Ilmatieteen laitos on testannut energiasääennusteessa käytettyä aurinkosähkön tuotantomallia ja kehittänyt satelliittien pilvihavaintoja hyödyntävän auringonsäteilyn lähihetkiennusteen. Aurinkosähkön tuotantomalli osoittautui tarkaksi, ja sen perusteella voitiin arvioida, että luminen talvikausi 2017–2018 aiheutti Kuopiossa aurinkosähkötuotannossa loven, joka vastaa noin 1,5 kuukauden kesätuotantoa. Sääsatelliittien pilvihavaintoihin perustuva lähihetkiennuste antaa sen sijaan lisäarvoa erityisesti muuttuvan pilvisyyden tilanteissa.

Verkkoon kytketyn aurinkosähkön määrä on kasvanut Suomessa voimakkaasti viime vuosina. Kun Suomen yhteenlaskettu aurinkosähkökapasiteetti oli vuonna 2015 noin 10 MWp (megawatti-piikkiä, nimellisteho), vuoden 2019 lopussa se oli jo noin 180 MWp. Toisin sanoen verkkoon kytketyn aurinkosähkön kapasiteetti on keskimäärin tuplaantunut vuosittain viimeisen neljän vuoden aikana.

Aurinkosähkön tuotanto on vahvasti riippuvainen vallitsevista sääoloista. Pilvisellä säällä aurinkosähköä tuotetaan vähemmän kuin auringon paistaessa kirkkaalta taivaalta. Sään aiheuttama vaihtelevuus on olennaista ottaa huomioon aurinkosähkön käytön suunnittelussa. Tarvitaan ennakointia ja optimointia, jotta tuotetusta aurinkosähköstä saadaan mahdollisimman paljon hyötyä. BCDC-projektissa kehitetty energiasääennuste vastaa tähän tarpeeseen. Se kertoo säämallin ennusteeseen pohjautuvan aurinko- ja tuulisähkötuotannon kilowattitunteina seuraavalle 24 tunnille.

BCDC:n säätiimi tekee aurinkoenergian ennustamiseen liittyvää tutkimusta, josta on tänä vuonna ilmestynyt kaksi tieteellistä artikkelia Solar Energy -lehdessä.

Aurinkosähkön tuotantoa mallinnetaan auringonsäteily- ja säätietoihin perustuen

Böök ym. (2020)  hyödynsi tutkimuksessaan Ilmatieteen laitoksen Helsingissä ja Kuopiossa ylläpitämiä sää- ja aurinkosähkömittauksia. Työssä selvitettiin laajasti käytetyn mutta tutkimuskirjallisuudessa harvakseltaan testatun aurinkosähkömallin suorituskykyä. Aurinkosähkön tuotantomalli hyödyntää ilman lämpötilaa, tuulen nopeutta sekä auringon säteilyn eri komponentteja. Malli arvioi näihin perustuen aurinkosähkötuotannon tehon, johon vaikuttaa paneelipinnalle saapuvan säteilyn lisäksi paneelin lämpötila. Mitä kuumempi aurinkopaneeli on, sitä heikommin se tuottaa sähköä suhteessa saapuvan säteilyn määrään. Lisäksi malli ottaa huomioon paneelipinnan heijastuksista aiheutuvat häviöt.

Tutkimuksessa tarkasteltiin mallin eri komponentteja ja niiden suorituskykyä. Malli tuotti arviot muun muassa paneelipinnalle saapuvan säteilyn määrästä ja paneelin lämpötilasta, joita verrattiin Ilmatieteen laitoksen mittauksiin. Aurinkosähkön tuotantomalli optimoitiin erikseen Helsingin ja Kuopion aurinkovoimaloihin.

Tutkimuksessa osoitettiin, että tuotantomalli tarjoaa selkeää lisäarvoa aurinkosähkökohteiden monitoroinnin tueksi ja yleistä tietoa paneeleiden suorituskykyyn ja häviöihin liittyen, muun muassa varjostus- ja lumihäviöiden sekä invertterin alisuoriutumisen ajankohtien ja suuruusluokkien osalta. Tarkastellun talvikauden 2017–2018 häviöiden arvioitiin Kuopiossa vastaavan jopa 1,5 kuukauden kesätuotantoa.

Kuva 1. Kaksi esimerkkiä päiväkohtaisesta aurinkosähkön tuotantomallin suorituskyvystä minuuttitasolla Helsingissä ja Kuopiossa. Mallin suhteellinen virhe (malli / mitattu – 1) näkyy päiväkuvien alla. Kuvan lähde: Böök ym. (2020)

Satelliittien pilvihavainnoista luodaan lähihetkiennusteita

Mistä sitten saadaan sää- ja auringonsäteilytiedot energiasääennusteen laskemiseen?  Useimmiten säätiedot otetaan säämallista. Säämalli laskee fysiikan lakeihin perustuen, kuinka säätila kehittyy tietystä hetkestä eteenpäin. Ennusteen ensimmäisten tuntien aikana säämalli ei kuitenkaan ole parhaimmillaan. Tästä syystä hyödynnetäänkin yhä useammin reaaliaikaisiin tietoihin pohjautuvia lyhyen aikavälin ns. lähihetkiennusteita, joiden suorituskyky voi olla säämallia parempi. Satelliittien pilvihavainnot ovat hyvä tietolähde auringonsäteilyn lähihetkiennusteille, koska satelliitti havaitsee jatkuvasti miten pilvet kehittyvät ja liikkuvat. Ilmatieteen laitoksen verkkosivujen animaatio Pohjoismaiden reaaliaikaisesta pilvisyydestä toimii tässä hyvänä esimerkkinä, paitsi silloin harvoin, kun säätilanne on koko alueella pilvetön.

Kallio-Myers ym. (2020) kehittivät sääsatelliittien pilvihavaintoja hyödyntävän lähihetkiennusteen auringonsäteilylle. Ennuste arvioi aluksi säteilymalliin perustuvan pilvettömän sään auringonsäteilyn määrän. Sen jälkeen se laskee sääsatelliittikuvista, kuinka paljon pilvet vaimentavat auringonsäteilyä.  Peräkkäisiä sääsatelliittikuvia tarkastelemalla pilvien liikkeelle saadaan myös tuulikenttä, jolla edelleen voidaan määrittää pilvien sijainti jopa 4 tunnin päähän. Ennuste saadaan aina uuden sääsatelliittikuvan jälkeen, eli 15 minuutin välein.

Tutkimuksessa arvioitiin, kuinka hyvin eri pilvettömän sään säteilymallit pitävät paikkansa vertaamalla tuloksia auringonsäteilyhavaintoihin Etelä-Suomessa kesällä 2016. Vastaavasti arvioitiin myös sääsatelliittien pilvihavaintoihin perustuvan ennusteen onnistumista. Ennustetta verrattiin kahteen persistenssiennusteeseen. Kehitetyn ennusteen tarkkuus oli persistenssiä parempi useimmissa tilanteissa noin puoli tuntia ennusteen alun jälkeen. Kehitetty ennuste toi lisäarvoa erityisesti tilanteissa, joissa pilvisyys oli muuttuvaa.

Kuva 2. Kehitetyn ennusteen (Solis-Heliosat) ja kahden persistenssiennusteen (Persistence Sat, Persistence Obs) suhteellinen RMSE (keskineliövirheen neliöjuuri) ennusteen pituuden mukaan. Kuvan lähde: Kallio-Myers ym. (2020)

Kalibroitu hybridiversio tarkentaa aurinkoenergiaennustetta

Böökin ja Kallio-Myersin tutkimukset luovat mainiot edellytykset aurinkoenergiaennusteen jatkokehitykselle. Seuraavaksi tähtäimessä onkin paikallisten olosuhteiden parempi huomioon ottaminen ja auringonsäteilyn hybridiennuste, joka yhdistää saumattomasti satelliittipohjaisen lähihetkiennusteen säämallin ennusteeseen. Paikallisia tekijöitä, kuten varjostuksia, voidaan ottaa huomioon kalibroimalla sää- ja aurinkosähkömalliin perustuvia ennusteita tietyn aurinkovoimalan viimeaikaisella tuotantodatalla. Ilmatieteen laitos kehittää myös säämallia, niin että se voisi jatkossa ottaa paremmin huomioon reaaliaikaisen pilvitilanteen.

Kirjoittajat:

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

Herman Böök tohtorikoulutettava BCDC Sää -tiimi Ilmatieteen laitos herman.book(a)fmi.fi

Viivi Kallio-Myers tohtorikoulutettava Ilmatieteen laitos viivi.kallio-myers(a)fmi.fi