Entwicklung eines Windleistungprognosemodells zur Verbesserung der Kraftwerkseinsatzplanung
| dc.contributor.corporatename | Kassel, Universität, FB 16, Elektrotechnik/Informatik | |
| dc.contributor.referee | Kleinkauf, Werner (Prof. Dr.-Ing.) | |
| dc.contributor.referee | Werner, H. (Dr.rer.nat) | |
| dc.date.accessioned | 2006-03-22T14:43:25Z | |
| dc.date.available | 2006-03-22T14:43:25Z | |
| dc.date.examination | 2003-10-30 | |
| dc.date.issued | 2003-12-15T14:43:25Z | |
| dc.format.extent | 20032623 bytes | |
| dc.format.mimetype | application/pdf | |
| dc.identifier.uri | urn:nbn:de:hebis:34-829 | |
| dc.identifier.uri | http://hdl.handle.net/123456789/829 | |
| dc.language.iso | ger | |
| dc.rights | Urheberrechtlich geschützt | |
| dc.rights.uri | https://rightsstatements.org/page/InC/1.0/ | |
| dc.subject | Windenergie | eng |
| dc.subject | Windleistungsprognose | eng |
| dc.subject | Kraftwerkseinsatzplanung | eng |
| dc.subject | künstliche neuronale Netze | eng |
| dc.subject | wind power | eng |
| dc.subject | wind power prediction | eng |
| dc.subject | power plant scheduling | eng |
| dc.subject | artificial neural networks | eng |
| dc.subject.ddc | 620 | |
| dc.title | Entwicklung eines Windleistungprognosemodells zur Verbesserung der Kraftwerkseinsatzplanung | eng |
| dc.type | Dissertation | |
| dcterms.abstract | Die Maßnahmen zur Förderung der Windenergie in Deutschland haben wichtige Anstöße zur technologischen Weiterentwicklung geliefert und die Grundlagen für den enormen Anlagenzubau geschaffen. Die installierte Windleistung hat heute eine beachtliche Größenordnung erreicht und ein weiteres Wachstum in ähnlichen Dimensionen ist auch für die nächsten Jahre zu erwarten. Die aus Wind erzeugte elektrische Leistung deckt bereits heute in einigen Netzbereichen die Netzlast zu Schwachlastzeiten. Dies zeigt, dass die Windenergie ein nicht mehr zu vernachlässigender Faktor in der elektrischen Energieversorgung geworden ist. Im Rahmen der Kraftwerkseinsatzplanung sind Betrag und Verlauf der Windleistung des folgenden Tages mittlerweile zu wichtigen und zugleich schwierig zu bestimmenden Variablen geworden. Starke Schwankungen und falsche Prognosen der Windstromeinspeisung verursachen zusätzlichen Bedarf an Regel- und Ausgleichsleistung durch die Systemführung. Das im Rahmen dieser Arbeit entwickelte Prognosemodell liefert die zu erwartenden Windleistungen an 16 repräsentativen Windparks bzw. Gruppen von Windparks für bis zu 48 Stunden im Voraus. Aufgrund von prognostizierten Wetterdaten des deutschen Wetterdienstes (DWD) werden die Leistungen der einzelnen Windparks mit Hilfe von künstlichen neuronalen Netzen (KNN) berechnet. Diese Methode hat gegenüber physikalischen Verfahren den Vorteil, dass der komplexe Zusammenhang zwischen Wettergeschehen und Windparkleistung nicht aufwendig analysiert und detailliert mathematisch beschrieben werden muss, sondern anhand von Daten aus der Vergangenheit von den KNN gelernt wird. Das Prognosemodell besteht aus zwei Modulen. Mit dem ersten wird, basierend auf den meteorologischen Vorhersagen des DWD, eine Prognose für den Folgetag erstellt. Das zweite Modul bezieht die online gemessenen Leistungsdaten der repräsentativen Windparks mit ein, um die ursprüngliche Folgetagsprognose zu verbessern und eine sehr genaue Kurzzeitprognose für die nächsten drei bis sechs Stunden zu berechnen. Mit den Ergebnissen der Prognosemodule für die repräsentativen Standorte wird dann über ein Transformationsmodell, dem so genannten Online-Modell, die Gesamteinspeisung in einem größeren Gebiet berechnet. Das Prognoseverfahren hat seine besonderen Vorzüge in der Genauigkeit, den geringen Rechenzeiten und den niedrigen Betriebskosten, da durch die Verwendung des bereits implementierten Online-Modells nur eine geringe Anzahl von Vorhersage- und Messstandorten benötigt wird. Das hier vorgestellte Prognosemodell wurde ursprünglich für die E.ON-Netz GmbH entwickelt und optimiert und ist dort seit Juli 2001 im Einsatz. Es lässt sich jedoch auch leicht an andere Gebiete anpassen. Benötigt werden dazu nur die Messdaten der Leistung ausgewählter repräsentativer Windparks sowie die dazu gehörenden Wettervorhersagen, um die KNN entsprechend zu trainieren. | eng |
| dcterms.abstract | In Germany the promotion of wind energy led to research and development of new wind turbines and resulted in a high penetration of wind power in the German electricity supply. Wind-generated power provides a noticeable percentage of the total electrical power consumed and further grow is expected. In some areas of the German Transmission System Operators (TSO) more than 100 % of the electricity consumption has been covered by wind power at times. This indicates that wind has become a significant factor in electricity supply. The determination of the amount and the sequence of the wind power feed-in for the following day is the most difficult task of the generation schedule. Apart from power station outages and stochastic load variations, variations and forecast errors of wind power cause regulation and compensation power needs. The new developed prediction model delivers the temporal course of wind power to be expected for 16 representative wind farms for up to 48 hours in advance. For these representative locations, the German weather service (DWD) provides routine time series of predicted meteorological parameters in 1-hour intervals. The corresponding power of the wind farm is calculated with the help of Artificial Neural Networks. This method is superior to other procedures, which calculate the relation between wind speed and power by the use of power curves of individual plants, as the actual relation between wind speed (and other meteorological parameters) and wind farm power output is dependent on a multitude of local influences and is therefore very complex, i.e. physically difficult to describe. The prediction model is made of two modules. The first one provides the wind power prediction for the following day based on the weather forecast delivered by the DWD. The second module uses meteorological input parameters together with measured power data from the near past. Through the comparison of these time series deviations of the temporal course can be recognised and corrected to obtain a very accurate prediction for the next 3 to 6 hours. The ability of ANNs to derive short-term predictions out of the power measurements of the near past is used here as well. The predictions of the representative wind farms are upscaled by the so called Online-Model to the total wind power in a larger area. The prediction model has its particular advantages in precision, short computing time and low operating costs, as only a low number of forecast and measurement locations are necessary through the use of the already implemented Online-Model. | eng |
| dcterms.accessRights | open access | |
| dcterms.creator | Ernst, Bernhard |