Прогнозування генерації від змінної відновлюваної енергії (variable renewable energy)

В Україні з 2020 року набувають чинності штрафи за небаланси з вироблення електроенергії сонячними електростанціями. В зв’язку з цим актуалізується проблема прогнозування генерації і питання мінімізації штрафів за неточність такого прогнозування. Прогнозування стає вирішальним інструментом для економічно ефективної інтеграції ресурсів змінної відновлюваної енергії (variable renewable energy, VRE), таких як вітер і сонячна енергія, в локальні, регіональні і національні енергосистеми. Як у світі прогнозують генерацію від сонячних і вітрових станцій, безпосередньо пов’язану зі змінами погоди, яка останнім часом стає усе більш непередбачуваною?

Проблеми короткострокового прогнозування метеоумов

Питання узгодження генерації з ВДЕ і з традиційних джерел складається з трьох частин – справедливе узгодження прогнозів виробника ВДЕ з урахуванням інтересів третіх сторін і достовірних прогнозів споживання енергії плюс власне проблеми короткострокового прогнозування метеоумов “на добу наперед”, але фактично – для погодинного прогнозування генерації. І це “найважча” частина проблеми.

Слід відразу обмовитися, що ця проблема ніде у світі не розв’язана надійно і точно. Пропонується маса алгоритмів і програмних комплексів, проводяться міжнародні конференції з алгоритмів, йдуть дискусії, просуваються нові програмні продукти, але загальновизнаних “стандартів галузі” для прогнозування VRE немає.

Окрім рішення проблем математичного моделювання погодних процесів і інформаційно-обчислювальних труднощів для складання подібного роду метеопрогнозів, тим більше з похибкою в межах 5-10%, потрібно створення щонайширшої інфраструктури мережі автоматичних станцій для збору метеоданих, які б автоматично передавали дані про локальний стан атмосфери в режимі “он-лайн”. А потім ці дані треба обробити і розподілити серед місцевих споживачів такої інформації з необхідною їм точністю і періодичністю.

Для ілюстрації прикладу складності завдання передбачення генерації на мал. 1 представлений скріншот системи прогнозування на американській ВДЕ-станції Xcel Energy в межах 36-годинного горизонту планування. Така глибина планування вважається оптимальною для режиму “на добу наперед”. На підставі даних від системи обробки метеоданих, система компанії автоматично прогнозує генерацію. У розрахунки “на добу наперед” включаються дані про фактичну генерацію електроенергії (зелені точки), включаючи початкову точку прогнозу генерації (суцільна вертикальна лінія) і типову похибку прогнозу за попередні і на наступні сім днів (затінена область). У діапазон похибки 10% самого прогнозування (±5%), навіть не фактичного відхилення генерації від прогнозу (!), потрапляє, у кращому разі, передбачення не далі аніж на 1,5 години.

Чи потрібно планувати і узгоджувати генерацію з різних джерел? Чи потрібно управляти генерацією з ВДЕ? Безумовно, потрібно.

Прогнозування VRE впливає на ряд операцій з управління енергосистемою, включаючи планування, диспетчеризацію, балансування в реальному часі, резервні вимоги до енергосистеми і віддання команд для завчасного запуску (глушіння) компенсуючих потужностей. Інтегруючи прогнози від локальних виробників VRE, оператори енергосистеми можуть передбачати швидкі зміни VRE -генерації, щоб потім економічно збалансувати споживання і заплановану генерацію за день і впродовж самого дня. Це призводить до зниження витрат на невідновлюване паливо, підвищення надійності енергосистеми в цілому і мінімізації витрат на придбання енергії з ВДЕ. Це допоможе не лише збалансувати енергосистему за потужністю і напругою, але й підвищить “якість” енергії у мережі – її частоту та фазові зсуви.

Рис. 1. Персистентне прогнозування ВДЕ-генерації з горизонтом на 36 годин із розбиттям прогнозу на 15 хвилин та на 1 годину. За даними USAID Office of Global Climate Change, 2017.
Рис. 1. Персистентне прогнозування ВДЕ-генерації з горизонтом на 36 годин із розбиттям прогнозу на 15 хвилин та на 1 годину. За даними USAID Office of Global Climate Change, 2017.

Методи прогнозування

В цілому методи прогнозування поділяються на дві категорії. Фізичні методи переводять дані про погоду (наприклад, температуру, тиск, швидкість і напрям вітру з урахуванням рельєфу поверхні і перешкод) у числові дані (числове прогнозування погоди, ЧПП, NWP) для прогнозу специфічних місцевих погодних умов, які потім можуть бути перетворені в прогнози з виробництва енергії. Статистичні методи використовують статистичні дані в реальному часі для отримання статистично достовірних результатів, отриманих на основі моделей ЧПП.

Прогнозування стійкості (персистенція) – простий статистичний метод, який припускає, що нинішні рівні генерації короткостроково залишаться незмінними і вони узгоджуються з усереднюванням попередньої фактичної статистики на цю дату і час. Персистентні прогнози часто використовуються в якості еталону або еталонної (базової) моделі для оцінки більш просунутих методів.

Похибка прогнозу – це різниця між прогнозованим виходом і фактичною генерацією. Похибки використовуються для отримання показників точності прогнозу, яка дозволяє системним операторам прогнозувати невизначеність у плануванні та порівнювати різні методи прогнозування. Кращі системи прогнозування “на день наперед” дають похибку в межах ±13 – ±15%. Три широко вживаних методи вимірювання точності:

  • Середня похибка зміщення – вказує, чи систематично система прогнозується з пере- чи недооцінкою.
  • Середня абсолютна похибка – вимірює середню точність прогнозів без урахування градієнта помилок.
  • Критерій мінімуму середньоквадратичної похибки – вимірює середню точність прогнозів без урахування напряму похибок і привласнює відносно велику вагу великим похибкам.

Чинники, що впливають на ефективність погодинного прогнозу, включають прогнозний горизонт, місцеві погодні умови (що впливають на мінливість ресурсів VRE), географічне охоплення, доступність даних (наприклад, обсяг, місце розташування, способи і надійність надання інформації) і якість даних (наприклад, узгодженість за часом, точність, розбиття і корекцію за охопленням території) та інші.

Точність прогнозів VRE зазвичай збільшується при коротших інтервалах часу набуття значень оброблених поточних метеоданих. Наприклад, для погодинного прогнозування в межах похибки до ±5% треба мати дані для прогнозування з розбиттям на 15 хв, які у свою чергу повинні використовувати для розрахунків мінімум 9 серій поточних даних. Тобто, практично, свіжі дані від метеостанцій повинні надходити і оброблятися щохвилини.

У таблиці. 1 (на мал. 2) показані типові терміни і вживані методи прогнозування генерації VRE, рекомендовані USAID Office of Global Climate Change:

Рис. 2. Різні типи, тимчасові горизонти, методи і застосування прогнозування VRE. Джерело: USAID Office of Global Climate Change, 2017.
Рис. 2. Різні типи, тимчасові горизонти, методи і застосування прогнозування VRE. Джерело: USAID Office of Global Climate Change, 2017.

“Чудовий результат”, на думку IEA, для горизонтів прогнозу на 0-5-6 годин вперед був отриманий впродовж року на семи різних майданчиках (див. мал. 3). При прогнозі “на день наперед”, як показано на малюнку, це означає середньоквадратичну похибку від 70 до 130 Вт на кожен квадратний метр площі сонячної панелі. Для типової панелі 250 Вт (1,6 кв.м) дельта прогнозу генерації може складати від ~ 40%  до понад 80% від номіналу. Ні про яку точність прогнозування в межах ±[5%; 10%] говорити не можливо. Червона лінія на мал. 3 довідково показує “прогноз” від супутника на час зйомки супутникового зображення. Прогнози руху хмар до 5 годин наперед, отримані з супутника (жовті і білі лінії), виявилися краще, ніж чисельне прогнозування погоди за даними Національної бази цифрових прогнозів США (NDFD). Чисельне прогнозування погоди (ЧПП) має аналогічну точність для прогнозованих горизонтів від 1 години до 3 днів.

Рис. 3. Відносна середньоквадратична похибка прогнозування (RMSE) сонячної генерації на добу наперед системою наземного виміру SURFRAD з використанням ЧПП і методів стохастичного самонавчання, Вт/м2. Джерело: Міжнародне енергетичне агентство (IEA), Report IEA-PVPS T14-01:2013.
Рис. 3. Відносна середньоквадратична похибка прогнозування (RMSE) сонячної генерації на добу наперед системою наземного виміру SURFRAD з використанням ЧПП і методів стохастичного самонавчання, Вт/м2. Джерело: Міжнародне енергетичне агентство (IEA), Report IEA-PVPS T14-01:2013.

Альтернативу супутниковим прогнозам становлять наземні апаратні системи постійного стеження за хмарністю та сонячною іррадіацією – т.з. “Спостерігачі неба” (Sky Watchers). Але наземні оптичні станції не можуть так само добре вирахувати місцевий вектор руху хмар та спрогнозувати локальну щільність хмарності, як і супутникові спостерігачі, оскільки мають набагато менший огляд неба.

Як повідомлялося в результатах досліджень (IEA, “Photovoltaic and Solar Forecasting : State of the Art”, 2013), точність прогнозів PV-генерації також дуже залежить від волатильності локальних погодних умов, що є особливо помітним для гористої місцевості. Наприклад, дослідження прогнозування впродовж одного року 26-ма наземними вимірювальними станціями в Іспанії показало, що на точність прогнозу сильно впливають локальні особливості клімату і рельєф. У цьому дослідженні показники точності прогнозу (як RMSE, так і систематичної похибки) однаковою системою виявилися набагато гірше для установок у північному регіоні Іспанії в порівнянні з центральними та південними регіонами Іспанії, де погода менш мінлива. А відносна середньоквадратична похибка (RMSE) для центрально-європейських станцій коливається від 40% до 60% в порівнянні зі значеннями від 20% до 35% для іспанських станцій.

Знижує ж RMSE одночасний облік апаратних даних від якомога більшого числа місцевих “спостерігачів неба”. Так в японському регіоні Канто при об’єднанні 64 локальних “Sky watchers” в єдину інформаційно-аналітичну мережу, точність прогнозування вдалося підвищити на 60% (коефіцієнт зменшення похибки для мережі вимірювачів досяг максимального значення 0,4 у порівнянні з відносним коефіцієнтом похибки 1 для точкових вимірів). Виявилося також, що при об’єднанні 24 точкових систем у районі площею 100 км х 60 км середня абсолютна  похибка (САП) для регіональних прогнозів була на 22% нижчою за САПи для прогнозів від точкових станцій спостереження. Загальне зменшення похибок об’єднаного прогнозування склало близько 70% (коефіцієнт зменшення похибки 0,3).

Згідно з даними IEA, відхилення RMSE кращих систем “розумного” прогнозування від персистентної моделі (з урахуванням даних багаторічного обліку) складає від 18-35% (Іспанія) до 68-75% (Швейцарія, Бельгія, Нідерланди, Канада, США).

***

В Україні наразі немає системи оперативного автоматичного моніторингу локальних метеоданих в режимі он-лайн, придатної для погодинного і денного прогнозування PV-генерації. Єдиним методом може стати усереднювання зареєстрованих даних внутрішньогодинної генерації на кожну дату за декілька років із урахуванням даних поточної генерації (“персистенція”). Більш-менш цей метод корисний при оцінці річної генерації. Проте при нинішній волатильності погоди, точність персистентного методу для режиму “на добу наперед”, особливо в локальному розрізі, не витримує критики.

Також у нас немає системи автоматизованої обробки і розподілу даних між зацікавленими сторонами (ні про плани генерації учасників ринку, ні про погоду). Немає також і визнаних та несуперечливих правил узгодження обсяг генерації. Немає чіткого механізму прогнозу споживання енергії в локальних мережах – такого ж, погодинного. Немає навіть достовірної статистики за ВДЕ в Україні. Немає насиченої інфраструктури установок для наземного спостереження за хмарністю, пов’язаних у єдину інформаційну мережу. Немає і постійного одночасного супутникового спостереження за рухом та щільністю хмар по всій території України. Немає загальнодоступної Національної бази даних для короткострокового прогнозування погоди і місцевої сонячної освітленості. Немає мандатованих програмно-обчислювальних комплексів, дані яких визнавалися би всіма учасниками ринку. Немає в Законі і вказівок про джерела фінансування для створення і розвитку мандатованих систем прогнозування і обліку VRE. Немає багаторічного досвіду вивчення і оптимізації таких систем.

І ці “немає” можна продовжити…