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


Introduzione Fonti rinnovabili NON PROGRAMMABILI (FRNP)

Forti instabilità sulla rete

Domanda

Utenze domestiche

Industria

Produzione

Non rinnovabili

Rinnovabili

Programmabili

NON Programmabili


Fonte GSE: Rapporto statistico “Energia da fonti rinnovabili in Italia, Anno 2015.


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


Introduzione


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


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


Modellistica meteorologica – Multi Model - GHI

A sinistra, valore medio della GHI Sotto, rapporto tra “deviazione standard” e valore medio


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


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



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



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


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


-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)


-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)


-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°)


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


Produzione eolica – Multi Model performance (caso eolico)


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.


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 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 di prezzo PUN e zonale (best case)



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]

12 Ottobre 2017 Previsione della produzione di fonti...

Documents

Transcript of 12 Ottobre 2017 Previsione della produzione di fonti...