosuhteet ja niihin liittyvät epävarmuudet. Tärkeimpiä energiasäähän vaikuttavia parametreja ovat tuulennopeus (tuulivoima), lämpötila (sähkön ja lämmön tarve), sademäärät (vesivoima) ja säteilytiedot (aurinkoenergia). Mitä parempia ennusteita on saatavilla, sitä paremmin tuotanto pystytään optimoimaan. Pidemmän aikavälin ennustettavuudella voidaan myös arvioida, paljonko energiaa kannattaa kerätä energiavarastoihin kullakin aikavälillä. Aikajänteen pidentäminen vaatii kuitenkin nykyistä parempia mallintamismenetelmiä, koska muuten mallista tulee laskennallisesti liian raskas.

VaGe:ssa on jo saavutettu merkittäviä tuloksia tuulivoiman ennustettavuuteen liittyen. Tuulennopeus on erittäin tärkeä parametri energiasään kannalta, ja koska se korreloi tuulivoiman energiasisällön kanssa kolmannessa potenssissa, se aiheuttaa merkittävän virhelähteen. Karoliina Hämäläisen tutkimuksissa on käytetty hyväksi tilastollisia korjausmenetelmiä, joita on sovellettu 100 m tuulennopeuksille, sillä tämä korkeus on lähellä modernien tuulivoimaloiden napakorkeutta. Tilastollisella kalibroinnilla pyritään korjaamaan säämallissa esiintyviä systemaattisia virheitä, joita ei malli omien sisäisten rajoitusten takia vielä kyetä korjaamaan. Esimerkkinä rajoituksista voidaan mainita vaikka mallin horisontaali resoluutio: erottelukyvyn rajoitusten vuoksi esimerkiksi osa pienistä saarista jää säämallilta ”näkemättä”, mutta todellisuudessa näillä saarilla on merkitystä ilmakehän virtausrakenteisiin ja tuulikenttään. Kalibroinnin tulosten perusteella voidaan sanoa, että 15 vuorokauden sääennusteen ennustettavuus paranee merkittävästi. Keskipitkän sääennusteen suurimmat parannukset tulevat näkyviin 4-5 vuorokauden kohdalla (Kuva 1), kun aikaisemmin ennustettavuuden on voitu sanoa olevan hyvä 1-3 vuorokauden aikaikkunassa.

Energiajärjestelmän kannalta toinen tärkeä asia on mallintaa epävarmuus oikein. Tähän pyritään parantamalla parviennusteiden laajuutta.

Alustavat tulokset tuulennopeuden ennustettavuuden parantamiseen ovat pohjautuneet Lidar-mittauksiin. Edellä esitettyjen tulosten pohjalta tilastollinen korjausmenetelmä näyttää lupaavalta, mutta käytetyt havainnot ovat olleet kampanjaluontoisista mittauksista. Tästä syystä Lidar-mittaukset eivät sovellu operatiivisen säämallin tilastolliseen korjaukseen. Seuraavaksi Hämäläinen kollegoineen selvittää, voisiko säätutkista saatavaa dataa hyödyntää myös tuulennopeuksiin liittyen. Säätutkia on Ilmatieteenlaitoksella käytössään 11. Tutkatuuleen perustuvaa mittausdataa voitaisiin saada joka päivä, mikä johtaisi todennäköisesti entistä tarkempiin tuloksiin.

Vage, Teknologian tutkimuskeskus VTT, Ilmatieteen laitos, ClicInnovation, BCDC Energia, Hannele Holttinen, Juha Kiviluoma, Sami Niemelä, Karoliina Hämäläinen, aurinkoenergia, tuulienergia, energian tuotanto, uusiutuvat, Suomen Akatemia, strategisen tutkimuksen neuvosto

Kuva 1. Esimerkki 100m-tuulen verifiointituloksista. Punaisella värillä on esitetty säämallin raakadata ja keltaisella värillä kalibroidut tulokset. Ylemmät kiinteät käyrät esittävät RMSE:tä eli mallin virhettä. Alemmat katkoviivat puolestaan mallitulosten hajonnan suuruutta. Tulosten korjaamiseen/kalibrointiin on käytetty hyödyksi mittauskampanjassa kerättyjä Lidar-havaintoja viideltä mittaus asemalta. Positiivisina tuloksina nähdään, että: 1) Kalibrointi kasvattaa hajontaa (Spread). 2) RMSE eli virhe pienenee. 3) Ennustettavuus kasvaa 1-2 vuorokaudella. Virheen suuruus kasvaa ennustepituuden kasvaessa eli ennustettavuus paranee, jos virheen arvo saadaan pysymään samana.

Tavoitteena enemmän ja paremmin hyödynnettyä tuuli- ja aurinkovoimaa

VaGe:n ensimmäisten tulosten perusteella sähköjärjestelmän kustannukset pienenevät, kun on tietoa useamman päivän sääennusteista epävarmuuksineen. Tämä selkiyttää erityisesti energiavarastojen tarvetta ja roolia. Järjestelmän tulisi tietää milloin varastojen täytyy olla täynnä ja milloin niiden olisi oltava tyhjänä, kun ylijäämäsähköä tulee. Muille energia-alan toimijoille on tärkeä ymmärtää, miten uusiutuvien energiamuotojen lisääntyvä käyttö vaikuttaa muuhun energiantuotantoon. Parhaimmillaan tuuli- ja aurinkoenergian tuottajien sähkön arvoa saadaan parannettua silloin, kun tuotantoa on paljon. Tämä tarkoittaisi sitä, että kaikki sähkö saadaan hyödynnettyä ja sähkön arvo pysymään positiivisena.

VaGe – Improving the value of variable and uncertain power generation in energy systems

VaGe on Suomen Akatemian rahoittama hanke (2015-2018). Tutkimus toteutetaan Ilmatieteen laitoksen ja VTT:n yhteistyönä. Kansainvälistä yhteistyötä tehdään Ilmatieteen laitoksen eurooppalaisen tutkimusverkoston kanssa. Lue lisää: WWW-sivut ja Fact sheet

Kirjoittaja:
Vage-tiimi

Lisätietoja:

Hannele Holttinen, Vage-projektin vetäjä, Teknologian tutkimuskeskus VTT Oy
Juha Kiviluoma, erikoistutkija, Teknologian tutkimuskeskus VTT Oy
Sami Niemelä, toimialajohtaja, Meteorologian ja meritieteen tutkimusohjelma, Ilmatieteen laitos
Karoliina Hämäläinen, tutkija, Ilmatieteen laitos

    

Aiheeseen liittyviä artikkeleita