Scenarios and time series of future wind power production in Sweden

Rapportnummer:  2015:141
Artikelnummer: 
Spridning: free
Författare:  Jon Olauson, Hans Bergström, Mikael Bergkvist
Pris (tryckt rapport, ex. moms): 
Lagerstatus (tryckt rapport): Slut
Referat:

Omfattning och metodik i detta arbete sammanfattas nedan.

Modell för timvis aggregerad vindkraftsproduktion

Modellen baseras på information om individuella vindkraftverk samt data från den meteorologiska modellen MERRA. Eftersom modellen underskattade högfrekventa variationer i produktionen utvecklades en metod för kompensation av detta.

Scenarier av vindkraftsutbyggnad

Flera olika scenarier med en årsproduktion mellan 20 och 70 TWh togs fram. För att få realistiska antaganden om kapacitetsfaktorer, andel havsbaserad vindkraft etc., genomfördes intervjuer med sakkunniga personer. Scenarierna användes sedan som indata till den ovan beskrivna modellen och 36 år långa tidsserier skapades.

Modell av inomtimmen-fluktuationer

För vissa kraftsystemstudier kan produktionsdata med högre upplösning än en timme behövas. En statistisk modell för simulering av inomtimmen-variationer utvecklades därför.

Då mätningar av aggregerad vindkraftsproduktion i Sverige har upplösningen en timme användes data från kraftsystem i Tyskland och Danmark för att träna modellen. Modellen för timvis aggregerad vindkraftsproduktion validerades med data från Svenska Kraftnät. Efter att den statistiska korrigeringen applicerats gav modellen både ett lågt fel i timvis produktion (medelfel strax under 3 % av installerad effekt) och en i det närmaste korrekt statistisk fördelning av såväl produktion som stegändring i produktion.

Med utgångspunkt i databasen av planerade projekt och antaganden om t.ex. andel havsbaserad vindkraft och förhöjd sannolikhet för projekt i riksintresseområde för vindkraft togs tre huvudscenarier fram med en årsproduktion av 20, 30 och 50 TWh (A1, B1 och C1). Inga explicita årtal sattes på scenarierna, men implicit antas 20 TWh uppnås ca år 2020 och 30 TWh tio år senare. Ett antal under-scenarier togs också fram med högre/lägre andel havsbaserade projekt, högre/lägre andel projekt i norr samt högre/lägre kapacitetsfaktor, vilket gav sammanlagt 23 olika scenarier. De två viktigaste faktorerna för den normaliserade variabiliteten (exempelvis uttryckt som standardavvikelse av en timmes stegändring i effekt eller spannet mellan första och sista percentilen i effekt) visade sig vara kapacitetsfaktor och andel havsbaserad vindkraft.

Andra faktorer, exempelvis totalt installerad effekt, påverkade också men hade mindre betydelse. Ett variabilitetsindex, beräknat som ett medelvärde av ett flertal variabilitetsmått, var 0.98 för scenario A1, 0.88 för B1 och 0.80 för C1, vilket kan jämföras med 1 för modellerad produktion för vindkraftsflottan år 2015 och 1.15 för uppmätt produktion mellan 2007 och 2012. Med andra ord kan den relativa variabiliteten (normaliserat mot årlig produktion) förväntas minska i framtiden. Allt annat lika så skulle en geografiskt optimerad lokalisering av vindkraft kunna minska variabilitetsindexet med så mycket som 20-30 %.

Modellen för inomtimmen-variationer (fem respektive 15 minuters upplösning) tränades med data från Danmark och Tyskland eftersom dessa kraftsystem uppvisar en likartad karakteristik som det svenska i frekvensdomänen. Modellerna visade sig framgångsrikt kunna simulera såväl storlek på de snabbare variationerna som icke-stationäriteten hos dessa (vissa perioder är lugna medan andra är betydligt mer volatila).

Även om en del analys av tidsserierna för de olika scenarierna presenteras (se framförallt bilaga A), så är huvudsyftet med detta arbete att producera och tillgängliggöra dessa serier för vidare studier. Tidsserier och metadata har därför lagts upp på en hemsida, se bilaga C för instruktioner för nedladdning.<


Svenska Elföretagens Forsknings- och Utvecklings- Elforsk - AB, 101 53 Stockholm, Besöksadress: Olof Palmes gata 31, Tel: 08-677 25 30, Kontakt, Cookies