Verbundvorhaben: Windstore - Optimierte Systemintegration von Offshore-Windenergie mittels intelligenter Verknüpfung verschiedener Prognosekonzepte und vorausschauendem Management von verteilten Kaskadenspeichern; Teilvorhaben: Skalenbasiertes Feature-Engineering und Prognosen mit Deep Learning
Zeitraum
2024-01-01 – 2026-12-31
Bewilligte Summe
125.564,10 EUR
Ausführende Stelle
Förderkennzeichen
03EI1065C
Leistungsplansystematik
Querschnittsaufgaben - Systemanalyse [EA3310]
Verbundvorhaben
Zuwendungsgeber
Bundesministerium für Wirtschaft und Klimaschutz (BMWK.IIB5)
Projektträger
Forschungszentrum Jülich GmbH (PT-J.ESI1)
Förderprogramm
Energie
Der geplante massive Ausbau der Offshore-Windenergie stellt das Energiesystem vor wachsende Herausforderungen. Die großen Offshore-Windparks erzeugen zeitweise enorme Leistungen auf kleiner geographischer Fläche, die bereits heute zu häufigen Engpasssituationen im Stromnetz führen und vom Stromsystem nicht aufgenommen werden können. Aufgrund der hohen Volatilität und der hohen Leistung der Offshore-Windparks führen Prognosefehler sehr häufig zu großen 'Fahrplanabweichungen', die von verschiedenen Akteuren wie Netzbetreibern und Stromhändlern aufwändig und oft kurzfristig ausgeglichen werden müssen. Um diese Schwankungen und Fehler zu glätten, werden Prognosen in Zukunft eine zentrale Rolle bei der Planung und dem Einsatz verschiedener Flexibilitätsoptionen und Speicherkonzepte spielen. In diesem Teilprojekt wird eine multiskalige Wetterlagenerkennung und -prognose mithilfe von Techniken des Deep Learnings entwickelt. Das soll gerade die Erkennung von regionalen, jedoch kurzlebigen Wetterlagen mit ihren für Ertragsprognosen relevanten spezifischen Wettererscheinungen erlauben und mit großflächigen und dabei langlebigen Wetterlagen verbinden. Die Wetterlagendetektion ist dabei datengetrieben aus numerischen Wetterprognosen sowie Satellitendaten. Ertragsprognosen und ihre Unsicherheiten aus historischen Daten lassen sich so wetterlagenabhängig erstellen bzw. quantifizieren. Insbesondere mit größeren Prognoseunsicherheiten behaftete Wechsel von Wetterlagen inklusive Frontdurchgängen lassen sich identifizieren und in Raum und Zeit eingrenzen. Das Ergebnis sind bessere Ertragsprognosen insbesondere für Offshore-Windenergie, wie sie für von Projektpartnern geplantes Batteriespeichermanagement benötigt werden.