12 Ottobre 2017 Previsione della produzione di fonti...
Transcript of 12 Ottobre 2017 Previsione della produzione di fonti...
12 Ottobre 2017
Previsione della produzione di fonti rinnovabili non programmabili
D. Ronzio
Indice
Previsione della produzione da FRNP, UnPonte2017 12/10/2017
Introduzione
Necessità di un approccio previsionale Multi-Model
Previsione di produzione solare ed eolica di impianti singoli ed aggregati
Previsione di prezzo PUN e zonale
Conclusioni
RSE S.p.A. - Ricerca sul Sistema Energetico (Gruppo GSE S.p.A. – Gestore dei Servizi Energetici)
350 persone - Sedi: Milano – Piacenza (http://www.rse-web.it)
)
GdR:
Clima e Meteorologia
Fonti rinnovabili: previsione modellistica e monitoraggio
Cambiamenti climatici impatto sul sistema elettro-energetico
Sicurezza della rete elettrica
(ghiacciamento linee HV, temporali) -
sperimentazioni e modellistica
Introduzione
Previsione della produzione da FRNP, UnPonte2017 12/10/2017
Introduzione Fonti rinnovabili NON PROGRAMMABILI (FRNP)
Forti instabilità sulla rete
Domanda
Utenze domestiche
Industria
Produzione
Non rinnovabili
Rinnovabili
Programmabili
NON Programmabili
Previsione della produzione da FRNP, UnPonte2017 12/10/2017
Fonte GSE: Rapporto statistico “Energia da fonti rinnovabili in Italia, Anno 2015.
Previsione della produzione da FRNP, UnPonte2017 12/10/2017
Introduzione – FRNP in Italia 35% delle rinnovabili
Meteorologia Sistema
energetico
Rinnovabili
Pianificazione
Tempi di ritorno degli investimenti
Controllo del funzionamento degli impianti di produzione da rinnovabili (fotovoltaico, eolico)
Borsa dell’energia
Gestione degli sbilanciamenti della rete elettrica
Passato Futuro
Richiesta di dati meteo
Previsione della produzione da FRNP, UnPonte2017 12/10/2017
Introduzione
Previsione della produzione da FRNP, UnPonte2017 12/10/2017
Introduzione - Tecniche diverse per obiettivi diversi
Previsioni a brevissima scadenza (1÷3 ore, nowcasting) di producibilità solare • gestione di sistemi di controllo • sicurezza di impianti solari termici
Monitoraggio in tempo reale di producibilità solare e consuntivazione a scala settimanale-mensile • fondamentali per la valutazione dell’efficienza degli impianti e
della caratterizzazione climatologica dei siti.
Previsioni a breve scadenza (1÷3 giorni) di producibilità solare • necessarie per offrire in borsa la potenza immessa in rete e
per la gestione in sicurezza della rete di trasporto. • gestione di sistemi di controllo (Smart Grid) NWP
Remote sensing + NWP
Remote sensing/obs
Il modello meteorologico è una rappresentazione semplificata della realtà, descritta con equazioni differenziali che descrivono il comportamento della natura
NON ESISTE una soluzione analitica semplice delle equazioni, valida in continuo per tutti i punti della superficie terrestre
Rappresentazione 3D dei campi di vento di un modello meteo a scala globale Discretizzazione: punti di griglia
Modellistica meteorologica
Previsione della produzione da FRNP, UnPonte2017 12/10/2017
Parametrizzazioni WRF-ARW RAMS
Microfisica WDM6 (6 idrometeore)
Cotton (7 idrometeore)
Radiazione
(solare e termica) RRTMG
Harrington modificata
Land Surface Model
Noah LEAF3
PBL physics YSU - Yonsei University
Mellor-Yamada-Janjic
Cumulus scheme Non attivato Kain Fritsch
Modelli Globali (IFS/ECMWF, GFS/NOAA) • Output dei modelli globali:
• Z, T, Q o RH, U,V su 12 (IFS) o 24 (GFS) livelli verticali;
• SST, Tsurf, Psurf;
• Tsoil, Wsoil, aerosol (previsioni da MACC/ECMWF).
• Risoluzione spaziale di 0.125° per IFS e 0.25° per GFS
• Risoluzione temporale di 6h per IFS, 3÷6h per GFS
• Campi superficiali “rilevanti” anche a passo orario
Modellistica meteorologica – in uso presso RSE
Modelli ad area limitata Risoluzione spaziale: • WRF-ARW: 4km x 4km
• RAMS: 5km x 5km
Risoluzione temporale: • 1 ora, possibile scendere a 15’
Corse a 00UTC+72 e 12UTC+84
Principali uscite: • pressione, temperatura, umidità, geopotenziale, copertura nuvolosa; • intensità e direzione del vento; • irradianza solare su piano orizzontale diretta, diffusa, globale, DNI; • precipitazioni liquide e nevose... Previsione della produzione da FRNP,
UnPonte2017 12/10/2017
Multi Model – modellistica meteorologica
Utilizzo di più modelli dalle differenti parametrizzazioni: • 2 diversi driver (IFS/ECMWF e GFS/NOAA) • 2 modelli regionali (WRF e RAMS) In generale vi è una forte variabilità nelle prestazioni dei modelli. Una media (eventualmente opportunamente pesata) degli output riduce l’errore previsionale
Previsione della produzione da FRNP, UnPonte2017 12/10/2017
Modellistica meteorologica – Multi Model - GHI
A sinistra, valore medio della GHI Sotto, rapporto tra “deviazione standard” e valore medio
Previsione della produzione da FRNP, UnPonte2017 12/10/2017
Modellistica meteorologica – Multi Model - GHI
A sinistra, valore medio della GHI Sotto, rapporto tra “deviazione standard” e valore medio
Previsione della produzione da FRNP, UnPonte2017 12/10/2017
Modellistica meteorologica – Multi Model – vento a 100m
A sinistra, valore medio dell’intensità del vento a 100m Sotto, rapporto tra “deviazione standard” e valore medio
Previsione della produzione da FRNP, UnPonte2017 12/10/2017
Multi Model – post-processing
RAMS
GFS/NOAA IFS/ECMWF
WRF-ARW
Modello fisico
Modelli statistici
Analog Ensemble Quantile Regression
NN/SVR
Caratteristiche fisiche dell’impianto
Dati storici di produzione
Campi meteorologici
medi
Energia producibile da un impianto singolo o da aggregazioni
Previsione della produzione da FRNP, UnPonte2017 12/10/2017
Previsione della produzione da FRNP, UnPonte2017 12/10/2017
1. Rete neurale (Neural Network, NN)
Post-processing utilizzati - NN
2. Analog Ensemble (AN, Delle Monache-NCAR)
La tecnica Analog effettua la ricerca della relazione tra le previsioni attuali e quelle contenute in un dataset di addestramento, effettuate con lo stesso modello meteorologico deterministico, per il medesimo orizzonte temporale.
Il dataset di addestramento può contenere dati del recente presente, del passato e del futuro.
Sono necessarie le serie (almeno orarie) della coppia (predittori,misure). Le misure , non necessariamente della stessa quantità da predire, ma le misure devono essere correlate ai predittori (le variabili previste dal modello numerico meteorologico).
La previsione di potenza per un certo giorno D si ottiene effettuando i seguenti passaggi: • Si producono le previsioni dei predittori per il giorno D, ora t: Dt. • Si calcolano le distanze (secondo una qualche metrica) tra il set di predittori Dt e quelli all’ora t di tutti i giorni
presenti nel dataset di addestramento.
• Si determinano gli eventi temporali 𝐷 𝑡 per cui si hanno le minori distanze, a seconda di una particolare metrica utilizzata → selezione degli eventi più simili a quello previsto Dt.
• Si costruisce un set significativo costituito dalle misure rilevate in corrispondenza degli eventi 𝐷 𝑡 • Se l’insieme di addestramento è sufficientemente completo e i predittori significativi, da questo set significativo
di misure possono essere estratte informazioni sul valore atteso di potenza producibile e sull’incertezza della stima, in quanto si può definire valor medio, mediana, IQR e deviazione standard.
Post-processing utilizzati - AN
Previsione della produzione da FRNP, UnPonte2017 12/10/2017
Previsione della produzione da FRNP, UnPonte2017 12/10/2017
Scale factor Measure Time average Weights 𝒅 𝝃𝒗,𝒅 − 𝝃𝒗,𝒌
𝑺−𝟏 Homogeneous Mahalanobis
No 1
𝑁𝑣𝑎𝑟
1
𝑁𝑣𝑎𝑟 𝜉 𝑑 − 𝜉 𝑘
𝑇∙ 𝑺−1 ∙ 𝜉 𝑑 − 𝜉 𝑘
1
2; 𝜉 =
1
𝑁𝑣𝑎𝑟 𝜉
𝝈𝒗−𝟏𝑰 Absolute No 1
𝑁𝑣𝑎𝑟
1
𝑁𝑣𝑎𝑟 𝜎𝑣𝜉𝑣,𝑑 − 𝜉𝑣,𝑘
𝑁𝑣𝑎𝑟
𝑣=1
𝝈𝒗−𝟏𝑰 DM-NCAR Yes 1
𝑁𝑣𝑎𝑟
1
𝑁𝑣𝑎𝑟
1
𝜎𝑣
𝑁𝑣𝑎𝑟
𝑣=1
1
𝑀 𝜉𝑣,𝑑+𝑙 − 𝜉𝑣,𝑘+𝑙
2+1
𝑙=−1
12
2. Analog Ensemble (AN, Delle Monache-NCAR)
Metriche utilizzate per il caso solare (per l’eolico si utilizza la DM-NCAR):
Quali predittori utilizzare? Solare: • Leadtime, Zenit e Azimut; • Radiazione su piano orizzontale
GHI e DHI; DNI; • Temperatura di pannello; • Contenuto di acqua precipitabile. Eolico: • Leadtime; intensità e direzione a
diverse quote
• La Absolute calcola un errore assoluto normalizzato per le varianze dei singoli predittori.
• La DM-NCAR effettua anche una media temporale delle ore adiacenti a quella da prevedere.
• La Mahalanobis considera come normalizzazione la matrice di covarianza (contenente le varianze sulla diagonale principale e le covarianze fuori diagonale): per predittori indipendenti, è molto simile alla Absolute.
Post-processing utilizzati – AN
Previsione della produzione da FRNP, UnPonte2017 12/10/2017
3. Quantile Regression (QR)
Data una variabile casuale Y, la regressione quantile Q(τ) è il valore per cui la probabilità di ottenere valori di Y inferiori a Q(τ) sia pari a τ. Q(τ) può essere espresso come combinazione lineare di alcuni regressori noti e coefficienti non noti. Il quantile τ (compreso tra 0 ed 1) è modellizzato come: 𝑄 𝑡 = 𝛽0 𝜏 + 𝛽1 𝜏 𝑥1 + ⋯ + 𝛽𝑝 𝜏 𝑥𝑝
in cui xp sono i p regressori noti e 𝛽𝑝 sono i coefficienti non noti, dipendenti da τ e determinabili da N osservazioni.
I coefficienti 𝛽𝑝 sono determinati minimizzando la funzione: 𝜌𝑡[(𝑦𝑖 − 𝛽0 + 𝛽1𝑥𝑖,1 + ⋯ + 𝛽𝑝𝑥𝑖,𝑝 )]𝑁𝑖
in cui la funzione di controllo ρτ è definita come: 𝜌𝑡 𝑒 = 𝜏𝑒, 𝑒 ≥ 0𝜏 − 1 𝑒, 𝑒 < 0
Per evitare quantili poco realistici (ad esempio un quantile inferiore che ne incrocia uno superiore) si deve stimare direttamente la potenza producibile anziché l’errore previsionale. In questo modo dovrebbe anche essere assicurato il non superamento dei valori limite di produzione (produzione nulla e capacità nominale).
Post-processing utilizzati - QR
Previsione della produzione da FRNP, UnPonte2017 12/10/2017
-5
0
5
10
15
20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Ener
gia
[MW
h]
Giorno tipo - UP 6800101 - 2013-08
Pmis P_NN P_AN_N P_AN_A P_AN_D
Err_NN Err_AN_N Err_AN_A Err_AN_D
Produzione solare (impianto rilevante con inseguitore azimutale)
Previsione della produzione da FRNP, UnPonte2017 12/10/2017
-2
0
2
4
6
8
10
12
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Ener
gia
[MW
h]
Giorno tipo - UP 6800201 - 2013-08
Pmis P_NN P_AN_N P_AN_A P_AN_D
Err_NN Err_AN_N Err_AN_A Err_AN_D
Produzione solare (impianto rilevante fisso)
Previsione della produzione da FRNP, UnPonte2017 12/10/2017
-1
0
1
2
3
4
5
6
7
8
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Ener
gia
[MW
h]
Giorno tipo - UP=6700301 (Gavardo) - 2013-07
Pmis P_NN P_AN_N P_AN_A P_AN_DErr_NN Err_AN_N Err_AN_A Err_AN_D
Produzione solare (impianto minore, espo=214°, tilt=65°)
Previsione della produzione da FRNP, UnPonte2017 12/10/2017
Produzione solare (eclissi solare del 20/03/2015)
Previsione “facile” di eclissi Previsione “difficile” che dipende dalla meteorologia
Produzione eolica – Multi Model – caso eolico
Produzione eolica di impianti rilevanti (Centro e Sud Italia) • AN: linee verdi • QR: linee rosse • Misure: linee nere
Previsione della produzione da FRNP, UnPonte2017 12/10/2017
Produzione eolica – Multi Model performance (caso eolico)
Previsione della produzione da FRNP, UnPonte2017 12/10/2017
0.9% 0.0% 0.0% 0.0%
8.5%
23.6%
40.6%
0.0%
26.4%
0.0% 0.9% 0.0% 0.0%
11.3% 9.4%
20.8%
1.9%
55.7%
0%
10%
20%
30%
40%
50%
60%
70%
80%
AAND AANE AANF AQRS BANA BAND BANE BANI BQRS
Percentuale score migliori - P da valori medio della pdf
rMAE rRMSE rBIAS
Produzione solare – Multi Model – livello provinciale (caso solare)
0.9% 0.0% 0.0% 0.0%
12.3% 13.2%
35.8%
1.9%
35.8%
0.9% 0.0% 0.0% 0.0%
3.8% 5.7%
11.3%
0.0%
78.3%
0%
10%
20%
30%
40%
50%
60%
70%
80%
AAND AANE AANF AQRS BANA BAND BANE BANI BQRS
Percentuale score migliori - P da mediana della pdf
rMAE rRMSE rBIAS
Confronto tra diversi metodi di post-processing per individuare la migliore configurazione predittiva. Sono stati esaminati i dati di produzione solare non rilevante aggregati a livello provinciale.
Previsione della produzione da FRNP, UnPonte2017 12/10/2017
Historical Prices [P]: as historical data set we used the price of the day before for days from Tuesday to Friday, and the price of the week before for the
remaining days, since the trend of the price in the week-end is different from the trend during the week.
Forecast load [L]: in price forecasting the estimated demand has always played an important role and it seems to be the variable that most influence the price.
The hourly data of forecast load have been made available by the Italian TSO Terna .
Wind and Solar Power Production [W]: an high production of renewable energy can decrease the price since it is sold at a price close to zero.
For this reason we used as predictors the hourly wind and solar power forecasts available on Terna website.
Plenty or shortage of water [Y]: hydroelectric power production represents around the 48% of the total renewable production, but since we did not have
forecasted data of hydro power for the day ahead, we considered five levels of weekly production, available on Terna website.
The Net Transfer Capacity (NTC) on the national border [N]: Italy imports around the 12% of its requirements, turning out to be the major importer of
electricity from abroad in the Europe; hourly data of NTC are available on Terna website.
Gas Price [G]: the inflation and the gas prices can affect the electricity price. For this study, only monthly data of gas prices are used.
Hour Effects [H]: prices follow particular trends during each day, therefore it is essential to distinguish the hours.
Calendar Attributes: events as holidays and festivities affect the price. The price data have also some monthly [M] and seasonal [S] variations.
Previsione del prezzo unico zonale (PUN)
Predittori utilizzati per fare la previsione di prezzo unico nazionale (PUN) e zonale (includendo NTC solo per il Nord Italia) [Davò et al., 2016¥].
¥ Davò, F., et al., 2016: “Forecasting Italian electricity market prices using a Neural Network and a Support Vector Regression”, AEIT International Annual Conference (AEIT), 2016.
Metodi utilizzati: • Neural Network (NN) • Support Vector Regression (SVR) • LR e Persistenza (controlli)
• Periodo esaminato: 2014 (training) ÷ 2015 (verifica)
Previsione della produzione da FRNP, UnPonte2017 12/10/2017
Previsione di PUN
I metodi NN e SVR sono stati utilizzati per prevedere sia il PUN che il prezzo zonale di NORD, CNOR, CSUD e SUD. Il PUN è quello a cui sono soggette la maggior parte delle offerte di domanda. I prezzi zonali differiscono dal PUN in caso di presenza di congestioni
Previsione della produzione da FRNP, UnPonte2017 12/10/2017
Previsione di prezzo PUN e zonale (best case)
Previsione della produzione da FRNP, UnPonte2017 12/10/2017
Previsione della produzione da FRNP, UnPonte2017 12/10/2017
Per effettuare una previsione di produzione per FRNP si devono considerare:
• Differenti scale temporali: Per previsioni a brevissimo termine sono necessari dati da remote sensing per migliorare la previsione Per previsioni a breve-medio termine (oltre le 12 ore) è necessario utilizzare un NWP
• Differenti modelli numerici di previsione: È consigliabile un sistema multi model per ridurre l’errore Ogni modello NWP presenta delle problematicità, nelle parametrizzazioni utilizzate e nelle condizioni iniziali Gli approcci probabilistici (EPS, LEPS) cercano di risolvere l’incertezza insita nella definizione delle condizioni
iniziali Un sistema multi-model introduce solo una variabilità legata alle parametizzazioni
• Differenti sistemi di post-processing: Gli NWP forniscono campi meteorologici, non informazioni energetiche Si devono quindi sviluppare tecniche ad hoc per correlare la meteorologia con l’energia:
Modelli fisici, che necessitano di informazioni specifiche degli impianti Modelli statistici, che utilizzano periodi di addestramento di previsioni e serie temporali di misure:
o NN (SVM) o AN e QR: forniscono delle distribuzioni di probabilità
• Sistemi di storage: Per l’intrinseca impossibilità di fornire una previsione “esatta” se l’intervallo temporale di previsione supera le 9-12 ore (ma spesso anche molto prima…), la rete si dovrebbe premunire di un sistema di storage per cercare di ridurre gli sbilanciamenti, e quindi la richiesta di riserva.
Sommario e conclusioni
GRAZIE
Dario Ronzio
Ricerca sul Sistema Energetico RSE S.p.A
V. Rubattino, 54 Milano
Tel: 02 39925189
Mail: [email protected]