Netzintegration von Solarstrom: Wie Kameras dabei helfen

Gastautor Portrait

Dr. Pascal Kuhn

Leiter Strategie, Breitband- & Funkinfrastruktur, Netze BW GmbH

Dr. Pascal Kuhn, geboren 1989, ist ausgebildeter Mechatroniker und Physiker. Nach einer Promotion am Institut für Solarforschung des Deutschen Zentrums für Luft- und Raumfahrt (DLR) zu spezialisierten Wettervorhersagen für die Energiewirtschaft wechselte er 2019 in die Unternehmensentwicklung / Strategie der EnBW AG und verantwortete im Rahmen der Strategieentwicklung Energiedienst 2030 die Projektgruppe Klimaneutralität. Kuhn ist der Gesamtprojektverantwortliche für den 450 Megahertz-Ausbau in ganz Baden-Württemberg sowie den ODR-Konzessionsgebieten in Bayern.

weiterlesen
27. März 2018

Politischer Wille sowie die Photovoltaik-Preisreduktionen der letzten Jahre werden wahrscheinlich in naher Zukunft zu einem hohen Solarstrom-Anteil in unseren Stromnetzen führen. Die solare Einstrahlung unterliegt jedoch Schwankungen. Genaue Vorhersagen dieser Schwankungen können teure, technische Maßnahmen wie das Vorhalten von Reservekraftwerken, die Integration von Batterie-Speichern oder den Netzausbau teilweise ersetzen. Für Zeiträume bis hin zu mehreren Tagen liefern Numerische Wettermodelle grob aufgelöste Prognosen. Satelliten sagen Wetterbedingungen mit einer Auflösung von wenigen Quadratkilometern in Zeitschritten von 5 oder 15 Minuten für die nächsten Stunden vorher. Für die sehr kurzfristigen nächsten etwa 15 Minuten können bodengestützte Wolkenkameras zeitlich und räumlich deutlich höher aufgelöste Vorhersagen erstellen.

Nowcasting-Systeme für die Energiewende

Solche Kürzest-Frist-Vorhersagen (‚Nowcasts‘) ermöglichen beispielsweise größeren Solarkraftwerken Schwankungen der abgegebenen Strommenge zu reduzieren. Diese Fähigkeit ist entscheidend: Um die Netzstabilität sicherzustellen, haben einige Länder bereits die maximal-zulässigen Schwankungen für Solarkraftwerke gesetzlich z.B. auf 10% der Kraftwerkskapazität pro Minute beschränkt (Marcos et al, 2014; Crăciun et al, 2017). Konkret bedeutet dies: Ein 100 MW Solarkraftwerk in Puerto Rico dürfte daher maximal 10 MW weniger Leistung als in der vorangegangenen Minute abgeben – unabhängig von einer möglichen Verschattung durch Wolken. Durch die Geschwindigkeit der Wolken können solche Rampen-Beschränkungen jedoch nicht ohne weiteres eingehalten werden. Hier helfen Kamera-gestützte Kürzest-Frist-Vorhersagen.

Diese sogenannten Nowcasting-Systeme können beispielsweise benötigte Reserven anfordern oder das Solarkraftwerk vorausschauend dynamisch herunterregeln (Schmidt et al., 2017). Große, als Reserve eingesetzte Pumpspeicherkraftwerke oder Diesel-Generatoren benötigen mehrere Minuten zum Anfahren. Batterien reagieren zwar deutlich schneller, werden aber aufgrund der zurzeit höheren Kosten nicht flächendeckend als Reserve genutzt. Wolkenkameras schließen daher eine für operative Entscheidungen wichtige Vorhersage-Lücke, für die andere Vorhersagesysteme aufgrund ihrer zeitlichen und räumlichen Auflösung nicht ausreichend sind. Abbildung 1 zeigt ein Nowcasting-System, welches im 50 MW Kraftwerk La Africana genutzt wird. Doch wie funktionieren solche Vorhersage-Systeme?

Netzintegration von Solarstrom: Wie Kameras dabei helfen
Wolkenkamera-System im solarthermischen Kraftwerk La Africana, Cordoba, Spanien.

Ein-Kamera-Systeme

Einfache Systeme nutzen eine einzelne Wolkenkamera, die 180°-Bilder des Himmels aufzeichnet. Ein Beispielbild ist in Abbildung 2 dargestellt. Aus mehreren aufeinander folgenden Bildern einer Kamera können Wolkenbewegungen abgeleitet und vorhergesagt werden. Die Vorhersagen solcher Systeme sind allerdings nur Punktvorhersagen für die unmittelbare Umgebung der Kamera und damit für industrielle Solar-Kraftwerke oder für in Städten verteilte Photovoltaikanlagen nur bedingt geeignet.

Netzintegration von Solarstrom: Wie Kameras dabei helfen
Bild einer Wolkenkamera, welche für Kürzest-Frist-Vorhersagen genutzt wird.

Mehr-Kamera-Systeme

Müssen größere Flächen abgedeckt werden, kommen komplexere Systeme zum Einsatz. Wolkenkamera-Systeme, die mehrere Kameras nutzen, können die räumliche Verteilung der Einstrahlung vorhersagen. Mit einer räumlichen Auflösung von wenigen Quadratmetern und einer zeitlichen Auflösung von wenigen Sekunden werden so optimierte Betriebsstrategien in Solarkraftwerken und im Verteilnetzbetrieb ermöglicht.

Wissenschaftler im DLR-Institut für Solarforschung entwickeln und bewerten daher verschiedene Ansätze für Wolkenkamera-Systeme. Drei Vorhersage-Systeme sind bereits im Einsatz, darunter ein System in einem kommerziellen 50 MW Solarkraftwerk (Abbildung 1). Das im Kraftwerk eingesetzte Nowcasting-System WobaS-4cam nutzt vier Wolkenkameras, welche zeitgleich Bilder des Himmels aufnehmen. Spezielle Analyseverfahren unterscheiden in den Bildern Bewölkung von wolkenfreiem Himmel. Durch die verschiedenen Blickwinkel der Kameras können die Lage und Form der Wolken abgeschätzt werden. Die Geschwindigkeit und Richtung der Wolken werden aus Bild-Serien berechnet. Hierdurch können die künftigen Positionen der Wolken und deren Schatten auf dem Boden vorhergesagt werden. Zusammen mit weiteren Informationen wird die so berechnete künftige Einstrahlungsverteilung in Form von Karten dem Betriebspersonal zur Verfügung gestellt. Das WobaS-4cam Funktionsprinzip ist in Abbildung 3 dargestellt. Weitere Informationen zu WobaS-4cam finden sich in Nouri et al, 2017 sowie Kuhn et al, 2017b.

Netzintegration von Solarstrom: Wie Kameras dabei helfen
Funktionsprinzip des WobaS-4cam Nowcasting-Systems

Die WobaS Nowcasting-Produktfamilie

Neben dem entwickelten 4-Kamera-System WobaS-4cam werden verschiedene Ein- und Zweikamera-Systeme entwickelt. Werden weniger Kameras genutzt, reduziert sich der Aufwand für Installation und Wartung. Insbesondere das 2-Kamera-System WobaS-2cam erscheint hierbei erfolgsversprechend: Durch den Einsatz robuster Algorithmen können ähnliche Genauigkeiten wie durch WobaS-4cam erreicht werden. Alle entwickelten Systeme sind über die DLR-Ausgründung CSP Services GmbH kommerziell verfügbar.

Bewertung von Nowcasting-Systemen

Die korrekte Bewertung von Vorhersage-Systemen ist überraschend schwierig und zurzeit Gegenstand wissenschaftlicher Diskussionen (Frías-Paredes et al., 2015; Bianco et al, 2016; Kuhn et al, 2017a; Kuhn et al, 2017b; Vallance et al, 2017). Die Vorhersage-Genauigkeit ist Situations- und Standort-abhängig, was den Vergleich von Vorhersage-Systemen an verschiedenen Standorten erschwert. Zusätzlich wurden Vorhersagen üblicherweise punktweise mit einzelnen Radiometer-Referenzmessungen verglichen und mit Standard-Abweichungsmetriken wie dem MAD (mean absolute deviation) quantitativ evaluiert. Dabei werden räumliche und zeitliche Mittelungseffekte (Schmidt et al., 2016, Kuhn et al., 2017a) sowie spezielle statistische Effekte außer Acht gelassen, was zu fehlerhaften Bewertungen führen kann.

Ein Beispiel: Ein Vorhersage-System A, welches eine Verschattung korrekt, allerdings eine Minute zu früh, vorhersagt, hat einen schlechteren MAD wie ein System B, welches überhaupt keine Verschattung prognostiziert hat. Aus Anwendersicht ist eine zu frühe Warnung allerdings weniger kritisch wie das vollständige Fehlen dieser Information. Daher ist System A für industrielle Anwendungen System B überlegen, was sich nicht in klassischen Abweichungsmetriken widerspiegelt.

Mittlere absolute Abweichung (Mean absolute deviation – MAD) des WobaS-4cam-Systems für verschiedene Vorlaufzeiten und zeitliche Mittelwerte.

Netzintegration von Solarstrom braucht Vorhersagegenauigkeit

Zur schrittweisen Verbesserung der Vorhersagen müssen die einzelnen Komponenten von Nowcasting-Systemen einzeln analysiert und verschiedene Ansätze verglichen werden. So spielt beispielsweise die Wolkenhöhe eine große Rolle: Werden Wolkenhöhen zum Beispiel um einen Kilometer falsch eingeschätzt, so wird der Schatten bei 45° Sonnenelevation auch einen Kilometer weit entfernt vom tatsächlichen Schatten vorhergesagt. Bei niedrigeren Sonnenständen ist der Fehler entsprechend höher. Ein Vergleich von fünf verschiedenen Ansätzen zur Wolkenhöhen-Bestimmung für Kamera-basierte Nowcasting-Systeme ist beispielsweise in Kuhn et al, 2018, vorgestellt.

Zusammengefasst stellt die Energiewende eine lösbare Herausforderung für die Stabilität unserer Stromnetze dar. Genaue meteorologische Vorhersagen ermöglichen eine verbesserte Steuerung auf Kraftwerks- und Netzebene. Dadurch können die Kosten der Energiewende reduziert werden. Für Solarleistungs-Vorhersagen stehen Numerische Wettermodelle, Wettersatelliten und Wolkenkamera-Systeme zur Verfügung. Insbesondere Wolkenkamera-Systeme können mit räumlich und zeitlich hochaufgelösten Vorhersagen einen Beitrag zum Gelingen der Energiewende leisten. Für die Entwicklung von kamerabasierten Vorhersagesystemen für Anwendungen im Verteilnetzbetrieb werden 2018 in der Stadt Oldenburg und im umliegenden ländlichen Raum 30 Messstationen mit Kameras installiert. Dieses in Europa einzigartige Messnetz soll die Simulation und Prognose der solaren Stromerzeugung mit höchster Auflösung, Aktualisierungsrate und Genauigkeit für einen optimierten Netzbetrieb ermöglichen.

Quellen

Bianco, L., et al., “A Wind Energy Ramp Tool and Metric for Measuring the Skill of Numerical Weather Prediction Models”, Wea. Forecasting, 31, pp. 1137–1156, 2016.

Crăciun, B.I., et al., “Power Ramp Limitation Capabilities of Large PV Power Plants With Active Power Reserves”, IEEE Trans. Sustainable Energy, 8(2): pp. 573-581, 2017.

Frías-Paredes, L., et al., “Introducing the Temporal Distortion Index to perform a bidimensional analysis of renewable energy forecast”, pp. 180-194, 94, Energy, 2015.

Kuhn, P., et al., “Shadow camera system for the generation of solar irradiance maps”, Sol Energy, pp. 157-170, volume 157, 2017a.

Kuhn, P., et al., “Validation of an All Sky Imager based nowcasting system for industrial PV plants”, EUPVSEC 2017, Prog Photovoltaics Res Appl., pp. 1-14,  2017b.

Kuhn, P., et al., “Benchmarking tree low-cost, low-maintenance cloud height measurement systems and ECMWF cloud heights against a ceilometer”, Sol Energy, accepted, 2018.

Marcos, J., et al., “Storage requirements for PV power ramp-rate control”, Sol Energy 99, pp. 28-35, 2014.

Nouri, B. et al., Nowcasting of DNI Maps for the Solar Field Based on Voxel Carving and Individual 3D Cloud Objects from All Sky Images, 23rd SolarPACES International Symposium on Concentrated Solar Power and Chemical Energy Technologies, Santiago, Chile, 2017.

Schmidt, T., et al.: „Evaluating the spatio-temporal performance of sky-imager-based solar irradiance analysis and forecasts“. Atmospheric Chemistry and Physics 16 (5): 3399–3412, 2016. .

Schmidt, T., et al., “Short-Term Solar Forecasting Based on Sky Images to Enable Higher PV Generation in Remote Electricity Networks.” Renewable Energy and Environmental Sustainability 2, 23 (2017). 2017.

Vallance, L., et al., “Towards a standardized procedure to assess solar forecast accuracy: A new ramp and time alignment metric“, Sol. Energy, pp. 408-422, 150, 2017.

Gemeinsame Autoren dieses Beitrages sind:

Diskutieren Sie mit

Ich akzeptiere die Kommentarrichtlinien sowie die Datenschutzbestimmungen* *Pflichtfelder

Artikel bewerten und teilen

Netzintegration von Solarstrom: Wie Kameras dabei helfen
4.5
8