Dlaczego predykcje OZE są złe? I jak je poprawić? Cz. II

Dziś kontynuuję wątek z poprzedniego artykułu o predykcji produkcji energii z OZE i SOGL. Ostatnio pisaliśmy, że prognozy pogody prócz błędu losowego zawierają również systematyczny składnik błędu.

To znaczy, że nawet uśredniona w długim okresie prognoza nie daje tej samej średniej wartości np. prędkości wiatru, co pomiar rzeczywisty.

Nie jest to dziwne? I jak to rzutuje na energetykę i OZE?

Wykres powyżej ilustruje sprawdzalność prognozy pogody dla przewidywania prędkości wiatru w Koszalinie w kwietniu 2023. Wykres pochodzi ze strony weryfikacja.icm.edu.pl.
Wykreślony BIAS to właśnie błąd systematyczny – średnia arytmetyczna różnicy prognozy i późniejszej rzeczywistej wartości. Spodziewalibyśmy się czasem błędu na plus, czasem na minus, ale że średnia z tych wartości będzie zgadzać się ze średnią z obserwacji. A tak nie jest!

Co to znaczy dla mocy farm wiatrowych?
Średnia prędkość wiatru w Koszalinie w kwietniu to ok. 5 m/s (18 km/h). Z aerodynamiki wiadomo, że strumień mocy niesionej przez powietrze przepływające przez przekrój o polu S to ½ * rho * v^3 * S. Czyli przez powierzchnię zakreślaną przez turbinę o średnicy 100 m strumień mocy to ok. 0,5 * 1,225 * 5^3 * 7850 = 601 kW. Ale moc zależy aż od trzeciej potęgi prędkości wiatru! Jeśli więc prognoza systematycznie przeszacowuje rzeczywisty wiatr o ok. 1,2 m/s, to prawdziwy strumień mocy to jednak 263,8 kW. Jeśli zaś niedoszacowuje, to rzeczywisty strumień mocy to 1145,9 kW.
Rozbieżność jest ogromna!
 

Czemu tak jest z numerycznymi prognozami pogody?

Otóż dlatego, że one rozwiązują równania różniczkowe na ewolucję prędkości powietrza i ciśnienia w atmosferze. Uzupełnione są o modele parowania, chmur itp. Ale zadanie matematycznie postawione jest jako: rozwiązać na określonej siatce równania na dynamikę ruchu powietrza, a nie wyeliminować w każdym punkcie siatki błąd średni! Oczywiście, że jedno z drugim przy dobrym rozwiązaniu idzie w parze. Ale nie jest to zadanie tak postawione.

Ten błąd systematyczny różni się dla miesięcy, różni się dla stacji pogodowej. Koszalin i kwiecień wybrałem tendencyjnie. Często ta systematyczna składowa błędu jest mniejsza. Ale trzeba pamiętać, że istnieje.

Dlatego ważne jest, by dla dobrych predykcji dokonywać dodatkowej kalibracji, która powiąże globalny model numerycznej prognozy pogody z odczytami z lokalnej stacji pogodowej. Zbudowanie dodatkowego, specyficznego dla lokalizacji (regresyjnego lub neuronowego) modelu, który przeprowadza wartość z prognozy pogody w skorygowaną wartość (nasłonecznienia lub prędkości wiatru) pozwala zasadniczo wyeliminować błąd systematyczny. Tak właśnie stawia się zadanie kalibracji/treningu takiego modelu korygującego. To nie uczyni predykcji OZE idealnymi, ale znacząco obniży błąd tych predykcji.
A o kolejnym sposobie obniżenia błędu napiszę jutro!
 

W QuickerSim tworzymy software dla zielonej energii. Z naszych klocków i algorytmów. Na konkretne zamówienie i pod konkretne wymagania Klienta.