ΥΛΟΠΟΙΗΣΗ ΛΟΓΙΣΜΙΚΟΥ ΠΡΟΒΛΕΨΗΣ ΑΝΕΜΟΥ ΚΑΙ ΙΣΧΥΟΣ ΣΕ ΑΙΟΛΙΚΑ ΠΑΡΚΑ για το πρόγραµµα MORE CARE

ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ & ΜΗΧΑΝΙΚΩΝ Η/Υ ΕΡΓΑΣΤΗΡΙΟ ΣΥΣΤΗΜΑΤΩΝ ΗΛΕΚΤΡΙΚΗΣ ΕΝΕΡΓΕΙΑΣ ΥΛΟΠΟΙΗΣΗ ΛΟΓΙΣΜΙΚΟΥ ΠΡΟΒΛΕΨΗΣ ΑΝΕΜΟΥ ΚΑΙ ΙΣΧΥΟΣ ΣΕ ΑΙΟΛΙΚΑ ΠΑΡΚΑ για το πρόγραµµα MORE CARE ιπλωµατική Εργασία: Σιαφαρίκας Άγγελος Επιβλέπων καθηγητής: Ντοκόπουλος Πέτρος Θεσσαλονίκη 23

ΠΕΡΙΕΧΟΜΕΝΑ 1. ΚΕΦΑΛΑΙΟ 1. ΕΙΣΑΓΩΓΗ 3 1.1 Αντικείµενο - Στόχοι του εργασίας 3 1.2 Aνασκόπηση Βιβλιογραφίας. 4 1.2.1 Στατιστική ανάλυση της χρονοσειράς των ταχυτήτων ανέµου. 5 1.2.2 Μελέτη της χωρικής συσχέτισης των ταχυτήτων ανέµου. 8 1.2.3 Θέµατα Μακροπρόθεσµης Πρόβλεψης 11 2. ΚΕΦΑΛΑΙΟ 2. ΣΚΟΠΟΣ ΤΟΥ ΛΟΓΙΣΜΙΚΟΥ MORE CARE 16 2.1.1 Πρόβλεψη Ισχύος Α/Π 18 2.2 Ζητήµατα επί της εφαρµογής 2 2.3 Αρχές για την σχεδίαση της βάσης δεδοµένων των µοντέλων πρόβλεψης 24 2.4 Χρησιµοποιούµενοι πίνακες που σχετίζονται µε τα Μοντέλα Πρόβλεψης Ανέµου 25 2.5 Σύνδεση των µοντέλων πρόβλεψης µε τη βάση δεδοµένων 26 2.5.1 Βραχυπρόθεσµη πρόβλεψη ταχύτητας ανέµου 26 2.5.2 Βραχυπρόθεσµη πρόβλεψη ισχύος 26 2.5.3 Μοντέλο µακροπρόθεσµης πρόβλεψης 26 2.6 Αλληλεπίδραση των εργαλείων του συστήµατος MORE CARE 27 3. ΚΕΦΑΛΑΙΟ 3. ΜΟΝΤΕΛΑ ΠΡΟΒΛΕΨΗΣ-ΚΡΗΤΗ 29 3.1 Βραχυπρόθεσµη Πρόβλεψη- Γενικές Αρχές. 29 3.2 Βραχυπρόθεσµη πρόβλεψη (Εφαρµογή στην Κρήτη) 31 3.3 Μακροπρόθεσµη πρόβλεψη- Γενικές Αρχές 35 3.4 Οι Αριθµητικές Μετεωρολογικές Προβλέψεις του Συστήµατος ΣΚΙΡΩΝ 35 3.5 Σύγκριση των προβλέψεων του συστήµατος ΣΚΙΡΩΝ µε τα πραγµατικά 36 3.6 ιαµόρφωση Επιλογή του µοντέλου πρόβλεψης. 42 3.7 Αποτελέσµατα Πρόβλεψης στα Α/Π της Κρήτης 44 4. ΚΕΦΑΛΑΙΟ 4. ΜΟΝΤΕΛΑ ΠΡΟΒΛΕΨΗΣ -ΙΡΛΑΝ ΙΑ 59 4.1 Μοντέλα Χωρικής Συσχέτισης 61 4.2 Οι Αριθµητικές Μετεωρολογικές Προβλέψεις HIRLAM 61 4.3 Ανάλυση της ετεροσυσχέτισης µεταξύ των προβλέψεων του HIRLAM και των µετρούµενων δεδοµένων των Α/Π. 67 4.4 ιαµόρφωση Επιλογή του µοντέλου πρόβλεψης. 7 4.5 Αποτελέσµατα Πρόβλεψης στα Α/Π της Ιρλανδίας 72 ΠΑΡΑΡΤΗΜΑ Α: ΓΕΝΙΚΑ ΓΙΑ ΤΑ ΤΕΧΝΗΤΑ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ 83 ΠΑΡΑΡΤΗΜΑ Β: ΚΩ ΙΚΑΣ ΤΟΥ ΠΡΟΓΡΑΜΜΑΤΟΣ ΕΓΓΡΑΦΗΣ ΑΠΟ ΠΙΝΑΚΑ ΣΤΟ ΛΟΓΙΣΜΙΚΟ ΜΟRE CARE 92 ΠΑΡΑΡΤΗΜΑ Γ: ΒΙΒΛΙΟΓΡΑΦΙΑ 13

Κεφάλαιο 1 Εισαγωγή 1. 1. Αντικείµενο - Στόχοι της εργασίας Η πρόβλεψη της αιολικής παραγωγής σε ένα Σύστηµα Ηλεκτρικής Ενέργειας (ΣΗΕ) επηρεάζει την ασφάλεια και τη διαχείρισή του. Βελτίωση της πρόβλεψης σηµαίνει αύξηση στην ασφάλεια του συστήµατος και στην αποδοτικότητα των επενδύσεων σε Αιολικά Πάρκα (Α/Π). Η πρόβλεψη ανεµολογικών και µετεωρολογικών δεδοµένων γινόταν ανέκαθεν για διάφορες εφαρµογές (αεροπλοΐα, ναυσιπλοΐα, γεωργία κλπ.). Εδώ και δυο περίπου δεκαετίες µε την ευρεία χρήση των Α/Π σε µικρά και µεγάλα ΣΗΕ αυξήθηκε το ενδιαφέρον για την πρόβλεψη ανέµου. Εκείνο που ενδιαφέρει σε αυτή την περίπτωση είναι όχι µόνο το άνυσµα της ταχύτητας (µέτρο, κατεύθυνση) αλλά κυρίως η αντίστοιχη ηλεκτρική ισχύς που προκύπτει από τις χρονοσειρές ταχύτητας ανέµου µε χρήση ενός φίλτρου που εκφράζει τη σχέση ταχύτητας- ισχύος. Η διατριβή αυτή αφορά τις περιπτώσεις βραχυπρόθεσµης αλλά και µακροπρόθεσµης πρόβλεψης καθώς και την πρόγνωση ακραίων συµβάντων δηλ. ταχέως µετακινούµενων µετώπων, όπως πχ. σε µια καταιγίδα. Οι µέχρι σήµερα εφαρµοσθείσες µέθοδοι, έτσι όπως αναφέρονται στη διεθνή βιβλιογραφία, δεν δίνουν πάντα ικανοποιητικά αποτελέσµατα, ορισµένες δε, παραµένουν χωρίς εξέλιξη επί µια δεκαετία.. Στόχος της εργασίας ήταν να βελτιώσει την ακρίβεια της πρόβλεψης προτείνοντας προσθήκες και παραλλαγές που αφενός βασίζονται σε θεµελιώδεις µετεωρολογικές αρχές και αφετέρου κάνουν χρήση των πλέον σύγχρονων µεθόδων τεχνητής νοηµοσύνης. Με τον όρο Βραχυπρόθεσµη καλύπτουµε µια µεγάλη ποικιλία προβλέψεων µε χρονικό ορίζοντα 1 λεπτό, 1 λεπτά, µία ή µερικές ώρες µπροστά, όσο δηλ. χρειάζεται για να προσδιοριστεί ή να ενηµερωθεί ο προγραµµατισµός ενός αιολικού πάρκου και η συνεργασία του µε τα άλλα συµβατικά µέσα παραγωγής ηλεκτρικής ενέργειας. Ουσιαστικά πρόκειται για πρόβλεψη της µεταβολής της έντασης των ανέµων στο αµέσως προσεχές διάστηµα σε κάποια συγκεκριµένη θέση ή ευρύτερη έκταση. Στη συνέχεια βάσει της προβλεφθείσας ταχύτητας ανέµου σε ένα ή περισσότερα σηµεία αναφοράς. µπορεί εύκολα να υπολογιστεί η αντίστοιχη παραγόµενη ισχύς µιας ανεµογεννήτριας ή ενός αιολικού πάρκου. Η πρόβλεψη της ταχύτητας ανέµου µπορεί να βασιστεί: α) στην ανάλυση των ιδιοτήτων της χρονοσειράς των ταχυτήτων, τον εντοπισµό δηλ. συχνοτήτων, περιοδικοτήτων, µεσοπρόθεσµων τάσεων κλπ. Τα ανάλογα µοντέλα µπορούν να δώσουν αξιόπιστη πρόβλεψη µερικά λεπτά έως και µία ώρα µπροστά, υπό κανονικές συνθήκες β) στη παρακολούθηση και τον έγκαιρο εντοπισµό των επερχόµενων µετώπων µε τη χρήση ενός δικτύου µετεωρολογικών σταθµών πέριξ του αιολικού πάρκου. Με τον τρόπο αυτό είναι δυνατό να προβλεφθούν απότοµες µεταβολές της ταχύτητας ανέµου σε έκτακτες περιπτώσεις. Αντίστοιχα η Μακροπρόθεσµη Πρόβλεψη αφορά το διάστηµα -72 ώρες µπροστά όπου οι στατιστικές ιδιότητες του ανέµου δεν µπορούν να βοηθήσουν. Έτσι βασίζεται συνήθως στις προσεγγιστικές αριθµητικές προβλέψεις καιρού που παρέχουν διάφορες διεθνείς µετεωρολογικές υπηρεσίες. Οι προτεινόµενες αυτές τιµές προσαρµόζονται µε κάποιο έξυπνο φίλτρο στα µέτρα του κάθε Αιολικού Πάρκου, γίνεται δηλ. αναγωγή της ταχύτητας ανέµου 3

στο συγκεκριµένο γεωγραφικό στίγµα και το κατάλληλο υψόµετρο πάνω από το έδαφος και στη συνέχεια υπολογισµός της παραγόµενης ισχύος του Α/Π. ίνεται ιδιαίτερη έµφαση στη δηµιουργία στατιστικών µεθόδων βελτίωσης και διόρθωσης των προβλέψεων. Τα αναπτυχθέντα µοντέλα αξιολογήθηκαν πάνω σε µια ευρεία βάση δεδοµένων από Θεσσαλονίκη, νησιά των Κυκλάδων και διάφορες περιοχές της Κρήτης. Μεγάλο µέρος των δεδοµένων προέρχεται από δικές µας ανεµολογικές µετρήσεις συνολικής διάρκειας 3 περίπου ετών. Η εργασία αυτή εντάχθηκε στα πλαίσια του ερευνητικού προγράµµατος «Προηγµένος Έλεγχος για την Ασφαλή Λειτουργία Αποµονωµένων Συστηµάτων Ενέργειας µε Αυξηµένη ιείσδυση Ανανεώσιµων Μορφών και Αποθήκευση Ενέργειας, (συντµ. MORE CARE)» (2-3) της Ευρωπαϊκής Ένωσης. 1. 2. Ανασκόπηση Βιβλιογραφίας Η ασφαλής και επωφελής χρήση της αιολικής ενέργειας για την τροφοδοσία ενός συστήµατος ηλεκτρικής ενέργειας προϋποθέτει ότι έχουν λυθεί ορισµένα τεχνικά προβλήµατα που είναι συνυφασµένα µε τη µεταβλητότητα της ταχύτητας του ανέµου. Τα προβλήµατα αυτά συνδέονται µε την τάση, τη συχνότητα και εποµένως µε την επιτρεπόµενη διείσδυση αιολικής ισχύος στο δίκτυο, τις δεσµεύσεις µονάδων συµβατικής παραγωγής, την εφεδρεία, την αξιοπιστία και τελικά το κόστος. Όσο ακριβέστερες είναι οι προβλέψεις των ταχυτήτων ανέµου τόσο µεγαλύτερη µπορεί να είναι η διείσδυση ενέργειας και χαµηλότερο το κόστος όπως αυτά θα εξηγηθούν παρακάτω. Στην περίπτωση όπου δεν υπάρχει πρόβλεψη πχ. για την αµέσως επόµενη ώρα, µπορεί να γίνει ανεκτή στο δίκτυο µια διείσδυση της τάξης µεγέθους 3-4 %. Όταν υπάρχει πρόβλεψη, τα ποσοστά αυτά µπορούν να πολλαπλασιασθούν. Οπωσδήποτε σε ένα εκτεταµένο ή µικρό δίκτυο µεγάλα ποσοστά διείσδυσης αιολικής ισχύος (>5%) θα έπρεπε να ελεγχθούν για να επιτευχθεί λειτουργία µε ανεκτά όρια µεταβολής τάσης, συχνότητας, αξιοπιστίας. Αναφέρεται ένα µεγάλο πλήθος προτεινόµενων στρατηγικών πάνω στην αντιµετώπιση αυτού του προβλήµατος. Μεγάλος είναι επίσης ο αριθµός των εµπλεκόµενων παραµέτρων καθώς και των επιµέρους περιπτώσεων: Υπάρχουν δίκτυα ισχυρά - διασυνδεδεµένα και δίκτυα ασθενή - αυτόνοµα, υβριδικά δίκτυα όπου οι Α/Γ συνεργάζονται µε ντιζελογεννήτριες, υδροηλεκτρικούς σταθµούς ή φωτοβολταϊκά στοιχεία. Κατά περίπτωση προτείνεται η ένταξη των µονάδων να µη µένει στάσιµη βάσει ενός προγραµµατισµού πχ. 24 ωρών, αλλά να ενηµερώνεται και να επαναπροσδιορίζεται κάθε 15 λεπτά ή και κάθε 1 λεπτό λόγω της ύπαρξης των Α/Γ. Τα προβλήµατα οικονοµικής βελτιστοποίησης (ελαχιστοποίηση συνολικού κόστους λειτουργίας) επιλύονται µε χρήση τεχνικών δυναµικού προγραµµατισµού. Ιδιαίτερη έµφαση δίνεται στις εφεδρείες του δικτύου (στιγµιαία, γρήγορη, αργή εφεδρεία), ενώ οι περιορισµοί της εγκατεστηµένης ισχύος του αιολικού πάρκου λαµβάνονται υπόψη και σαν σχεδιαστική αλλά και σαν λειτουργική παράµετρος [1]. Σε κάθε περίπτωση η διαδικασία κεντρικού ελέγχου ενός αιολικού πάρκου συνοψίζεται ως εξής: α) πρόβλεψη φορτίου (σε 24ωρη ή ωριαία βάση) β) πρόβλεψη ταχυτήτων ανέµου (ή επαναπροσδιορισµός της) ανά 1 λεπτό, 15 λεπτά και 1 ώρα γ) Ανάληψη κατάλληλης δράσης βάσει σχεδίου. Οποιοδήποτε σχέδιο δράσης περιλαµβάνει κάποιο, έστω απλοϊκό, µοντέλο πρόβλεψης ανέµων, λαµβάνει δε υπόψη την αβεβαιότητα (σφάλµα) αυτού του µοντέλου και τα προβλήµατα που πιθανώς θα ανακύψουν εξαιτίας της. 4

Η βραχυπρόθεσµη πρόβλεψη ταχυτήτων ανέµου αντλεί το υλικό της από µεγάλη ποικιλία επιστηµονικών εργασιών οι οποίες δύναται να ταξινοµηθούν ως εξής: 1. 2. 1. Στατιστική ανάλυση της χρονοσειράς των ταχυτήτων ανέµου. Οι πρώτες απόπειρες προσοµοίωσης βασίζονται στα πολύ γνωστά από τη δεκαετία του 7 µοντέλα Box - Jenkins [2]. Τα µοντέλα αυτά διακρίνονται σε α) Μοντέλα αυτοπαλινδρόµησης (AR(p)) όπου η παρούσα τιµή x(i) εκφράζεται σαν γραµµικός συνδυασµός των p πιο πρόσφατων τιµών x(i-1) ως x(i-p). Το απλούστερο αυτών των µοντέλων x(i) = x(i-1) συνιστά την λεγόµενη παραµένουσα πρόβλεψη (persistent) η οποία είναι απλοϊκή µεν, αλλά όχι ευκαταφρόνητη ως προς την αποτελεσµατικότητά της. Στην συνέχεια της παρούσας εργασίας το σφάλµα που προκύπτει από αυτή τη µέθοδο (παραµένον σφάλµα) θα χρησιµοποιείται ως µέτρο σύγκρισης για την αποδοτικότητα κάθε προτεινόµενου µοντέλου πρόβλεψης. β) Μοντέλα κινούµενου µέσου όρου (MA(q)) όπου η παρούσα τιµή x(i) εκφράζεται σαν γραµµικός συνδυασµός των q πιο πρόσφατων σφαλµάτων e(i-1) ως e(i-q). γ) Μικτά µοντέλα ARMA(p,q) που αποτελούν συνδυασµό των 2 προηγουµένων. δ) Μοντέλα ARIMA(p,d,q) τα οποία είναι όµοια µε τα ARMA, δεν αναφέρονται όµως στην αρχική χρονοσειρά αλλά στην d τάξης παράγωγό της. Η µεθοδολογία των Box - Jenkins στοχεύει στην αναγνώριση εκείνου του θεωρητικού µοντέλου που περιγράφει καλύτερα (δηλ. µε το µικρότερο σφάλµα) την πραγµατική χρονοσειρά. Ειδικά, σε µια διαδικασία πρόβλεψης, στόχος είναι η επιλογή του µοντέλου εκείνου που θα δώσει τα ελάχιστα σφάλµατα όχι µόνο στην διαδικασία προσοµοίωσης γνωστών δεδοµένων αλλά κυρίως στην µετέπειτα εφαρµογή του στην πράξη επί νέων αγνώστων δεδοµένων. Ως συνηθέστερα χαρακτηριστικά της χρονοσειράς ταχυτήτων ανέµου αναφέρονται η µη στασιµότητά της (δηλ. η έντονη µεταβολή του µέσου όρου από µέρα σε µέρα) και η µη συµµετρική κατανοµή των τιµών της. Κατά περίπτωση εντοπίζεται η επίδραση του ηµερησίου κύκλου ως ίχνος 24ωρης περιοδικότητας, ιδίως τους καλοκαιρινούς µήνες. ιάφοροι ερευνητές έχουν κατά καιρούς προτείνει διάφορα µοντέλα αναφερόµενοι σε χρονοσειρές µε δείγµατα ωριαία έως και δείγµατα του ενός λεπτού. Τα πιο ενδιαφέροντα εξ αυτών παρουσιάζονται παρακάτω. Ο Desrochers [3] χρησιµοποιεί δεδοµένα ώρας που καλύπτουν διάστηµα ενός έτους. Εξετάζει διάφορα µοντέλα και επιλέγει το πιο ταιριαστό για κάθε µήνα. Τα µοντέλα ARMA (2, 1), ARMA (1, 2) και ARMA (3, 1) προτείνονται ως τα καταλληλότερα. Όταν το µοντέλο εφαρµόζεται επί της αρχικής χρονοσειράς οι ΜΑ όροι αναλαµβάνουν ρόλο διόρθωσης σφάλµατος. Προσαρµόζουν δηλ. το υπάρχον µοντέλο στις ιδιαιτερότητες των πιο πρόσφατων δεδοµένων και προλαµβάνουν φαινόµενα όπως εµµονή και πόλωση του σφάλµατος επί διαδοχικών προβλέψεων. Ένα µοναδικό AR µοντέλο συνήθως αδυνατεί να περιγράψει αξιόπιστα µια χρονοσειρά µε µεγάλη ποικιλία τιµών, µη στάσιµη και µη συµµετρική ως προς την κατανοµή της. Για αυτό το λόγο οι παρακάτω ερευνητές µετασχηµατίζουν την αρχική χρονοσειρά ώστε να αποβάλλουν τα ανεπιθύµητα χαρακτηριστικά της, εφαρµόζουν το µοντέλο επί της µετασχηµατισµένης χρονοσειράς και στο τέλος αναγάγουν τις προβλέψεις στην αρχική µορφή της χρονοσειράς. Ο Daniel [4] ασχολείται µε ωριαία δεδοµένα επίσης. Υψώνει τις αρχικές τιµές σε κάποια δύναµη µεταξύ.6 και 1 µετατρέποντας έτσι την κατανοµή τους σε συµµετρική, σχεδόν κανονική. Η µη στασιµότητα αποβάλλεται αφαιρώντας την µέση τιµή και διαιρώντας µε την 5

τυπική απόκλιση, όπως αυτές προέκυψαν χωριστά για κάθε µια από τις 24 ώρες της ηµέρας. Η ίδια διαδικασία ακολουθείται για τρεις διαφορετικούς µήνες (Ιούνιο, Ιούλιο και Αύγουστο) και καταλήγει στο µοντέλο AR(2). Ο Hu [5] αντίστοιχα παίρνει την τετραγωνική ρίζα των αρχικών τιµών έτσι ώστε η κατανοµή των νέων δεδοµένων να πλησιάζει την κανονική κατανοµή. Λόγω µη στασιµότητας χρησιµοποιεί διαφορισµένα µοντέλα (ARI). Χρησιµοποιεί κριτήρια που συνεκτιµούν την ανάγκη ελαχιστοποίησης του σφάλµατος αλλά και την ανάγκη χρήσης φειδωλών µοντέλων. Ως συµβιβαστική λύση προτείνεται το µοντέλο ARI(4,1), τόσο για την χρονοσειρά της µίας ώρας, όσο και γι αυτήν του ενός λεπτού. Κατάδηλη είναι και η αδυναµία αυτών των µοντέλων για πρόβλεψη µε χρονικό ορίζοντα πέραν της µίας ώρας.[6] Η φειδώ σε ένα µοντέλο (δηλ. ο µικρός αριθµός παραµέτρων) θεωρείται ότι προσδίδει αξιοπιστία και δυνατότητα γενίκευσης στο µοντέλο, εγγυάται δηλαδή ένα σφάλµα πρόβλεψης ανάλογο ποιοτικά µε το σφάλµα προσοµοίωσης. Οι αρχικές παράµετροι του µοντέλου µπορούν να επιλεχθούν τυχαία ή µε τη βοήθεια κάποιων κριτηρίων. (Για παράδειγµα οι εξισώσεις Yule-Walker εξάγουν αρχικές τιµές παραµέτρων βασιζόµενες στους συντελεστές µερικής αυτοσυσχέτισης της χρονοσειράς). Στη συνέχεια οι παράµετροι βελτιώνονται βαθµιαία στην κατεύθυνση ελαχιστοποίησης του σφάλµατος µε την χρήση κάποιας µεθόδου κλίσης. Οι µέθοδοι αυτές γίνονται περισσότερο πολύπλοκες στην περίπτωση µοντέλων ARMA. Ως µειονέκτηµά τους παραδοσιακά αναφέρεται η παγίδευσή τους σε τοπικά ελάχιστα και γενικά η οδήγηση τους σε τελικές τιµές ριζικά εξαρτώµενες από την επιλογή των αρχικών. Έτσι προτιµούνται µεταγενέστερα µοντέλα όπως τα φίλτρα Kalman όπου στην περίπτωση γραµµικών εξισώσεων, εντοπίζεται αµέσως το ολικό ελάχιστο µε την µέθοδο ελαχίστων τετραγώνων. Μία προσπάθεια για µοντελοποίηση της αβεβαιότητας της πρόβλεψης ταχυτήτων ανέµου και ανεµοπαραγωγής σε µία ή περισσότερες τοποθεσίες, παρουσιάζεται στις εργασίες του Sοder [7]. Η χρήση µοντέλων παλινδρόµησης µε αυξηµένο θόρυβο (ARWIN και MARWIN) για πρόβλεψη µέχρι και 3 ή 5 ώρες µπροστά υπαινίσσεται πως καθώς ο χρονικός ορίζοντας πρόβλεψης Τ µεγαλώνει, το αντίστοιχο σφάλµα αποκτά πέραν της στοχαστικής και µια συστηµατική συνιστώσα µε εύρος ανάλογο του T. Με βάση αυτές τις προβλέψεις µπορεί να γίνει η προσοµοίωση της ηµερήσιας λειτουργίας ενός συστήµατος παραγωγής και η εκτίµηση του κόστους διείσδυσης της αιολικής ενέργειας σε αυτό. Αντίστοιχα, ο Jensen [8], στην προσπάθεια του να προβλέψει την συνολική ανεµοπαραγωγή σε 1 διεσπαρµένα αιολικά πάρκα στη ανία για διάστηµα 12 έως 36 ωρών προτείνει ένα µοντέλο το οποίο συσχετίζει την ταχύτητα του ανέµου µε την ανεµοπαραγωγή εισάγοντας ταυτόχρονα και µια περιοδικότητα. Στο µοντέλο αυτό γίνεται επίσης και ένας µετασχηµατισµός λαµβάνοντας την τετραγωνική ρίζα των αρχικών τιµών έτσι ώστε η κατανοµή των νέων δεδοµένων να πλησιάζει την κανονική κατανοµή. Και στις δύο περιπτώσεις το λογικότερο θα ήταν να γίνει εκµετάλλευση και των αντίστοιχων µακροπρόθεσµων προβλέψεων της Μετεωρολογικής Υπηρεσίας. Ενδιαφέρον παρουσιάζουν και οι εργασίες επί της συνθετικής παραγωγής χρονοσειρών ταχυτήτων ανέµου (Κουργιτάκος [9], Μπαλουκτσής [1], κλπ) όπου βέβαια εξετάζεται η φύση των ανέµων. Ο Κουργιτάκος παρουσιάζει µία µέθοδο για την παραγωγή ωριαίων τιµών ταχυτήτων ανέµου χρησιµοποιώντας τη µέση τιµή, τη διασπορά και την αυτοσυσχέτιση ωριαίων τιµών ταχυτήτων ανέµου σε κάποια τοποθεσία. Μία παρόµοια διαδικασία χρησιµοποιείται για την παραγωγή χρονοσειρών της ισχύος εξόδου από διάσπαρτες Α/Γ. Η πιστοποίηση των αποτελεσµάτων όµως, αναφέρεται ότι ήταν περιορισµένη. 6

Ο Μπαλουκτσής χρησιµοποιεί σαν δεδοµένα τη µέση τιµή και τυπική απόκλιση των ταχυτήτων ανέµου ανά µήνα, για την παραγωγή ηµερήσιων τιµών ταχυτήτων ανέµου, µε τη βοήθεια ενός πίνακα µετάβασης Markov 1ης τάξεως. Για την παραγωγή ωριαίων τιµών, χρησιµοποιεί επιπλέον σαν δεδοµένα τη µέση τυπική απόκλιση των ωριαίων τιµών ανά µήνα και ένα µη εποχικό µοντέλο AR(2). Ο Beyer [11] ισχυρίζεται ότι µπορεί να συνθέσει χρονοσειρές ωριαίων τιµών βασιζόµενος στο λεγόµενο ανεµολογικό «αποτύπωµα» µιας θέσης όπως τη δίνει ο Ευρωπαϊκός Άτλαντας Ανέµου και το σύστηµα WASP. Αυτό περιλαµβάνει το µέσο ηµερήσιο προφίλ για κάθε µήνα (ντετερµινιστική συνιστώσα) και τη φασµατική πυκνότητα ισχύος των αποκλίσεων που αποδίδει την στοχαστική συνιστώσα. Οι παραγόµενες χρονοσειρές διορθώνονται ώστε τα δεδοµένα για κάθε ώρα της ηµέρας να παρουσιάζουν κατανοµή Weibul. Άλλες αντίστοιχες προσπάθειες που βασίζονται στην ανάλυση του ανέµου στο πεδίο της συχνότητας δεν αποδεικνύονται ιδιαίτερα γόνιµες [12]. Συνοψίζοντας, µπορούµε να αναφέρουµε τα κυριότερα προβλήµατα των σχετικών εργασιών ως εξής: 1. Πολλές εργασίες θίγουν επιφανειακά το πρόβληµα της πρόβλεψης ανέµων ως ένα δευτερεύουσας σηµασίας κοµµάτι κάποιου µοντέλου ελέγχου. Μεταξύ αυτών ο Κονταξής [13] εντοπίζει µια ελαφριά περιοδικότητα του ανέµου το Καλοκαίρι. Προτείνει ένα µοντέλο AR(3) για δεδοµένα τριανταλέπτου, το οποίο στην εφαρµογή του δίνει σφάλµα πρόβλεψης περίπου 15%. 2. Άλλες ολισθαίνουν προς σύνθετες και αναλυτικές µεθόδους µετασχηµατισµού των δεδοµένων, δηµιουργώντας µοντέλα προσοµοίωσης και όχι πρόβλεψης, τα οποία δεν εξετάζεται αν µπορούν να γενικεύσουν για δεδοµένα οποιουδήποτε χρονικού διαστήµατος. Ενίοτε δεν είναι καν µέθοδοι εφαρµόσιµες σε πραγµατικό χρόνο. Ο Fellows [14], πχ. κάνει πολύ ενδιαφέρουσες προτάσεις για την τµηµατική αφαίρεση µέσου όρου και την αποβολή τάσης από την αρχική χρονοσειρά που προϋποθέτουν όµως την χρήση δεδοµένων µελλοντικών σε σχέση µε τη στιγµή της πρόβλεψης. 3. Σε όλες τις περιπτώσεις ακολουθείται τυπική ανάλυση χρονοσειρών, δηλαδή έχουµε οµοειδή δεδοµένα στις εισόδους και στην έξοδο (π.χ. τιµές λεπτού - λεπτού, ώρας - ώρας κλπ.). Γενικώς τέτοιες µέθοδοι είναι καταδικασµένες σε σφάλµατα µεγαλύτερα ή έστω ίσα του παραµένοντος. Αντίθετα συµπεράσµατα οφείλονται συνήθως στο γεγονός ότι τα µοντέλα εφαρµόζονται σε µικρό όγκο δεδοµένων ή σε δεδοµένα µε ευνοϊκά χαρακτηριστικά (όπως σταθερές και έντονες τάσεις). [15] Οι Bossanyi [16] και Beyer [17] αντιµετωπίζουν το τελευταίο πρόβληµα χρησιµοποιώντας µάλιστα µεταγενέστερα µοντέλα (φίλτρα Kalman και νευρωνικά δίκτυα αντίστοιχα). Σ αυτούς ο χρόνος δειγµατοληψίας στις εισόδους είναι µικρότερος από αυτόν στην έξοδο. Ο Beyer, για παράδειγµα, στηρίζεται στις πρόσφατες ταχύτητες των 1 ή 3 δευτερολέπτων για να προβλέψει το επόµενο λεπτό ή δεκάλεπτο. Καθώς το νευρωνικό δίκτυο πολλών στρωµάτων που χρησιµοποιεί εκφυλίζεται σε ένα απλό νευρώνιο (perceptron), ουσιαστικά έχουµε ένα γραµµικό µοντέλο η έξοδος του οποίου φιλτράρεται µέσω µιας σιγµοειδούς συνάρτησης. Οι µέθοδοι αυτές δίνουν κατά περίπτωση σφάλµα 5-2% καλύτερο του παραµένοντος. Ο Sfetsos [18] κάνει σύγκριση πολλών µεθόδων πρόγνωσης χρονοσειράς µε εφαρµογή σε ωριαίες τιµές ταχύτητας ανέµου για ένα µήνα (744 h) µετρηµένες στην Κρήτη στην τοποθεσία Οδηγήτρια. Η σύγκριση γίνεται ως προς την ακρίβεια των αποτελεσµάτων (συγκριτικά µε την παραµένουσα) και ως προς την ταχύτητα της εξαγωγής τους. Χρησιµοποιούνται τεχνικές τεχνητής νοηµοσύνης (ΤΝ) που στηρίζονται σε γραµµικά µοντέλα (παρόµοια των Box Jenkins), σε Νευρωνικά ίκτυα (Ν ) (Feed Forward Neural Networks, Radial Basis Function Networks, Elman Recurrent Networks) και σε συνδυασµούς Ν µε ασαφή λογική (Adaptive Network Based Fuzzy Inference System ANFIS, Neural Logic Network NLN κλπ). Η διαδικασία χωρίζεται σε τρία µέρη: την εκπαίδευση (1 5 h), 7

την αποτίµηση (51 55 h) και την πρόβλεψη (551 744 h). Η επιλογή των µεταβλητών έγινε µε βάση την αυτοσυσχέτιση της χρονοσειράς σαν πρώτο βήµα και την ανάλυση ευαισθησίας σαν δεύτερο. Το βασικό συµπέρασµα του άρθρου είναι ότι τα µοντέλα ΤΝ υπερτερούν των γραµµικών και πως όλα τα µη γραµµικά µοντέλα έχουν περίπου ίδιο RMS σφάλµα. Το µοντέλο µε τα καλύτερα αποτελέσµατα (µικρότερο τετραγωνικό σφάλµα) είναι το NLN µε ενσωµατωµένους λογικούς κανόνες (Logic Rules). 1. 2. 2. Μελέτη της χωρικής συσχέτισης των ταχυτήτων ανέµου Στην χρονοσειρά των ταχυτήτων ανέµου παρατηρούνται βασικά οι παρακάτω τρεις καταστάσεις: α) Βραχυχρόνιες ταλαντώσεις γύρω από έναν σχετικά σταθερό µέσο όρο, β) Απότοµη άνοδος ή πτώση του µέσου όρου λόγω της άφιξης ή αποχώρησης ενός µετεωρολογικού συµβάντος, γ) Σταθερή ανοδική ή καθοδική τάση της ταχύτητας για µεγάλο χρονικό διάστηµα (µερικές ώρες το πολύ). Έτσι ένα µοντέλο πρόβλεψης σαν τα προηγούµενα που απλώς προεκτείνει στο µέλλον τις πιο πρόσφατες τιµές της ταχύτητας χρησιµεύει µόνο στην περίπτωση (γ), ισοδυναµεί µε την παραµένουσα πρόβλεψη στην περίπτωση (α) και αποτυγχάνει πλήρως στην περίπτωση (β). Η διαπίστωση αυτή, καθώς και το ιδιαίτερο ενδιαφέρον για έγκαιρη πρόγνωση των απότοµων µεταβολών οδήγησαν σύντοµα σε µια διαφορετική στρατηγική πρόβλεψης που βασίζεται στην παρακολούθηση της µεταφοράς των µετεωρολογικών συµβάντων (µετώπων) που κατευθύνονται προς το αιολικό πάρκο. Συχνά γίνονται µελέτες για την συσχέτιση ταχυτήτων ανέµου σε δύο ή περισσότερες περιοχές (τοποθεσίες), οι οποίες βρίσκονται σε κάποια λογική απόσταση µεταξύ τους (µέγιστη απόσταση που έχει αναφερθεί είναι τα 1 km). Οι τοποθεσίες αυτές µπορεί ενδεχοµένως να είναι διατεταγµένες κατά την κύρια διεύθυνση κίνησης των τοπικών µετεωρολογικών φαινοµένων. Χονδρικά, µπορούµε να δεχθούµε ότι, όταν οι αποστάσεις είναι µικρές (< 1 km), η συσχέτιση δύναται να αφορά µικροδιακυµάνσεις ανέµου διάρκειας ενός λεπτού. Για µεγαλύτερες αποστάσεις (µερικές δεκάδες χιλιόµετρα), η καµπύλη ταχύτητας, που προβλέπεται από την περιοχή εκκίνησης, θα προσεγγίζει µόνο τις λιγότερο βραχείες µεταβολές ανέµου της θέσης άφιξης. Για το λόγο αυτό γίνεται αναγκαία η δηµιουργία ενός δικτύου µετεωρολογικών σταθµών τοποθετηµένων σε κατάλληλες θέσεις και αποστάσεις γύρω από το αιολικό πάρκο. Στους σταθµούς αυτούς θα είναι δυνατός ο έγκαιρος εντοπισµός των µετώπων ανέµου που οδηγούνται προς το πάρκο και πρόκειται να φτάσουν εκεί µε κάποια καθυστέρηση και µικρή µεταβολή. Υπάρχουν πολλές µελέτες χωρικής συσχέτισης ταχυτήτων ανέµου, που δεν καταλήγουν όµως πάντα σε αξιόλογα αποτελέσµατα. Ο Corotis [19] εντοπίζει σηµαντική συσχέτιση σε µέσες τιµές ώρας και ηµέρας, σε αποστάσεις ως 1 km. Μεγαλύτερη συσχέτιση υπάρχει το Χειµώνα, σε αντίθεση µε το Καλοκαίρι. Όµως, και στις δύο εποχές, παρατηρούνται συσχετίσεις µεγαλύτερες του.8 (ικανοποιητικές) σε τοποθεσίες µε απόσταση κοντά στα 1 km. Σηµαντική χωρική συσχέτιση υπάρχει στο πρώτο µισό κάθε µέρας, σε σχέση µε την υπόλοιπη µέρα. Ο Beyer [2] µελετά την συµπεριφορά Α/Γ διεσπαρµένων σε µια απολύτως επίπεδη έκταση 5 1 km και καταλήγει ότι η ετεροσυσχέτιση των ωριαίων τιµών ισχύος (pu) φθίνει όσο µεγαλώνει η απόσταση µεταξύ των Α/Γ αλλά και όσο µεγαλώνει η απόκλιση από 8

τον άξονα της κύριας διεύθυνσης του ανέµου. Το ίδιο συµπέρασµα ισχύει και για την συσχέτιση των µεταβολών ισχύος από ώρα σε ώρα. Στα προηγούµενα ο Palomino [21] προσθέτει ότι η ετεροσυσχέτιση φθίνει και µε την αύξηση της υψοµετρικής διαφοράς µεταξύ των 2 σηµείων. Οι διαπιστώσεις του βασίζονται σε δείγµατα µετεωρολογικών σταθµών εντός µιας κοιλάδας µε αποστάσεις µεταξύ των έως 1 km και υψοµετρικές διαφορές ως 45 m. Τα συµπεράσµατα αυτά επαληθεύονται χωριστά για διάφορες συνοπτικές καταστάσεις όπως ισχυροί άνεµοι, ασθενείς θερµικοί κατά τη διάρκεια της ηµέρας και της νύχτας κλπ. Ο Chan [22] ενδιαφέρεται για συσχετίσεις ανέµου σε µικρές αποστάσεις (ως 15 km) µε καλύτερα αποτελέσµατα σε απόσταση 675 µέτρων. Η συσχέτιση αφορά µεταβολές ανέµου ανά 4-λεπτα, 1-λεπτα και 3-λεπτα, καθώς και αποκλίσεις ενός λεπτού από τη µέση τιµή ηµιώρου. Το µοντέλο του προσπαθεί να λάβει υπ' όψιν την τραχύτητα του εδάφους και το ύψος πάνω από το έδαφος, µετασχηµατίζοντας κατάλληλα τα αρχικά δεδοµένα. Συνδέει ορθώς τη συσχέτιση µε τη διεύθυνση του ανέµου, καταλήγει όµως σε φτωχά αποτελέσµατα, πιθανότατα επειδή διαθέτει µικρό αριθµό δειγµάτων και επειδή δεν χρησιµοποιεί κανενός είδους χρονική καθυστέρηση. Το ίδιο ισχύει και για τη Γληνού [23] η οποία καταγράφει τη χωρική συσχέτιση, τις διαφοροποιήσεις του ανεµορόµβιου και την επίδραση τοπικών επιταχύνσεων σε επιλεγµένες θέσεις εντός µιας ηµιορεινής έκτασης 35 km 2 ιδιαίτερα πολύπλοκου ανάγλυφου. Τα σηµεία µέτρησης βρίσκονται σε πλαγιές µε µικρή ή µεγάλη κλίση, εκτιµάται δε ότι οποιοδήποτε διερχόµενο συµβάν καταγράφεται από θέση σε θέση δραµατικά παραµορφωµένο λόγω της µορφολογίας του εδάφους και των υψοµετρικών διαφορών. Σηµαντικότερες είναι οι δύο εργασίες του Schlueter [24, 25]. Η πρώτη αφορά συσχέτιση θέσεων µέσα σε ένα αιολικό πάρκο, δηλαδή σε αποστάσεις 15 ως 1 µέτρα και χρονικές διαφορές 2 ως 4 λεπτά. Η δεύτερη µελετά τη συσχέτιση δύο περιοχών Α και Β, επιλεγµένων έτσι ώστε οι άνεµοι να κινούνται συνήθως από το Α στο Β. Η συσχέτιση δηλώνεται ότι µπορεί να συλλάβει µόνο αργές µεταβολές (µεγαλύτερες από 1 λεπτά) και να συνδέσει περιοχές µε αποστάσεις ως 1 µίλια, ή µεγαλύτερες, αρκεί το φαινόµενο να παρακολουθείται µε ενδιάµεσους σταθµούς ανά 1 µίλια. Από την καµπύλη ετεροσυσχέτισης ρ ΑΒ (t) των ταχυτήτων v A και v Β, βρίσκεται η χρονική διαφορά Τ, για την οποία µεγιστοποιείται η ρ ΑΒ (t). Η πρόβλεψη βασίζεται στη σχέση: v B (t) forecasted = m B + ρ AB ( Τ) (σ Β / σ Α ) [v Α (t - Τ) - m Α ] όπου m Α, m και σ Β Α, σ Β είναι οι µέσες τιµές και οι τυπικές αποκλίσεις των περιοχών Α και Β, δηλαδή µετασχηµατίζει την v Α, προσαρµόζοντάς την στα ανεµολογικά χαρακτηριστικά της περιοχής Β. Η µέθοδος εφαρµόστηκε σε δεδοµένα τρίλεπτου, για τέσσερα τυπικά για την περιοχή µετεωρολογικά φαινόµενα. Τα δεδοµένα είχαν προφιλτραριστεί για την αφαίρεση του θορύβου. Οι συγγραφείς διακριτικά αναφέρουν ότι η χρήση της µεθόδου έχει νόηµα µόνο αν επαναλαµβάνεται σταθερά το ίδιο φαινόµενο, δηλαδή ο άνεµος κινείται από το Α προς το Β µε την ίδια περίπου διεύθυνση και ταχύτητα. Η Kallstrand [26], τέλος, χρησιµοποιεί µετρήσεις από αεροσκάφος για να παρακολουθήσει ένα συµβάν κατά το οποίο σχετικά ζεστός αέρας µεταφέρεται ισοταχώς προς τη στεριά πάνω από την κρύα θάλασσα (της Βαλτικής). Ταυτόχρονα παρακολουθεί και τη διαµόρφωση του συµβάντος ως προς το ύψος πάνω από την επιφάνεια της θάλασσας επιβεβαιώνοντας ότι το φαινόµενο εξελίσσεται οµαλά κοντά στην επιφάνεια της θαλάσσης αλλά και σε πολύ µεγάλο ύψος (πχ. 14 m) ενώ διαταραχές (όπως αεροχείµαρροι) εµφανίζονται συνήθως στο ύψος των 2-3 m. Στην εργασία καταγράφεται µια δραστική µείωση (σχεδόν στο µισό) της έντασης του ανέµου και αντίστοιχος διπλασιασµός του στροβιλισµού µόλις το συµβάν φτάσει στις ακτές και αρχίσει να προχωρεί στην ενδοχώρα. Πλήθος εργασιών ασχολούνται µε την επίδραση του ανάγλυφου έχοντας ως κύριο σκοπό τον εντοπισµό τοποθεσιών µε υψηλό αιολικό δυναµικό. Εποµένως προσπαθούν να 9

αντιστοιχίσουν και να αναγάγουν ταχύτητες ανέµου από µια θέση Α σε µια άλλη Β, όταν οι Α και Β βρίσκονται σε διαφορετικό υψόµετρο και παρουσιάζουν η καθεµιά τα δικά της τοπικά χαρακτηριστικά. Στα πρώτα 2 m πάνω από το έδαφος η µεταβολή της ταχύτητας του ανέµου συναρτήσει του ύψους δεν είναι απλή αλλά εξαρτάται έντονα από την σταθερότητα της ατµοσφαιρικής κατάστασης. Ο πλέον κοινός εκθετικός νόµος, από αυτούς που χρησιµοποιούνται ορίζει ότι η ταχύτητα V σε ύψος z είναι ανάλογη του z p, όπου p =.14 για ουδέτερη και σταθερή ατµόσφαιρα. Η τραχύτητα του εδάφους επηρεάζει την διαµόρφωση της ταχύτητας του ανέµου κυρίως ως τα 5 m ενώ η επίδραση του ηµερησίου κύκλου στην θέρµανση του εδάφους µπορεί σε έκτακτες περιπτώσεις να είναι αισθητή ως τα 2 m. Από το 1975 κε., έχουν προταθεί σχετικοί αλγόριθµοι που ουσιαστικά προσπαθούν να χρησιµοποιήσουν χονδρικές µετρήσεις ή εκτιµήσεις που αφορούν το οριακό στρώµα της ατµόσφαιρας, να τις αναγάγουν στην επιφάνεια του εδάφους και να τις προσαρµόσουν στην τοπική µορφολογία. Η ακρίβεια αυτών των µοντέλων φαίνεται πως είναι περιορισµένη σε σχέση µε τις απαιτήσεις του αντικειµένου της παρούσης εργασίας. Κι αυτό επειδή τα µοντέλα αυτά µπορούν να δώσουν τη γενική στάσιµη κατάσταση, δηλ. µέσες πχ. µηνιαίες τιµές των ταχυτήτων ανέµου σε κάποια περιοχή εκτάσεως της τάξης του1 km 2 τουλάχιστον. Επί της συγκεκριµένης περιοχής δηµιουργείται ένα σύνολο συνδυασµών από τα υπάρχοντα δεδοµένα για την ταχύτητα και τη διεύθυνση του ανέµου και µια διαστρωµάτωση των συνθηκών που συναντιούνται εκεί. Αυτές οι συνθήκες µπορούν να χρησιµοποιηθούν σαν αρχικές ή οριακές συνθήκες ή περιορισµοί για τη λύση των υδροδυναµικών εξισώσεων. Σε αυτές τις εξισώσεις εισάγονται και άλλες που εξαρτώνται από παράγοντες όπως ο στροβιλισµός που είναι ιδιαίτερα σηµαντικός. Οι οριακές συνθήκες γενικά χωρίζονται σε κινητικές και δυναµικές. Οι κινητικές προϋποθέτουν µηδενική ροή στα στερεά όρια όπως το έδαφος και ένα άνω επίπεδο. Οι δυναµικές περιλαµβάνουν την εξακρίβωση τιµών της ροής θερµότητας και αλλαγής της ροπής στο έδαφος και στα άλλα όρια. Αυτό συνεπάγεται πλήρη γνώση των χαρακτηριστικών του εδάφους. Λόγω του ότι όλα αυτά δυσκολεύουν την κατάσταση οι περισσότερες προσοµοιώσεις καταφεύγουν σε µεγάλο αριθµό προσεγγίσεων και απλοποιητικών παραδοχών ή περιορίζονται σε µικρό όγκο δεδοµένων. Μια πρώιµη και αρκετά πλήρης επισκόπηση των πρώτων παρόµοιων µοντέλων που εµφανίστηκαν (πχ. NOABL, SIGMET, COMPLEX κλπ.) παρουσιάζεται στην [27]. Ανάλογοι είναι οι προβληµατισµοί στις εργασίες των Παναγιωτίδη και Τρυφωνόπουλου, [28] όπου αναζητείται η συσχέτιση δεδοµένων της ταχύτητας στην επιφάνεια του εδάφους µε την ταχύτητα στα ανώτερα στρώµατα της ατµόσφαιρας. ηλαδή, αν υπάρξει καλή πρόβλεψη για τη µία ταχύτητα στην άνω ατµόσφαιρα µπορεί κανείς να προβεί σε εκτιµήσεις για την ταχύτητα στην επιφάνεια και αντίστροφα. Αυτό ενδιαφέρει κυρίως για περιοχές όπου δεν υπάρχουν µετρήσεις µετεωρολογικών σταθµών ή δεδοµένα για χρήση σε πρόβλεψη. Στην πρόβλεψη αυτή δεν υπεισέρχεται το µέγεθος του χρονικού ορίζοντα. Πρόκειται δηλ. µάλλον για µεθόδους στατιστικής εκτίµησης των γενικών ανεµολογικών χαρακτηριστικών µιας περιοχής για την οποία δεν διατίθενται ανάλογες µετρήσεις. 1

1.2.3. Θέµατα Μακροπρόθεσµης Πρόβλεψης Η σχετική βιβλιογραφία εξετάζει κυρίως: o Την αξιοποίηση Αριθµητικών Μετεωρολογικών Προβλέψεων o Την προσαρµογή τους στις ανάγκες του κάθε Αιολικού Πάρκου o Τη διόρθωση τους µε χρήση στατιστικών µεθόδων και φίλτρων o Την αποτίµηση του τελικού οικονοµικού οφέλους που έχουµε από την εφαρµογή τους. Ο όρος Αριθµητικές Μετεωρολογικές Προβλέψεις (NWP) καλύπτει της µεθόδους προσοµοίωσης των ατµοσφαιρικών διαδικασιών και φαινοµένων σε Η/Υ µε σκοπό την πρόβλεψη της µελλοντικής διαµόρφωσης της ατµόσφαιρας, µε βάση πάντα τα τωρινά πραγµατικά δεδοµένα. Η επιτυχία στις προβλέψεις οφείλεται και στο γεγονός ότι σήµερα οι περισσότερες φυσικές διαδικασίες της ατµόσφαιρας είναι γνωστές. Η λήψη των πραγµατικών δεδοµένων γίνεται από σταθµούς σε όλο το κόσµο και από δορυφόρους. Όλα τα αριθµητικά δεδοµένα υπόκεινται σε µια διαδικασία ελέγχου, όπου επιχειρείται να αποµονωθούν τα εσφαλµένα δεδοµένα και να συµπληρωθούν τα κενά στις γεωγραφικές περιοχές µεταξύ των σταθµών (π.χ στους ωκεανούς). Η παραπάνω διαδικασία είναι σηµαντική και για τη διόρθωση χρησιµοποιούνται κυρίως δεδοµένα από δορυφόρους. Οι µαθηµατικοί υπολογισµοί στηρίζονται σε ένα σύστηµα µη γραµµικών µερικών διαφορικών εξισώσεων, που δεν έχουν αναλυτική λύση. Ωστόσο µπορεί να υπολογιστεί µια αριθµητική λύση και για λόγους σταθερότητας πρέπει να υπολογίζονται λύσεις για κάθε µικρό χρονικό βήµα. Επίσης χρησιµοποιείται ένα πλέγµα µε κόµβους ανάµεσα στους σταθµούς και οι υπολογισµοί γίνονται ξεχωριστά για κάθε κόµβο. Με τη σύγχρονη υπολογιστική ισχύ, µπορούν να υπολογιστούν πλέγµατα διαστάσεων έως και λίγων χιλιοµέτρων. Ωστόσο και σε αυτή την κλίµακα, δεν µπορούν να αναλυθούν ορισµένες ατµοσφαιρικές διαδικασίες όπως τοπικές θερµικές καταιγίδες, ρεύµατα επιτάχυνσης πχ. µέσα από κοιλάδες, πάνω από µικρούς λόφους και όλες οι τοπικές επιδράσεις και παρεµβολές από κτίρια, δενδροφύτευση κλπ. Ο ορίζοντας πρόβλεψης των µετεωρολογικών ινστιτούτων είναι συνήθως 48 ώρες, αλλά µπορεί να φτάσει τις 72 ή ακόµη και τις 144 ώρες. Το πλέον γνωστό µοντέλο είναι αυτό του HIRLAM (High Resolution Limited Area Model). Αποτελείται από 4 υποµοντέλα, καθένα εκ των οποίων καλύπτει κάποια γεωγραφική περιοχή, χρησιµοποιούν όµως όλα ένα κοινό πυρήνα µαθηµατικών σχέσεων. Το µεγαλύτερο υποµοντέλο είναι το HIRLAM-G το οποίο καλύπτει το τετράγωνο ανάµεσα στις περιοχές της Καλιφόρνια, της Σιβηρίας, την Αίγυπτο και την θάλασσα της Καραϊβικής, µε πλέγµα ανάλυσης 48 Km και χρονικά βήµατα 4 min. Οι συνθήκες οριακού στρώµατος για αυτό µοντέλο λαµβάνονται από το παγκόσµιο µοντέλο του Ευρωπαϊκού Κέντρου Μετεωρολογικών Προβλέψεων, το οποίο τρέχει δυο φορές την ηµέρα και δίνει προβλέψεις µε χρονικό βήµα 6 ωρών. Το HIRLAM-E και το HIRLAM-D είναι δυο µικρότερα υποµοντέλα. Το HIRLAM-E περιλαµβάνει την ευρύτερη περιοχή της Ευρώπης και το HIRLAM-D την περιοχή της ανίας, τη βόρειο Γερµανία, τη δυτική Σουηδία και τη νότιο Νορβηγία. Το πρόγραµµα WAsP (Wind Atlas Application & Analysis Program) χρησιµοποιείται για να προσαρµόζει τις µετρήσεις µετεωρολογικών δεδοµένων από µια Θέση Α, στις ανάγκες πρόβλεψης µιας θέσης Β της ιδίας περιοχής, λαµβάνοντας υπόψη το ανάγλυφο, τα εµπόδια, την τραχύτητα του εδάφους της περιοχής κλπ. Η κεντρική ιδέα του WAsP είναι να καθαρίζει τις µετρήσεις από τις τοπικές επιδράσεις της θέσης Α, να παράγει τις γενικές κλιµατικές συνθήκες που είναι αντιπροσωπευτικές για την ευρύτερη περιοχή και µετά να επανεισάγει τις τοπικές επιδράσεις για τη θέση Β. Τα παραπάνω γίνονται µε τη βοήθεια 3 υποµοντέλων, όπου το ένα περιγράφει τις συνέπειες της µορφολογίας του εδάφους, το δεύτερο τις συνέπειες της τραχύτητας του εδάφους και το τρίτο να περιγράφει τις συνθήκες στις υπήνεµες περιοχές (πίσω από εµπόδια). 11

Το PARK είναι πρόγραµµα το οποίο υπολογίζει τη µείωση της ταχύτητας του ανέµου πίσω από τις Α/Γ (φαινόµενο σκίασης Α/Γ). Έτσι προσδιορίζει τη µέση αποδοτικότητα για κάθε Α/Γ µέσα σε ένα Αιολικό Πάρκο. Οι απαραίτητοι είσοδοι του προγράµµατος είναι οι συντεταγµένες των Α/Γ, οι καµπύλες ισχύος και πρόωσης, το ύψος του κεντρικού σηµείου η διάµετρος του ρότορα και τα µετεωρολογικά δεδοµένα της περιοχής. Το πρόγραµµα περιορίζεται σε αιολικά πάρκα µε Α/Γ του ιδίου τύπου. Οι µέθοδοι µακροπρόθεσµης πρόβλεψης που αναφέρονται στη συνέχεια κάνουν συχνά χρήση ή αναφορά στα παραπάνω µοντέλα. O Pedersen [29] χρησιµοποιεί τα προγράµµατα WASP και PARK για την πρόβλεψη της ετήσιας παραγωγής ενέργειας σε 1 αιολικά πάρκα. Παίρνει τα δεδοµένα από το ανέζικο άτλαντα ανέµου τα οποία όµως διορθώνει µε κάποιους συντελεστές αναλόγως της περιοχής που αναφέρονται και έχει επίσης σαν εισόδους για το WASP την τραχύτητα του εδάφους, την ορογραφία του χώρου, τοπικά εµπόδια και γενικά χαρακτηριστικά της περιοχής. Οι σχετικές µέθοδοι δύναται να είναι αριθµητικές, εµπειρικές ή ηµιεµπειρικές και γενικώς προσπαθούν να εξάγουν τα κλιµατικά χαρακτηριστικά στενών γεωγραφικών περιοχών από την ευρύτερη ατµοσφαιρική κυκλοφορία δηλ. την ένταση και τη διεύθυνση των µετώπων, τη θέση των κέντρων πίεσης κλπ. Ο Bogardi [3] διακρίνει 7-8 διαφορετικές περιπτώσεις ατµοσφαιρικής κυκλοφορίας και προτείνει να χρησιµοποιούνται απλές γραµµικές σχέσεις ξεχωριστά για κάθε µήνα και για κάθε κατηγορία. Με τις σχέσεις αυτές εξάγεται η µέση ταχύτητα της αυριανής ηµέρας σε πλήθος επιµέρους περιοχών. Ο Akylas [31] συγκρίνει τρεις µεθόδους ωριαίας πρόβλεψης ταχύτητας ανέµου του αυριανού 24ώρου: (1) Με βάση προβλέψεις 6ωρου ή 3ωρου από την ΕΜΥ, προκύπτει 24ωρη καµπύλη µε γραµµική παρεµβολή, η οποία στη συνέχεια προσαρµόζεται πάνω στη χαρακτηριστική ηµερήσια µορφή (ηµιτονοειδής καµπύλη για το καλοκαίρι), (2) Μοντέλα βασισµένα σε προβλέψεις HIRLAM οι οποίες έχουν υψηλούς συντελεστές συσχέτισης µε τις πραγµατικές τιµές, (3) Μοντέλα ασαφούς λογικής. Η µέση ηµερήσια πρόβλεψη και η πιο πρόσφατη µέτρηση είναι οι είσοδοι υπόθεσης µε δύο συναρτήσεις συµµετοχής η καθεµιά. Από τη σύγκριση των τριών µεθόδων, η πρώτη δίνει τα καλύτερα αποτελέσµατα. Το µοντέλο ασαφούς λογικής δεν κρίθηκε ικανοποιητικό καθώς οι προβλέψεις του παρουσίαζαν σταθερά υπερεκτίµηση. Όσον αφορά τα HIRLAM καθώς παρουσιάζουν σταθερή πόλωση σφάλµατος ανάλογα µε την ώρα πρόβλεψης, χρησιµοποιήθηκαν διάφορες παραλλαγές στατιστικής διόρθωσης όπως διαµόρφωση µε τη µέθοδο WAsP, µε την µέθοδο AIOLOS, πρόσθεση σταθερού όρου στις προβλέψεις, γραµµική παρεµβολή και προσαρµογή στην χαρακτηριστική ηµερήσια καµπύλη κοκ. Ο Dutton [32] επιχειρεί ωριαία πρόβλεψη ανέµου για το επόµενο 48ωρο και κάνει συγκρίσεις για διάφορες µεθόδους: "Παραµένουσα", γραµµικά µοντέλα αυτοπαλινδρόµησης ARMA, µοντέλα βασισµένα σε προσαρµόσιµη ασαφή λογική, ασαφές νευρωνικό δίκτυο κλπ. Οι µέθοδοι δοκιµάστηκαν µε ωριαία στοιχεία από την Κρήτη (4 µήνες) και το Shetland (1 έτος). Σε ότι αφορά τις δοκιµές µε τα µοντέλα ARMA το βέλτιστο µοντέλο µε βάση το µέσο τετραγωνικό σφάλµα ήταν το AR(6). Η µέθοδος είναι ισοδύναµη µε την "παραµένουσα" για πρόβλεψη στο επόµενο δίωρο ενώ παρουσιάζει µέχρι και 2% βελτίωση σφάλµατος για το χρονικό διάστηµα 8 12 ώρες µπροστά. Για µεγαλύτερο ορίζοντα πρόβλεψης δεν έχει ικανοποιητικά αποτελέσµατα. Τα ασαφή µοντέλα που χρησιµοποιήθηκαν είναι ένα FARX(4;,) (4 κανόνες/ 4 προηγούµενες τιµές ταχύτητας ανέµου) για ορίζοντα πρόβλεψης 24 ώρες και FARX(8;2,2) (24 κανόνες/ 8 προηγούµενες τιµές ταχύτητας αέρα) για 8ωρο ορίζοντα πρόβλεψης. εν παρατηρείται εντυπωσιακή βελτίωση σε σχέση µε τα γραµµικά µοντέλα. Συµπερασµατικά προτείνεται η χρήση µεθόδων πρόβλεψης βασισµένων σε µετεωρολογικά δεδοµένα και εφιστάται η προσοχή για καλύτερη "µετατροπή" της ταχύτητας ανέµου σε ισχύ ανέµου. Ο Joensen [33] εφαρµόζει µη παραµετρικές στατιστικές µεθόδους στην πρόβλεψη ισχύος Α/Γ. Χρησιµοποιεί σταθµική παλινδρόµηση σε δεδοµένα ενός χρόνου για περιοχή της ανίας. Παρατηρεί ότι το καλοκαίρι υπάρχει έντονη µεταβολή στην ταχύτητα του ανέµου η οποία 12

όµως δεν προβλέπεται από το µοντέλο NWP και ότι η µέση τιµή της ταχύτητας είναι µεγαλύτερη το χειµώνα. Αποδεικνύει την υπεροχή της µεθόδου του σε σύγκριση µε την «απλή παραµένουσα» και ένα συνδυασµό παραµένουσας & µέσης τιµής. Ο Landberg [34] περιγράφει το πώς οι στατιστικές µέθοδοι (MOS) µπορούν να συνδυαστούν µε µεθόδους NWP. Οι NWP προβλέψεις (HIRLAM) δίνουν 3ωρες τιµές για 36 ώρες µπροστά και µάλιστα για διάφορα υψοµετρικά επίπεδα. Με βάση τους συντελεστές συσχέτισης µε τις πραγµατικές τιµές προκύπτει ότι το καλύτερο είναι να πάρουµε τις προβλέψεις HIRLAM για την επιφάνεια του εδάφους. Επειδή οι παράµετροι του MOS θα µεταβάλλονται µε το χρόνο προτείνονται τρεις µέθοδοι «προσαρµογής» (adaptive estimation): Extended Kalman Filter, Recursive Least Squares και Recursive Local Regression. Η τελευταία είναι και αυτή µε τα καλύτερα αποτελέσµατα µε µεγάλη διαφορά από τις άλλες ειδικά για µεγάλο χρονικό ορίζοντα. Επίσης η ακρίβεια της µεθόδου εξαρτάται και από την τοποθεσία στην οποία εφαρµόζεται. Η πρόβλεψη της ισχύος ενός πάρκου γίνεται και πάλι µε βάση φυσικά µοντέλα και χρήση στατιστικής διόρθωσης. Ο Landberg [34] λαµβάνει προβλέψεις HIRLAM και τις διαµορφώνει κατάλληλα στις γεωγραφικές συνθήκες κάθε πάρκου µέσω του µοντέλου WAsP. Για τον υπολογισµό της συνολικής παραγωγής ενός πάρκου χρησιµοποιείται το πρόγραµµα PARK. Χρησιµοποιούνται δύο µοντέλα MOS: το ένα (MOS1) για διόρθωση ταχύτητας και το άλλο (MOS2) για διόρθωση ισχύος. Αναλυτικά: Το MOS1 εφαρµόζεται στις τιµές ταχύτητας µετά από τη διόρθωση WAsP. Τις πολλαπλασιάζει µε ένα συντελεστή α ( θ) που έχει 12 διαφορετικές τιµές ανάλογα µε τη διεύθυνση του ανέµου. Το MOS2 εφαρµόζεται στις τιµές ισχύος που προκύπτουν µετά την επεξεργασία µε το πρόγραµµα PARK και συνίσταται στην πρόσθεση ενός σταθερού όρου b ανεξάρτητου της διεύθυνσης. Το µοντέλο συγκρίνεται µε τρεις άλλες µεθόδους πρόγνωσης, την "παραµένουσα", τον συνδυασµό της µε τη µέση τιµή της χρονοσειράς (χαρακτηρίζεται «Νέο Μοντέλο Αναφοράς»- NRM) και το φυσικό µοντέλο χωρίς το MOS1. Προκύπτουν οι εξής παρατηρήσεις: Tο µοντέλο υπερτερεί όλων των υπολοίπων αλλά είναι χαρακτηριστικό ότι η πρόβλεψη της ταχύτητας είναι καλύτερη από αυτή που δίνει η "παραµένουσα" µόνο για µετά τις 3-6 πρώτες ώρες. Οι στατιστικές µέθοδοι βελτιώνουν πολύ την πρόβλεψη. Το NRM όπως και η παραµένουσα δίνουν σφάλµα που αυξάνει όσο µεγαλώνει ο ορίζοντας της πρόβλεψης. Ο Landberg [35] αναπτύσσει ένα µοντέλο πρόβλεψης συνολικής ισχύος για µια ευρύτερη περιοχή. Γίνεται διαίρεση της περιοχής που ενδιαφέρει σε υποπεριοχές. Αρχικά η πρόβλεψη γίνεται για το κάθε πάρκο µετά ανάγεται σε κάθε υποπεριοχή και στο τέλος γίνεται η τελική πρόβλεψη. Στο µαθηµατικό µοντέλο χρησιµοποιούνται δεδοµένα από: (1) Προβλέψεις καιρού για ταχύτητα και διεύθυνση ανέµου, (2) On line µετρήσεις παραγωγής ισχύος από κάποια πάρκα αναφοράς. Κάθε υποπεριοχή πρέπει να έχει τουλάχιστον ένα τέτοιο πάρκο. (3) Ωριαία αθροίσµατα της παραγωγής για όλες τις γεννήτριες µέσα σε κάθε υποπεριοχή. Το µοντέλο αποτελείται από δύο σκέλη: Στο αριστερό µέλος αρχικά γίνεται πρόβλεψη για κάθε πάρκο χρησιµοποιώντας (1) Χαµηλοπερατό φίλτρο µε µεταβλητές τις τοπικές on line µετρήσεις παραγωγής ισχύος (2) Μια εκτίµηση της καµπύλης ισχύος συναρτήσει των καιρικών προγνώσεων. (3) Τρεις συναρτήσεις εξοµάλυνσης µε µεταβλητές την προβλεπόµενη διεύθυνση και τον ορίζοντα πρόβλεψης. Στη συνέχεια οι προβλέψεις αυτές αθροίζονται και ανάγονται έτσι ώστε να καλυφθούν όλες οι ανεµογεννήτριες στην υποπεριοχή. Η αναγωγή αυτή γίνεται µε ένα στατικό µοντέλο που συνδέει την ολική (προβλεφθείσα) ισχύ της υποπεριοχής µε την (προβλεφθείσα) ισχύ του αντίστοιχου πάρκου αναφοράς συναρτήσει πάντα των τοπικών καιρικών προβλέψεων. Οµοίως οι προβλέψεις από κάθε υποπεριοχή αθροίζονται για να δώσουν την συνολική πρόβλεψη του αριστερού µέλους. Το δεξιό σκέλος του µοντέλου βασίζεται σε φυσικές µεθόδους. Οι προβλέψεις ισχύος για κάθε υποπεριοχή γίνονται µε ένα µοντέλο που εκφράζει τη στατική σχέση της ισχύος της κάθε 13

υποπεριοχής µε τοπικές προβλέψεις ταχύτητας και διεύθυνσης ανέµου. Αυτές αθροίζονται και δίνουν την ολική πρόβλεψη για το δεξιό µέλος. Οι δύο ολικές προβλέψεις συγκρίνονται και µε βάση το µέσο τετραγωνικό σφάλµα είτε λαµβάνεται η καλύτερη είτε ένας σταθµισµένος συνδυασµός τους. Ο Landberg [35] έχει επίσης αναζητήσει µια µεθοδολογία που θα συνδέει την ταχύτητα και την κατεύθυνση του ανέµου σε ένα υποθετικό αιολικό πάρκο και ένα (µετεωρολογικό) σταθµό αναφοράς µε χρόνιες µετρήσεις. Σαν σταθµός αναφοράς λαµβάνεται αυτός στο Εθνικό Εργαστήριο Riso της ανίας και σαν υποθετικό πάρκο το Rimi. Τα δυο µέρη απέχουν 2 χλµ. και βρίσκονται σε επίπεδη οµογενή επιφάνεια γεγονός που διευκολύνει τη µεθοδολογία. Προτείνονται τρία µαθηµατικά µοντέλα: ένα που θεωρεί ότι οι µετρήσεις στα δυο µέρη γίνονται στο ίδιο ύψος και δύο για διαφορετικό ύψος στα οποία λαµβάνεται υπόψη και η ένταση του ατµοσφαιρικού στροβιλισµού. Το ένα είναι για την περίπτωση που δεν έχουµε κανένα µέτρο για αυτή την ένταση και το άλλο χρησιµοποιείται αν γνωρίζουµε κάποια θερµοκρασιακή διαφορά µεταξύ των δύο υψοµέτρων. Για τον υπολογισµό των συναρτήσεων κάθε µοντέλου χρησιµοποιήθηκε τοπική παλινδρόµηση. Το καλύτερο µοντέλο είναι το τελευταίο το οποίο παρουσιάζει σχεδόν ίδια κατανοµή ταχύτητας µε τις µετρηµένες τιµές που χρησιµοποιήθηκαν για σύγκριση. Ο Nielsen [36] επίσης εφαρµόζει στατιστικές µεθόδους σε εξόδους φυσικών µοντέλων πρόβλεψης. Στο µαθηµατικό µοντέλο που χρησιµοποιεί γίνεται συνδυασµός των on line µετρήσεων και των µετεωρολογικών προβλέψεων µε κατάλληλη στάθµιση µέσω στατιστικών µεθόδων. Για να ληφθούν υπόψη η µη γραµµικότητα και η µη στασιµότητα της ισχύος κάθε πάρκου χρησιµοποιείται η τεχνική των Recursive Least Squares. Ο Watson [37] αποτιµά διάφορες µεθόδους πρόβλεψης ταχύτητας στην οικονοµία στερεών καυσίµων για την περίπτωση του δικτύου της Αγγλίας και της Ουαλίας. Εξετάζονται τα µοντέλα: i) Παραµένουσα, ii) Συνδυασµός NWP και HIRLAM/ WA s P και iii) Συνδυασµός NWP και στατιστικών µεθόδων (MESO/ MOS). Αρχικά γίνεται σύγκριση των µεθόδων µε την "τέλεια πρόγνωση" και µε κριτήριο: (1) τη µείωση του κόστους καυσίµου για αυξηµένη διείσδυση, (2) τη µείωση των αναγκών σε στρεφόµενη εφεδρεία. Η µέθοδος MESO/ MOS αποφέρει 25% περισσότερη οικονοµία από ότι η παραµένουσα. Γενικώς τα καλύτερα αποτελέσµατα παρουσίασαν οι στατιστικές µέθοδοι. Ο Ferreira [38] ασχολείται µε το οικονοµικό κέρδος που µπορεί να έχει κάποιος από τη χρήση µεσοπρόθεσµης πρόβλεψης ανέµου. Η βάση της θεωρίας είναι η σύγκριση µεταξύ του κόστους λειτουργίας του ΣΗΕ. για δυο καταστάσεις, αυτής όπου η ανάλυση του ΣΗΕ. γίνεται λαµβάνοντας υπόψη την πρόβλεψη ανέµου και αυτής όπου δεν έχουµε καθόλου πρόβλεψη. Για να γίνει η εκτίµηση του κέρδους ο συντάκτης θεωρεί ότι προηγουµένως έχει όλα τα δεδοµένα σε ότι αφορά το σύστηµα παραγωγής, τις παραµέτρους του ΣΗΕ. και την πρόβλεψη του ανέµου. Αντίστοιχα οwatson [39] αναλύει το πώς µπορεί η αριθµητική πρόγνωση της ισχύος του ανέµου να βοηθήσει γίνει καλύτερη ανάλυση ενός ΣΗΕ µε τελικό αποτέλεσµα την οικονοµία στερεών καυσίµων. Η µελέτη γίνεται για δυο δίκτυα, για την περιοχή Αγγλίας/ Ουαλίας και για την πολιτεία της Iowa των ΗΠΑ µε χρονικό ορίζοντα ενός έτους και για διάφορους βαθµούς διείσδυσης της αιολικής ισχύς στο δίκτυο. Τα δεδοµένα ταχύτητας υπολογίστηκαν µε γραµµική παρεµβολή για τις θέσεις των αιολικών πάρκων και µε βάση 3ώρες ή 6ώρες προβλέψεις. Γίνεται σύγκριση τριών µοντέλων πρόβλεψης ισχύος ανέµου: (1) Παραµένουσα, (2) Υβριδικό Μοντέλο Πρόβλεψης, (3) Τέλεια Πρόβλεψη Το Υβριδικό Μοντέλο Πρόβλεψης αφορά µοντέλα αυτοπαλινδρόµησης που προέκυψαν µε χρήση ιστορικών δεδοµένων (Αγγλία) ή το µοντέλο MOS (Iowa). Στην πρώτη περίπτωση η αξία της πρόγνωσης αποδεικνύεται σηµαντική για βαθµό διείσδυσης µεγαλύτερο του 25%. Αντίθετα στην Iowa τα µοντέλα MOS υστερούν της παραµένουσας. 14

Τέλος, ο Akylas [31] συγκρίνει δύο µεθόδους πρόβλεψης, την «παραµένουσα» και την «τέλεια» στο δίκτυο της Κρήτης. Η εξοµοίωση έγινε µε στοιχεία για τη ζήτηση φορτίου και την ταχύτητα του ανέµου από περίοδο ενός έτους (1993-94) και για διάφορες τιµές διείσδυσης από % έως 5% της συνολικής εγκατεστηµένης ισχύος. Η οικονοµία που γίνεται είναι σχεδόν γραµµική συνάρτηση του βαθµού διείσδυσης (µε ελαφριά απόκλιση µετά το 5%). Προτείνεται εγκατάσταση αιολικών πάρκων µε ισχύ 2 MW (βαθµός διείσδυσης 5%) η οποία δεν αποτελεί πρόβληµα για την ευστάθεια του δικτύου και είναι και οικονοµικά συµφέρουσα ακόµα και αν ως µέθοδος πρόβλεψης ανέµου χρησιµοποιηθεί η «παραµένουσα». 15

Κεφάλαιο 2 Σκοπός του λογισµικού MORE-CARE Γενικός σκοπός του λογισµικού CARE είναι να συµβάλει στην επίτευξη της βέλτιστης απόδοσης των υβριδικών ενεργειακών συστηµάτων. Το πρόγραµµα µπορεί να βρει εφαρµογή σε µια µεγάλη ποικιλία µέσων και µεγάλων αυτόνοµων συστηµάτων µε διάφορες δοµές και συνθήκες λειτουργίας. Τα ενεργειακά αυτά συστήµατα µπορεί να περιλαµβάνουν: o Συµβατικούς σταθµούς φυσικού καύσιµου o Ποικίλες ανανεώσιµες πηγές (φωτοβολταϊκά, αιολικά, υδροηλεκτρικές µονάδες µε ή χωρίς ταµιευτήρες, γεωθερµικά κ.α) o Ιδιοπαραγωγή. Ο συνυπολογισµός αυτής της µη ελεγχόµενης παραγωγής, αλλάζει ριζικά συνθήκες ελέγχου του δικτύου, δηλ. τους αλγορίθµους και τις ελεγχόµενες µεταβλητές. Σκοπός του συστήµατος CARE είναι να βοηθά τους χειριστές αυτών των συστηµάτων προτείνοντας βέλτιστα σενάρια για διάφορες µονάδες ενέργειας, όπως επίσης και τις ενέργειες που απαιτούνται για την αποφυγή επικίνδυνων καταστάσεων, οι οποίες µπορεί να προκληθούν από κακές προβλέψεις του φορτίου, των καιρικών συνθηκών και των πιθανών διαταραχών. Η εξασφάλιση της µέγιστης ασφάλειας και αξιοπιστίας του συστήµατος θα επιτρέψει τη µέγιστη διείσδυση και αξιοποίηση των ανανεώσιµων πηγών. Το προϊόν θα περιλαµβάνει τα διάφορα µοντέλα πρόβλεψης, επιχειρησιακού σχεδιασµού και εφαρµογών ασφαλείας. Λόγω της ποικιλίας των αναγκών στα διάφορα συστήµατα µεσαίας και µεγάλης κλίµακας, το λογισµικό θα περιέχει πολλές υπορουτίνες επιτρέποντας την επιλογές εκείνων που ταιριάζουν καλύτερα στα ιδιαίτερα χαρακτηριστικά του κάθε συστήµατος. ΧΕΙΡΙΣΤΗΣ SCADA system LOAD FORECASTING SCHEDULER MAN-MACHINE INTERFACE RENEWABLES FORECASTING DATA-BASE SECURITY ASSESSMENT UNIT COMMITMENT ECONOMIC DISPATCH SECURITY MONITORING Σχήµα 2.1: Γενική αρχιτεκτονική του Συστήµατος CARE 16

o ΠΡΟΒΛΕΨΗ (FORECASTING). Αναπτύσσονται κατάλληλα µοντέλα, τόσο για την ζήτηση φορτίου όσο και ξεχωριστά για κάθε τύπο ανανεώσιµης µονάδας, για να προβλέψουν την διακύµανση της παραγόµενης ισχύος για την επόµενη περίοδο σχεδιασµού. o ΕΝΤΑΞΗ ΜΟΝΑ ΩΝ (UNIT COMMITMENT). Το µοντέλο αυτό χρησιµοποιεί τις παραπάνω προβλέψεις για να καθορίσει το λειτουργικό πρόγραµµα ένταξης των µονάδων παραγωγής για την επόµενη περίοδο σχεδιασµού. o ΟΙΚΟΝΟΜΙΚΗ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ (ECONOMIC DISPATCH). Με βάση τις µονάδες που επιλέχτηκαν στο προηγούµενο βήµα, καθορίζει τα set-points της κάθε µονάδας ώστε να ελαχιστοποιούνται τα λειτουργικά έξοδα υπό τους περιορισµούς του συστήµατος ενέργειας. o ΕΛΕΓΧΟΣ ΑΣΦΑΛΕΙΑΣ (SECURITY ASSESSMENT). Το µοντέλο αυτό υπολογίζει τη δυναµική ασφάλεια των προτεινοµένων χρονοδιαγραµµάτων ένταξης µονάδων. Εδώ απορρίπτονται επιλογές οι οποίες σε συνδυασµό µε την ασταθή λειτουργία των ανανεώσιµων µονάδων θα µπορούσαν να προκαλέσουν µεγάλες διαταραχές όπως αυξοµειώσεις συχνότητας ή απώλεια συγχρονισµού. o ΠΑΡΑΚΟΛΟΥΘΗΣΗ ΑΣΦΑΛΕΙΑΣ (SECURITY MONITORING). Κατόπιν αιτήσεων των χειριστών, το εργαλείο αυτό επιτρέπει την αποτίµηση ανά πάσα στιγµή της ασφάλειας του συστήµατος ενέργειας, περιλαµβάνει προεπιλεγµένες διαταραχές που δύναται να εµφανιστούν και εκτιµά τη µεταβολή της συχνότητας που θα προκαλέσει κάθε µια εξ αυτών. START Pre-UC model selected? Yes No Yes Load & renewable power forecasts (D days ahead) Pre-Unit Commitment (D days ahead) Every t1 hours t1 hours since last pre-uc No Load & renewable power forecasts (H hours ahead) Main-Unit Commitment (H hours ahead) Dynamic Security Assessment Economic Dispatch Every t2 minutes Dynamic Security Assessment Delay until t2 min Set-Points of Power Units Σχήµα 2.2: Κύριες λειτουργίες του αλγορίθµου του συστήµατος CARE. Για τον έλεγχο του συστήµατος της Κρήτης είναι D=1-2 µέρες, Η=8 ώρες, t1=4 ώρες, t2=2 λεπτά 17

2.1 Πρόβλεψη Ισχύος Α/Π Για την εφαρµογή των συναρτήσεων UNIT COMMITMENT και ECONOMIC DISPATCH για την επόµενη περίοδο σχεδιασµού, είναι απαραίτητες οι προβλέψεις για την καµπύλη της παραγόµενης ισχύος των ανανεώσιµων σταθµών. Συγκεκριµένα για αιολικά πάρκα είναι αναγκαία η ανάπτυξη µοντέλων που: o Θα προβλέπουν τη συνολική ισχύ εξόδου των ανεµογεννητριών για το αιολικό πάρκο. Για να προκύψει η τιµή αυτή θα µας παρέχονται πληροφορίες για τον αριθµό και τον τύπο των ανεµογεννητριών που βρίσκονται σε λειτουργία. o Εναλλακτικά µπορεί να προβλεφθεί η ταχύτητα άνεµου και µετά να µετατραπεί σε ισχύ χρησιµοποιώντας της χαρακτηριστικές καµπύλες των ανεµογεννητριών ή αλλά φίλτρα. o Η επίδραση της διάταξη των Α/Γ (που συνήθως συνδέεται µε τη διεύθυνση του ανέµου) µπορεί να είναι σηµαντική. Ως εκ τούτου η συνολική παραγόµενη ισχύς δεν θα προκύπτει απλώς εφαρµόζοντας την καµπύλη ισχύος επί της εκτιµούµενης ταχύτητας ανέµου και πολλαπλασιάζοντας µε των αριθµό των Α/Γ. Πρέπει λοιπόν να ληφθεί πρόνοια για να εισαχθεί ένας δείκτης προσαρµογής που θα σταθµίζει ανάλογα την προβλεπόµενη ολική ισχύ του κάθε αιολικού πάρκου. Με δεδοµένη τη γεωγραφική διασπορά των διαφόρων αιολικών πάρκων, τους διαφορετικούς τύπους Α/Γ και την εξάρτηση της ταχύτητας του άνεµου από την τοπική µορφολογία της περιοχής, καθίσταται απαραίτητο να έχουµε διαφορετικές προβλέψεις για την έξοδο κάθε πάρκου ξεχωριστά. ιαφορετικά µοντέλα πρόβλεψης για κάθε πάρκο σηµαίνουν ότι απαιτούνται αντίστοιχες βάσεις δεδοµένων από την επεξεργασία και µελέτη των οποίων θα προκύψει το είδος και οι παράµετροι του κάθε µοντέλου. Ως εκ τούτου ένα µοντέλο πρόβλεψης δεν µπορεί να εφαρµοστεί και σε κάποιο άλλο πάρκο χωρίς να εξεταστεί µε βάση τα τοπικά δεδοµένα. Λαµβάνοντας υπόψη ορισµένες δυσκολίες που ανέκυψαν στα πάρκα της Κρήτης και της Ιρλανδίας, το µοντέλο πρόβλεψης ισχύος άνεµου θα πρέπει να έχει τις δυνατότητες ώστε: o Να περιέχει µοντέλα πρόβλεψης είτε για ταχύτητα ανέµου είτε για παραγόµενη ισχύ. o Να έχει ενδεχοµένως τη δυνατότητα να µετατρέπει την ταχύτητα άνεµου σε ισχύ χρησιµοποιώντας τη χαρακτηριστική καµπύλη ισχύος των Α/Γ ή αλλά φίλτρα. o Να λαµβάνει υπόψη το γεγονός ότι στο ίδιο αιολικό πάρκο υπάρχουν εγκατεστηµένες Α/Γ διαφορετικού τύπου o Το ιδανικό θα είναι για κάθε πάρκο να υπάρχει ξεχωριστό µοντέλο πρόβλεψης, αλλιώς όταν πραγµατικά δεδοµένα για το πάρκο δεν είναι διαθέσιµα θα χρησιµοποιείται µοντέλο πρόβλεψης της ευρύτερης περιοχής ή κάποιο µοντέλο που έχει θεωρηθεί κατάλληλο. o Για µελλοντική εγκατάσταση ενός πάρκου είτε θα δηµιουργείται ένα καινούργιο µοντέλο για το συγκεκριµένο πάρκο, είτε θα σχετίζεται µε κάποιο ήδη υπάρχον µοντέλο στη περιοχή. Όσον αφορά τη κατάσταση του συστήµατος ενέργειας της Κρήτης, αυτό εντάσσεται στη παραπάνω περίπτωση γιατί η πλειοψηφία των αιολικών πάρκων θα εγκατασταθεί τα επόµενα χρόνια σε τρεις συγκεκριµένες περιοχές του νησιού (Άνω Μουλιά, Τοπλού, Ξερολίµνη). Η έρευνα έδειξε για τις προβλέψεις άνεµου ότι µοντέλα χρονοσειρών έχουν ικανοποιητική απόδοση βραχυπρόθεσµα (λίγες ώρες µπροστά), ενώ µακροπρόθεσµα (µια ή δυο µέρες µπροστά) υπερέχουν τα µοντέλα πρόβλεψης που βασίζονται σε µετεωρολογικές πληροφορίες. 18