Transcript Kurzfristvorhersage der Wolkenbedeckung zur effizienten Nutzung von Solarenergie Diplomarbeit Florian Zimmer DLR - Deutsches Zentrum für Luft und Raumfahrt IMGI - Institute of Meteorology and.

Kurzfristvorhersage der
Wolkenbedeckung zur effizienten
Nutzung von Solarenergie
Diplomarbeit Florian Zimmer
DLR - Deutsches Zentrum für Luft und Raumfahrt
IMGI - Institute of Meteorology and Geophysics in Innsbruck
1
Inhaltsverzeichnis
1.) Stand der Wissenschaft
2.) 1. Teil Kurzfristvorhersage der Wolkenbedeckung (Kurzbeschreibung)
3.) 2. Teil Kurzfristvorhersage der Direktnormalstrahlung (Kurzbeschreibung)
Exkurs: SOLEMI
4.) Offene Fragestellungen und Ziele dieser Arbeit
5.) Strategie zur Beantwortung der Fragestellungen
6.) Modell A: Wolkenvorhersage im thermischen Meteosat Kanal
7.) Modell B: Wolkenvorhersage im solaren Bereich
8.)
Visuelle Auswertung & Verifikation durch Gütemaße
9.)
Verifikation der Strahlungsvorhersage
10.) Zusammenfassung
11.) Ausblick
2
Stand der Wissenschaft
Forecasting of Solar Radiation (LORENZ et al., 2007)
Zur Anzeige w ird der QuickTime™
Dekompressor „Foto - JPEG“
benötigt.
Konzentrierendes thermisches Kraftwerk (STPP)
* meteorologische Randbedingungen beeinflusst
* Abschattungseffekte von Wolken
* Unsicherheit in der Verfügbarkeit von Solarstrahlung
* diskontinuierliches Energieangebot
* Starke Einbußen in der Leistung
Typische Zielanforderung für
Solarstrahlungsvorhersage und die dazugehörige
räumliche und zeitliche Auflösung
Numerische Wettermodelle werden der
Anforderung noch nicht gerecht
andere Vorhersagemethode für den
Kurzfristbereich
3
Kurzfristvorhersage der Wolkenbedeckung
1.Teil
-Die Ideeeffektive
Wolkenbeobachtung
in hoher zeitlicher
und räumlicher Auflösung
Pixelverschiebungsmethode
„optical Flow“
Meteosat Second Generation
liefert diese Information
SEVIRI (Spinning Enhanced Visible and Infrared Imager)
12 Spektralkanäle
Low Resolution
15 Minuten zeitliche Auflösung
3km * 3km räumliche Auflösung (Subsatellitenpunkt)
Extrapolation der Wolkeninformation in
die Zukunft
4
Kurzfristvorhersage der DNI
2.Teil
-Die Idee-
Solar Energy Mining
Service stellt Irradianz Daten für die
Solarenergie Branche in hoher Qualität zur
Verfügung. (Standortplanung STPP)
Methode:
Ableitung der DNI aus Meteosatdaten
(Schillings et al)
Exkurs SOLEMI
5
Exkurs:
6
Methode liefert stündliche DNI Werte für große Regionen und viele Jahre
in hoher räumlicher Auflösung aus Meteosat-Daten (SCHILLINGS et al.,
2004).
Die DNI bei Durchgang durch die Atmosphäre durch atmosphärische
Bestandteile absorbiert und gestreut.
kein Trübungsindex, sondern alle wichtigen Bestandteile werden separat
betrachtet
Einfluss in wolkenfreien Atmosphäre Clear Sky Parametrisierungsmodell
von (BIRD and HULSTROM, 1981) und (IQBAL, 1983)
Den stärksten Einfuss auf die DNI haben Wolken (Transmission der Wolken berücksichtigen).
Wolkenparametrisierung durch so genannte Wolken-Indices eingerechnet.
Bestimmung der Wolken-Indices (Hermann Mannstein)
Grundprinzip des Algorithmus (VIS und IR) besteht darin, ein wolkenfreies Referenzbild aus Analyse
vorheriger Satellitenbilder zu erstellen. Dieses Referenzbild dient dann zum Vergleich zum aktuellen
Satellitenbild zur Ableitung der Bewölkungsinformation.
6
Kurzfristvorhersage der DNI
2. Teil
-Die IdeePixelverschiebungsmethode
„optical Flow“
Solar Energy Mining
Service stellt Irradianz Daten für die Solar
Energie Branche in hoher Qualität zur
Verfügung. (Standortplanung STPP)
Methode:
Ableitung der DNI aus Meteosatdaten
(Schillings et al)
Exkurs SOLEMI
Extrapolation der Wolkenindexkarten in die Zukunft
danach Berechnung der DNI auf Grundlage
extrapolierter Wolkenindexkarten
7
Offene Fragestellungen und Ziele
1.) Kann eine Wolkenvorhersage, basierend auf der Extrapolation von Satellitendaten, den
Zeitraum von wenigen Stunden abdecken?
2.) Wie gut ist diese Vorhersage?
3.) Bis zu welchem Zeitpunkt können sinnvolle Ergebnisse erzielt werden?
4.) Es soll die Frage geklärt werden in welchem Zeitraum die auf Satellitendaten basierende
kurzfristige Vorhersage der Wolken, der Wolkenvorhersage eines numerischen Modells
überwiegt?
5.) Ist das „Nowcasting“ besser als die Modellprognose und wenn ja, für welchen Zeitraum?
6.) Kann durch die Extrapolation von Wolkenindexkarten in die Zukunft und die darüber
berechnete Direktnormalstrahlung sinnvoll vorhergesagt werden?
7.) Wie gut stimmen die vorhergesagten Strahlungswerte zu den gemessenen
Strahlungswerten?
8
Strategie zur
Beantwortung der Fragestellungen
* Entwicklung zweier Modelle (VIS- und IR-Daten)
* Vergleich der Modelle mit Beobachtung, COSMO-DE Gesamtbewölkung
und synthetisch erzeugten Satellitenbilder
* 3 Fallbeispiele, unterschiedliche synoptische Bedingungen
* visuelle Auswertung
* Auswertung durch meteorologische Gütemaße
* Auswertung durch DAS (Displacement and Amplitude Score, Keil et al)
* Vorhersage der DNI wird an gemessener DNI evaluiert (2 Standorte: PSA und Köln,
Pyrheliomessung)
Modell A: Wolkenvorhersage im thermischen Meteosat Kanal
Modell B: Wolkenvorhersage im solaren Bereich
detaillierte Beschreibung folgt
9
Strategie zur
Beantwortung der Fragestellungen
* Entwicklung zweier Modelle (VIS- und IR-Daten)
* Vergleich der Modelle mit Beobachtung, COSMO-DE Gesamtbewölkung
und synthetisch erzeugten Satellitenbilder
* 3 Fallbeispiele, unterschiedliche synoptische Bedingungen
* visuelle Auswertung
* Auswertung durch meteorologische Gütemaße
* Auswertung durch DAS (Displacement and Amplitude Score, Keil et al)
* Vorhersage der DNI wird an gemessener DNI evaluiert (2 Standorte: PSA und Köln,
Pyrheliomessung)
a) COSMO-DE Gesamtbewölkung b) auf Meteosat Auflösung
projizierte Gesamtbewölkung
COSMO-DE Modellgebiet
10
Strategie zur
Beantwortung der Fragestellungen
* Entwicklung zweier Modelle (VIS- und IR-Daten)
* Vergleich der Modelle mit Beobachtung, COSMO-DE Gesamtbewölkung
und synthetisch erzeugten Satellitenbilder
* 3 Fallbeispiele, unterschiedliche synoptische Bedingungen
* visuelle Auswertung
* Auswertung durch meteorologische Gütemaße
* Auswertung durch DAS (Displacement and Amplitude Score, Keil et al)
* Vorhersage der DNI wird an gemessener DNI evaluiert (2 Standorte: PSA und Köln,
Pyrheliomessung)
Synthetische Satellitenbilder (LMSynSat)
* schnellen vorwärtsrechnenden Strahlungstransfermodell im
thermischen Infrarot
* Fast Radiative Transfer Model for TIROS Operational Vertical
Sounder (RTTOV)
* RTTOV berechnet aus Temperaturprofilen, Gaskonzentration,
Oberflächen- und Wolkeneigenschaften Helligkeitstemperaturen
* In COSMO-DE werden spezifische Feuchte, Wolkenwasser,
Wolkeneis, Wolkenbedeckung, Oberflächentemperatur, 2mTemperatur und eine Land-See-Maske berücksichtigt
synthetisch erzeugte Helligkeitstempertur (10,8müm)
a) COSMO-DE Modellgebiet b) auf Meteosat Auflösung
projiziert
11
Strategie zur
Beantwortung der Fragestellungen
* Entwicklung zweier Modelle (VIS- und IR-Daten)
* Vergleich der Modelle mit Beobachtung, COSMO-DE Gesamtbewölkung
und synthetisch erzeugten Satellitenbilder
* 3 Fallbeispiele, unterschiedliche synoptische Bedingungen
* visuelle Auswertung
* Auswertung durch meteorologische Gütemaße
* Auswertung durch DAS (Displacement and Amplitude Score, Keil et al)
* Vorhersage der DNI wird an gemessener DNI evaluiert (2 Standorte: PSA und Köln,
Pyrheliomessung)
* 01.09.2009: Durchgang einer Kaltfront
* 21.09.2009: Unterschiedliche Strömungsrichtungen und Auflösungs- und Bildungsprozesse von
Wolken
* 15.10.2009: Unterscheidung zwischen Schnee und Wolken, Durchgang einer
Okklusionsbewölkung
•über den Alpenraum
12
Strategie zur
Beantwortung der Fragestellungen
* Entwicklung zweier Modelle (VIS- und IR-Daten)
* Vergleich der Modelle mit Beobachtung, COSMO-DE Gesamtbewölkung
und synthetisch erzeugten Satellitenbilder
* 3 Fallbeispiele, unterschiedliche synoptische Bedingungen
* visuelle Auswertung
* Auswertung durch meteorologische Gütemaße
* Auswertung durch DAS (Displacement and Amplitude Score, Keil et al)
* Vorhersage der DNI wird an gemessener DNI evaluiert (2 Standorte: PSA und Köln,
Pyrheliomessung)
1. ) Bei Referenzbeobachtung, Kurzfristvorhersage und
COSMO-DE Prognose alle Pixel in selben
Wertebereich:
bewölkt = 1 nicht bewölkt = 0
2.) kategorische Variablen klären ob Ereignis statt
gefunden hat „ja oder nein“
3.) Kontingenztabelle
4.) Berechnung der Gütemaße (ACC, POD, FAR, TS,
BIAS, EQTH)
Bsp.: BIAS
13
Strategie zur
Beantwortung der Fragestellungen
* Entwicklung zweier Modelle (VIS- und IR-Daten)
* Vergleich der Modelle mit Beobachtung, COSMO-DE Gesamtbewölkung
und synthetisch erzeugten Satellitenbilder
* 3 Fallbeispiele, unterschiedliche synoptische Bedingungen
* visuelle Auswertung
* Auswertung durch meteorologische Gütemaße
* Auswertung durch DAS (Displacement and Amplitude Score, Keil et al)
* Vorhersage der DNI wird an gemessener DNI evaluiert (2 Standorte: PSA und Köln,
Pyrheliomessung)
Korrelation
Der Korrelationskoeffzient r ist eine direkte Messung, wie gut die Vorhersage X mit der Beobachtung Y übereinstimmt.
14
Strategie zur
Beantwortung der Fragestellungen
* Entwicklung zweier Modelle (VIS- und IR-Daten)
* Vergleich der Modelle mit Beobachtung, COSMO-DE Gesamtbewölkung
und synthetisch erzeugten Satellitenbilder
* 3 Fallbeispiele, unterschiedliche synoptische Bedingungen
* visuelle Auswertung
* Auswertung durch meteorologische Gütemaße
* Auswertung durch DAS (Displacement and Amplitude Score, Keil et al)
* Vorhersage der DNI wird an gemessener DNI evaluiert (2 Standorte: PSA und Köln,
Pyrheliometermessung)
Wissenschaftliche oder diagnostische Verifikationsmethoden
Auf Beobachtung und Vorhersage wird Trackingverfahren angewendet (Trackingverfahren =
Pixelverschiebungsmethode „optical Flow“)
quantitative Aussage über wie gut ein Vorhersagefeld zu dem Beobachtungsfeld in Lage und Amplitude passt.
Der Betrag des berechneten Vektorfeldes gibt ein Gütemaß über den Verschiebungsfehler
Differenz zwischen den gemorphten Bildern ein Maß für den Amplitudenfehler ist (KEIL und CRAIG, 2009).
15
Wolkenvorhersage im thermischen Kanal
Modell A:
16
Wolkenvorhersage im solaren Bereich
Modell B:
1. Schritt
17
Wolkenvorhersage im solaren Bereich
Modell B:
2. Schritt
MeCIDA basiert auf den 7
Infrarotkanäle von SEVIRI.
Durch die Kombination von
verschiedenen
Schwellenwerttests und
morphologischen Tests
erkennt
dieser Algorithmus hohe
Eiswolken.
18
Wolkenvorhersage im solaren Bereich
Modell B:
3. Schritt
19
Visuelle Auswertung 01.09.2009
20
Zur Anzeige w ird der QuickTime™
Dekompressor „GIF“
benötigt.
Kurzfristvorhersage:
Beobachtung:
Vorhersagebeginn
07:00UTC
Vorhersagezeitraum +6h
a) Modell A (IR Daten)
e) Modell B (VIS Daten)
b) Modell A (IR Daten)
f) Modell B (VIS Daten)
Modelldiagnose/-prognose:
Beobachtung:
c) LMSynSat:
(Auflösung: 15min,
Temperaturgrenzwert)
d) RGB aus Metosat
Kanälen
VIS006 VIS008 IR108
g) COSMO-DE
Gesamtbewölkung
(stündliche Auflösung,
Vorhersagestart 0:00UTC)
h) Referenzwolkenmaske
Wolke: Pixelwert 1
keine Wolke: Pixelwert 0
Verifikation 01.09.2009 durch Gütemaße
Displacement and Amplitude Score
BIAS
21
Korrelation
Zusammenfassung:
Modell B startet mit dem besten Gütemaß, liegt der Methode zu
Grunde
Eine Annäherung der Modelle ist im Bereich von +3 Stunden zu
verzeichnen
Der Mittelpunkt liegt bei 5-6 Stunden
Bei Durchgang einer Kaltfront, kann durch einen
Temperaturgrenzwert auf Wolken geschlossen werden (vgl. Modell
A und B)
COSMO-DE Gesamtbewölkung zu ausgebreitete Bewölkung
Visuelle Auswertung 21.09.2009
22
Zur Anzeige w ird der QuickTime™
Dekompressor „GIF“
benötigt.
Kurzfristvorhersage:
Beobachtung:
Vorhersagebeginn
07:00UTC
Vorhersagezeitraum +6h
a) Modell A (IR Daten)
e) Modell B (VIS Daten)
b) Modell A (IR Daten)
f) Modell B (VIS Daten)
Modelldiagnose/-prognose:
Beobachtung:
c) LMSynSat:
(Auflösung: 15min,
Temperaturgrenzwert)
d) RGB aus Metosat
Kanälen
VIS006 VIS008 IR108
g) COSMO-DE
Gesamtbewölkung
(stündliche Auflösung,
Vorhersagestart 0:00UTC)
h) Referenzwolkenmaske
Wolke: Pixelwert 1
keine Wolke: Pixelwert 0
Verifikation 21.09.2009 durch Gütemaße
Displacement and Amplitude Score
BIAS
23
Korrelation
Zusammenfassung:
Modell B startet mit dem besten Gütemaß, liegt der Methode zu
Grunde
Eine Annäherung der Modelle ist im Bereich von +5 Stunden zu
verzeichnen
Der Mittelpunkt liegt bei 6-7 Stunden
Modelle die über einen Temperaturgrenzwert auf Wolken schließen
zu geringe Bewölkung (vgl. Modell A und LMSynsat), Nebelfelder
COSMO-DE Gesamtbewölkung zu ausgebreitete Bewölkung
Visuelle Auswertung 15.10.2009
24
Besonderheit: Schneeerkennung im Alpenraum IR1.6 Modell B
Zur Anzeige w ird der QuickTime™
Dekompressor „GIF“
benötigt.
Kurzfristvorhersage:
Beobachtung:
Vorhersagebeginn
07:00UTC
Vorhersagezeitraum +6h
a) Modell A (IR Daten)
e) Modell B (VIS Daten)
b) Modell A (IR Daten)
f) Modell B (VIS Daten)
Modelldiagnose/-prognose:
Beobachtung:
c) LMSynSat:
(Auflösung: 15min,
Temperaturgrenzwert)
d) RGB aus Metosat
Kanälen
VIS006 VIS008 IR108
g) COSMO-DE
Gesamtbewölkung
(stündliche Auflösung,
Vorhersagestart 0:00UTC)
h) Referenzwolkenmaske
Wolke: Pixelwert 1
keine Wolke: Pixelwert 0
Verifikation 15.10.2009 durch Gütemaße
Displacement and Amplitude Score
Zusammenfassung:
Modell B startet mit dem besten Gütemaß, liegt der Methode zu
Grunde
Eine Annäherung der Modelle ist nicht zu verzeichnen.
Extrapolationsmodelle besser als COSMO-DE
Modell A erkennt Schnee als Wolke
Nordstau in beiden Meteosat Modelle (Verschiebungsvektoren
treffen auf Vektoren die keine Verschiebung haben)
COSMO-DE Gesamtbewölkung zu ausgebreitete Bewölkung
BIAS
25
Verifikation der Strahlungsvorhersage
RGB
besonders schönes Ereignis:
Messstation: DLR/Sonnenofen in Köln
Kurzfristvorhersage der DNI für 4h
Vorhersagestart 07:00 08:00 10:00 UTC
nach Abzug der Bewölkungsformation,
Anstieg der DNI
Zur Anzeige w ird der QuickTime™
Dekompressor „GIF“
benötigt.
26
Verifikation der Strahlungsvorhersage
besonders schönes Ereignis:
Messstation: PSA/Spanien 12.07.2007
RGB
Kurzfristvorhersage der DNI für 4h
Vorhersagestart 07:00 08:00 10:00 UTC
Abschattungseffekt sehr gut vorhergesagt.
Zur Anzeige w ird der QuickTime™
Dekompressor „GIF“
benötigt.
27
Verifikation der Strahlungsvorhersage
28
Zusammenfassung
1.) Kann eine Wolkenvorhersage, basierend auf der Extrapolation von Satellitendaten, den Zeitraum
von wenigen Stunden abdecken?
Ja
2.) Wie gut ist diese Vorhersage?
Abhängig von den Startbedingung (Wolkenerkennung), schlechte
Vorhersage über Temperaturgrenzwert, keine dynamischen Prozesse,
tageszeitliche Abhängigkeit, Mehrschichtbewölkung, gestaute Vektoren,
Rechenzeit (1 Minute)
3.) Bis zu welchem Zeitpunkt können sinnvolle Ergebnisse erzielt werden?
3-4 Stunden
4.) Es soll die Frage geklärt werden in welchem Zeitraum die auf Satellitendaten basierende kurzfristige
Vorhersage der Wolken, der Wolkenvorhersage eines numerischen Modells überwiegt?
nicht eindeutig bestimmbar
5.) Ist das „Nowcasting“ besser als die Modellprognose und wenn ja, für welchen Zeitraum?
Ja in einem Zeitraum zwischen 3 und 7 Stunden
6.) Kann durch die Extrapolation von Wolkenindexkarten in die Zukunft und die darüber berechnete
Direktnormalstrahlung sinnvoll vorhergesagt werden?
sehr gut bei einfachen Wolkenzugbahnen/Strömungen, schwierig bei
Mehrschichtbewölkung mit unterschiedlichen Strömungen, dynamische
Prozesse
7.) Wie gut stimmen die vorhergesagten Strahlungswerte zu den gemessenen Strahlungswerten?
Tendenz erkennbar (Verifikation über 250W/m^2)
29
Ausblick
* Besonderes in der Kurzfristvorhersage wurde eine deutliche Verbesserung der
Wolkenprognose erarbeitet
* Durch einfache Verfahren kann die Wolkenbedeckung für einen Zeitraum von 3-4
Stunden gut vorhergesagt werden
* Liefert der Energiewirtschaft ein sehr interessantes Produkt (...kurzfristige
Wolkenprognosen gefragt)
* Für die Steuerung von thermischen Kraftwerken könnte diese schnelle
Wolkenvorhersage (Rechenzeit: 1 Minute auf Bürocomputer für COSMO-DE
Modellgebiet) für die Zukunft sehr interessant werden
* In numerischen Modellen, könnte diese Methode zur Vorhersage von Wolken,
besonders
im Kurzfristbereich deutliche Verbesserungen erzielen (Assimilierung in den ersten
Stunden der Laufzeit eines numerischen Modells)
* Die Strahlungsvorhersage aus Wolkenindexkarten könnte, durch die gezeigten
Ergebnisse in der Welt der Strahlungsvorhersage zu weiteren Forschungsarbeiten
führen
30
VIELEN DANK