Joustojen merkitys sähköjärjestelmässä kasvaa vaihtelevan tuulivoiman tuotannon määrän lisääntyessä. Tuulivoiman tuotannon ennustamiseen liittyy epävarmuutta, jota sanelee yksi pohjoisten olosuhteiden ilmiö, jäätäminen. Yhdistimme BCDC:n ilma- ja taloustiedettä ja otimme selvää, selittääkö jäätäminen virhettä tuulivoiman tuotantoennusteessa, ja voidaanko ennustetta parantaa jäätämistietoja hyödyntämällä. Case-esimerkiksi nousi luontevasti Fingrid Oyj:n tammikuun 10. päivän tuotantoennusteet.

Idea tähän blogipostaukseen syntyi Fingridin Mikko Heikkilän twiitistä 10.1.2019:

”Säätösähkön hinta kävi tänään kolmen tunnin ajan 499€/MWh tasolla. Yksi keskeinen syy säätötarpeelle näyttäisi olleen ennustettua vähäisempi tuulivoimatuotanto. Malliesimerkki miten sähköjärjestelmän muutoksen myötä tarve joustolle kasvaa.”

Seurasimme Twitter-ketjun kommentteja mielenkiinnolla. Niiden mukaan hinta oli käynyt suhteellisen korkealla (250€/MWh) myös päivän sisäisillä markkinoilla.

Ennuste punaisella

Ilmatieteen laitoksen jäätämisennuste ennustaa muun muassa jään kertymisnopeutta [g/h] (Lue lisää BCDC-blogista). Ennuste kertoo liikennevaloperiaatteella, milloin ja millä tuulen nopeuksilla jäätäminen voi vaikuttaa negatiivisesti tuulivoimalan sähköntuotantoon.

Torstain, tammikuun 10. päivän ennuste näytti tuulivoima-alueille laajasti punaista: voimakasta jäätämistä (yli 100 g/h) oli odotettavissa yli kolmasosalle Ilmatieteen laitoksen tuulivoiman jäätämisennustepalvelun vajaasta sadasta kohteesta. Tämä näkyi ennusteissa jo edellisenä aamuna, keskiviikkona 9. päivä. Mikko Heikkilän twiitin kommenteista saatiin myös vahvistusta sille, että jäätäminen oli tässä tapauksessa todella heikentänyt tuulivoiman tuotantoa. Kun tiedossa on, että Fingridin käyttämä tuulivoimaennuste ei ota jäätämistä huomioon, tämä tammikuun torstaipäivä herättää BCDC-hankkeen kannalta mielenkiintoisia kysymyksiä: Kuinka paljon jäätäminen vaikuttaa Fingridin tuulivoimaennusteen virheeseen? Entä voiko Ilmatieteen laitoksen jäätämisennusteella selittää tuulivoiman tuotannon vähenemistä?

Kuva 1: Fingridin avoimesta datasta poimittu tuulivoiman ennustettu ja toteutunut tuotanto sekä säätösähkön hinta ja Ilmatieteen laitoksen jäätämistieto 9.1—11.1.2019. Käytetty aika: UTC. (Anders Lindfors).

Ryhdyimme BCDC Sää- ja Markkinat-tiimin voimin analysoimaan meneillään olevan talven tilannetta. Käytimme Ilmatieteen laitoksen jäätämisennustetta ja Fingridin avointa dataa koskien tuulivoiman tuotantoa, ennustettua tuotantoa ja säätösähkön hintaa (Kuva 1).

Laskimme jään kertymisnopeuden kuuden tunnin keskiarvon [g/h] Ilmatieteen laitoksen jäätämisennustepalvelun vajaasta sadasta kohteesta. Tässä tausta-ajatuksena on, että jäätämisen muutaman tunnin keskiarvo toimii suurpiirteisesti jäätämisen vaikutuksesta tuulivoimaan tuotantoon kertovana indeksinä. Tätä tietoa käyttämällä tutkimme, voidaanko Fingridin tuulivoimaennusteen virhettä selittää Ilmatieteen laitoksen jäätämistiedolla, ja onko ennusteen osuvuutta mahdollista parantaa jäätämistietoja hyödyntämällä.

Jäätäminen ennustevirheen taustalla

Käytimme analyysityökaluna lineaarista regressiomallia. Sen avulla tekemämme laskelmat näyttävät jäätämisen todella vaikuttavan tuulivoimatuotannon ennustevirheeseen. Koska jäätämisen huomioimatta jättäminen kasvattaa ylössäädön eli tuotannon lisäämisen tarvetta, keskityimme vain niihin tunteihin, jolloin toteutunut tuotanto jäi ennustettua pienemmäksi. Kyseisinä tunteina jäätäminen selittää keskimäärin yli 10 prosenttia ennustevirheen vaihtelusta (tilastollisesti erittäin merkitsevällä 0,1 prosentin riskitasolla). Asiaa voi tutkia myös asetelmalla, jossa tuulivoiman toteutunut tuotanto selitetään kahdella tekijällä, Fingridin omalla tuulivoimaennusteella ja jäätämistiedolla. Tämänkin perusteella huomasimme, että jäätämisen tilastollinen merkitsevyys on erittäin korkea ja se parantaa mallin osuvuutta.

Kuinka hyvä tuulivoimatuotannon virheen selittäjä jäätäminen siis on? Lineaaristen regressiomallien selitysaste vaihtelee 0 ja 100 prosentin välillä. Esimerkiksi, koulutus on hyvä tulotason selittäjä, muttei ainoa määrittäjä. Tulotasoon vaikuttavat myös esimerkiksi ikä ja työkokemus. Vastaavasti jäätäminen on yksi tekijä, joka vaikuttaa tuulivoimaennusteen virheeseen. Muita virheeseen vaikuttavia tekijöitä ovat esimerkiksi tuulivoimaloiden odottamattomat viat, mahdolliset huoltokatkokset ja sääennusteen virheet.

Jäätämisellä rahallisia vaikutuksia

On mielenkiintoista pohtia myös, millaisia rahallisia vaikutuksia jäätämisen huomioimisella voisi olla. Jos oletetaan, että ennustevirheet tasapainotetaan säätösähkömarkkinoiden mukaisin hinnoin, jäätämisen huomioiminen laskee kuluneen talvikauden tasapainotuskustannuksia toistasataa tuhatta euroa. Tämä kuvaa maksimisäästöä, koska todellisuudessa kustannussäästöjen määrä riippuu luonnollisesti myös siitä, mitä markkinoita tasapainotussähkön hankinnassa käytetään. Kuten alussa mainitussa esimerkissä, todellisuudessa osa tasapainotustarpeesta saadaan katettua päivän sisäisillä markkinoilla. Jäätämisen huomioiminen laskee tasapainotussähkön kysyntää ja vaikuttaa näin ollen kaikkien tasapainotukseen osallistuvien tahojen ostaman tai tuottaman sähkön hintaan.

Jäätämisellä näyttää olevan systemaattinen vaikutus tuulivoimatuotannon ennustevirheeseen ja se tulisi huomioida paremmin koko sähköjärjestelmän kustannustehokkaan toiminnan näkökulmasta.

Kirjoittajat: Anders Lindfors ja Santtu Karhinen

Kiitokset Markkinat-tiimin Hannu Huukille sekä Sää-tiimin Evgeny Atlaskinille ja Karoliina Hämäläiselle.

Anders Lindfors, tutkimusprofessori, BCDC Sää -tiimi
Ilmatieteen laitos
anders.lindfors(a)fmi.fi

Santtu Karhinen, tohtorikoulutettava, BCDC Markkinat -tiimi
Suomen ympäristökeskus
Oulun yliopiston kauppakorkeakoulu
santtu.karhinen(a)ymparisto.fi

Pääkuva: BCDC Keep on Talking Featurette IIb. Kuume Productions. Tutkijakuvien kuvaajat: Kati Leinonen (vas.) ja Tero Pajukallio (oik.)

Lue Oulun yliopiston BCDC Energiablogista ->