مدلسازی فضایی و زمانی تولید برق از انرژی های تجدیدپذیر متغیر در آلمان

در سال های اخیر، تولید برق از توربین های بادی و سیستم های فتوولتائیک به طور قابل توجهی در آلمان رشد کرده است. برای تعیین اثرات متعدد افزایش انرژی های تجدیدپذیر متغیر بر روی منبع تغذیه غیرمتمرکز فزاینده، داده های مکانی و زمانی حل شده در تولید برق ضروری است یا حداقل بسیار مفید است. به دلیل مقررات گسترده حفاظت از داده ها در آلمان، به ویژه برای اپراتورهای کوچکتر نیروگاه های تجدیدپذیر، چنین داده های دقیق آزادانه در دسترس نیستند. برای پر کردن این شکاف اطلاعاتی، می‌توان از مدل‌های شبیه‌سازی با استفاده از داده‌های گیاهی و آب و هوای عمومی در دسترس استفاده کرد. شبیه‌سازی‌های عددی برای سال ۲۰۱۶ انجام شده‌اند و مجموعه‌ای از تقریباً ۱٫۶۴ میلیون نیروگاه تجدیدپذیر متغیر در آلمان را در نظر می‌گیرند. سری‌های زمانی به‌دست‌آمده به توافق بالایی با الگوهای خوراک در اندازه‌گیری شده در طول سال مورد بررسی دست می‌یابند. چنین داده های مجزای تولید برق برای تجزیه و تحلیل انتقال انرژی در آلمان در مقیاس مکانی-زمانی بسیار سودمند هستند. علاوه بر این، این مطالعه همچنین ارقام کلیدی معنی‌داری را برای چنین تحلیلی استخراج می‌کند و نتایج تولید شده را به صورت نقشه‌های دقیق در سطح شهرستان ارائه می‌کند. تا آنجا که ما می دانیم، چنین داده های برق بسیار حل شده ای از انرژی های تجدیدپذیر متغیر برای کل منطقه آلمان قبلا هرگز نشان داده نشده است. این مطالعه همچنین ارقام کلیدی معنی‌داری را برای چنین تحلیلی استخراج می‌کند و نتایج تولید شده را به صورت نقشه‌های دقیق در سطح شهرستان ارائه می‌کند. تا آنجا که ما می دانیم، چنین داده های برق بسیار حل شده ای از انرژی های تجدیدپذیر متغیر برای کل منطقه آلمان قبلا هرگز نشان داده نشده است. این مطالعه همچنین ارقام کلیدی معنی‌داری را برای چنین تحلیلی استخراج می‌کند و نتایج تولید شده را به صورت نقشه‌های دقیق در سطح شهرستان ارائه می‌کند. تا آنجا که ما می دانیم، چنین داده های برق بسیار حل شده ای از انرژی های تجدیدپذیر متغیر برای کل منطقه آلمان قبلا هرگز نشان داده نشده است.

کلید واژه ها:

داده های هواشناسی مبتنی بر ماهواره ؛ نیروی باد ؛ فتوولتائیک ؛ تولید برق

۱٫ مقدمه

گسترش سریع انرژی های تجدیدپذیر همراه با کربن زدایی از تامین برق برای کاهش تغییرات آب و هوایی ضروری است. علیرغم وابستگی آنها به شرایط آب و هوایی محلی، انرژی های تجدید پذیر متغیر، به عنوان مثال، نیروی باد و فتوولتائیک، نقش مهمی در این کربن زدایی دارند. در سال‌های اخیر، انرژی‌های تجدیدپذیر متغیر روند صعودی قوی خود را در سراسر جهان با پیشرفت چشمگیری در کاهش هزینه و یکپارچه‌سازی شبکه ادامه داده‌اند. به عنوان مثال، ۹۳ گیگاوات ظرفیت توربین بادی جدید در سال ۲۰۲۰ در سراسر جهان نصب شد، بیش از هر زمان دیگری در تاریخ، که منجر به حجم کل ۷۴۳ گیگاوات شد [ ۱ ].]. در آلمان، ظرفیت نصب شده توربین های خشکی از ۶٫۱ گیگاوات در زمانی که قانون انرژی های تجدیدپذیر (EEG) برای اولین بار در سال ۲۰۰۰ لازم الاجرا شد، به تقریباً ۹ برابر ارزش ۵۴٫۴ گیگاوات در پایان سال ۲۰۲۰ افزایش یافته است. در همین دوره، ظرفیت نصب شده سیستم های فتوولتائیک در آلمان از ۰٫۱ به ۵۳٫۸ گیگاوات افزایش یافت [ ۲ ]. بر اساس آخرین اصلاحیه تغییرات آب و هوایی فدرال ، انتظار می رود این ارقام به طور قابل توجهی افزایش یابد، زیرا کاهش بیشتر هزینه های یکسان شده برق [ ۳ ] و دگرگونی لازم در بخش برق، به عنوان مثال، برای دستیابی به بی طرفی گازهای گلخانه ای تا سال ۲۰۴۵ قانون (KSG 2021).
گسترش روزافزون انرژی‌های تجدیدپذیر متغیر نه تنها پیامدهای گسترده‌ای برای گسترش شبکه‌های برق موجود، بلکه برای سایر حوزه‌های بخش برق دارد، بنابراین نیاز به تحقیقات بیشتری وجود دارد. مطالعات قبلی در مورد انرژی های تجدیدپذیر معمولاً داده هایی را در مورد ظرفیت نصب شده یا تولید برق با وضوح مکانی بسیار بالا ارائه می دهند، اما فاقد تفکیک زمانی متناظر هستند، مانند مطالعات روی سیستم قدرت آلمان [ ۴ ، ۵ ]. در غیر این صورت، مطالعات انرژی وجود دارد که می تواند به وضوح زمانی بالایی دست یابد، مانند شبیه سازی انرژی باد برای کشورهای مختلف جهان [ ۶ ، ۷ ، ۸ ، ۹ ]]، اما به دلیل استفاده از محصولات تحلیل مجدد جهانی با وضوح افقی پایین، به وضوح فضایی مورد نیاز برای تحقیقات در سطح شهرستان یا حتی پایین تر نمی رسند. به منظور ارزیابی بهتر چالش‌های آینده یک منبع تغذیه غیرمتمرکز فزاینده با سهم بالایی از انرژی‌های تجدیدپذیر متغیر، داده‌های برق تفکیک‌شده مکانی و زمانی اهمیت بیشتری پیدا می‌کنند. فقدان داده های دقیق و تایید شده برای یک دوره و مکان مورد نظر، به دلیل قوانین حفاظت از داده ها در آلمان، تجزیه و تحلیل اثرات متعدد افزایش انرژی های تجدیدپذیر متغیر بر سیستم های برق محلی، محیط زیست و بازارهای برق را برای علم و صنعت دشوارتر می کند. . یک مرور کلی از رویکردهای مدل سازی مکانی-زمانی برای برنامه ریزی یکپارچه فضایی و انرژی را می توان در [ ۱۰ ] یافت.]. علاوه بر این، مطالعات انرژی نیز وجود دارد که در آنها، به عنوان مثال، سری های زمانی نیروی باد شبیه سازی شده با سوابق تاریخی برای به دست آوردن داده های تایید شده در سیستم های واقعی مقایسه شد [ ۱۱ ، ۱۲ ].
این کار روش‌های مدل‌سازی را برای ایجاد داده‌های تولید برق با وضوح بالا از انرژی‌های تجدیدپذیر متغیر با استفاده از داده‌های موجود در دسترس عمومی و آب و هوا معرفی می‌کند که می‌تواند به پر کردن شکاف اطلاعاتی که قبلا توضیح داده شد کمک کند. علاوه بر این، استفاده از محصول مشابه آب و هوا برای مدل‌های انرژی باد و فتوولتائیک، نتایج شبیه‌سازی بهتر و قابل مقایسه‌تری را ممکن می‌سازد، که در این مطالعه نیز اعمال می‌شود. محتوای مقاله باقی مانده به صورت زیر است: بخش ۲ داده های مورد نیاز گیاه و آب و هوا و همچنین داده های مورد استفاده برای کالیبراسیون و اعتبارسنجی شبیه سازی های عددی را توضیح می دهد. ساختار مدل های انرژی باد و فتوولتائیک، شامل مراحل اصلی محاسبه آنها، در بخش ۳ ارائه شده است.. در اینجا، تمرکز بر روی بررسی مشترک این مدل‌ها است که به صورت جداگانه در [ ۱۳ ، ۱۴ ، ۱۵ ] در نظر گرفته شده‌اند، و بر روی ارائه مشترک نتایج شبیه‌سازی در سطح شهرستان (NUTS-3)، که در آن مخفف NUTS است. مخفف Nomenclature of Territorial Units for Statistics است. در بخش ۴مدل‌های شبیه‌سازی برای مجموعه‌ای از نزدیک به ۲۶ هزار توربین بادی خشکی و بیش از ۱٫۶۱ میلیون سیستم فتوولتائیک برای به دست آوردن داده‌های تولید برق منطقه آلمان در سال ۲۰۱۶ به‌صورت مکانی و زمانی استفاده می‌شوند. پس از تجمیع داده‌ها، سری‌های زمانی حاصل با کل ورودی اندازه گیری شده از این انرژی های تجدیدپذیر برای تایید نتایج شبیه سازی. به عنوان یک هدف دیگر از این مطالعه، ارقام کلیدی معنادار برای اطلس انتقال انرژی استخراج شده و نتایج به عنوان نقشه‌های با وضوح بالا در سطح NUTS-3 ارائه می‌شوند. این کار، که همچنین داده‌های تولید برق را از مدل‌های شبیه‌سازی با داده‌های مصرف برق کاهش‌یافته مکانی ترکیب می‌کند تا بینش بیشتری در مورد انتقال انرژی در آلمان به دست آورد، در نهایت در بخش ۵ به پایان می‌رسد.با نتیجه گیری مختصر

۲٫ داده ها

در این بخش کلیه داده های مورد استفاده برای شبیه سازی ها از جمله مشخصات و منشاء آنها معرفی می شوند.

۲٫۱٫ مجموعه داده های نیروگاهی

برای شبیه سازی عددی، اطلاعات خاصی در مورد توربین های بادی و سیستم های فتوولتائیک مورد بررسی لازم است. مجموعه داده‌های نیروگاهی مرتبط شامل موقعیت جغرافیایی، تاریخ راه‌اندازی (خروج) و پارامترهای فنی مانند توان نامی یا پیک، همانطور که در جدول ۱ نشان داده شده است.. در این زمینه باید اشاره کرد که مکان بسیاری از سیستم‌های فتوولتائیک کوچک به دلیل قوانین حفاظت از داده‌های گسترده در آلمان تنها با وضوح شهری در دسترس است. بنابراین، موقعیت جغرافیایی این مناطق شهری باید برای شبیه‌سازی عددی استفاده شود و مختصات طول و عرض جغرافیایی خاص پارامترهای اختیاری برای مدل فتوولتائیک هستند. علاوه بر این، قطر روتور در مدل توان بادی قابل استفاده نیست زیرا این مدل شبیه‌سازی منحنی قدرت یک توربین بادی را به کار می‌گیرد که قبلاً این پارامتر فنی را در خود جای داده است.
اطلاعات اولیه در مورد توربین‌های خشکی در آلمان با داده‌های موجود تا پایان سال ۲۰۱۵ از پروژه EE-monitor [ ۱۶ ] می‌آید که می‌توان آن را آزادانه از پورتال داده UFZ ( www.ufz.de/drp (در ۵ مارس (در ۵ مارس) دریافت کرد. ۲۰۲۰)). همانطور که قبلاً از مطالعات مختلف در مورد انرژی های تجدیدپذیر شناخته شده است [ ۵ ، ۶ ، ۱۷]، مجموعه داده های توربین برای کشورها یا مناطق گسترده به سختی کامل و اغلب اشتباه هستند، زیرا تعداد زیادی توربین بادی با پارامترهای فنی خاص وجود دارد. برای کاهش این موضوع، روش‌های یادگیری ماشینی مناسب برای تکمیل و بهبود داده‌های توربین‌های فردی با دانش در مورد مجموعه کارخانه باقیمانده در دسترس هستند. برای مجموعه داده های EE-monitor، از تکنیک جنگل های تصادفی برای بستن شکاف های موجود استفاده شد، و تا آنجا که ممکن است از متغیرهای پیش بینی کننده استفاده کرد [ ۱۷ ]]. برای گسترش این مجموعه داده های توربین به کل آلمان و به روز رسانی آن تا پایان سال ۲۰۱۶، نیروگاه های گمشده ایالت های شهر آلمان و همچنین نیروگاه های ساخته شده در سال ۲۰۱۶ با کمک اطلاعات درخواستی اضافی از همه ایالت های فدرال درج شدند. . متعاقباً، تمام توربین‌های خشکی مجموعه داده‌های به‌روز شده با مرکز ثبت داده‌های بازار انرژی (MaSTR) آژانس شبکه فدرال مطابقت داده شد [ ۱۸ ]] با استفاده از اتصال فضایی. اگر موقعیت جغرافیایی دو نیروگاه در این عملیات داده تقریباً برابر بود، یعنی داشتن فاصله افقی کمتر از ۷۵ متر، داده‌های توربین بادی مربوطه با داده‌های موجود از MaSTR تکمیل می‌شد. از طریق این اتصال فضایی، تاریخ (خارج از) راه اندازی، ارتفاع توپی واقعی (به جای مقدار پیش بینی شده توسط جنگل های تصادفی)، و نوع توربین اغلب در مجموعه داده های کارخانه گنجانده می شود. از این رو، تاریخ دقیق راه اندازی را می توان در بسیاری از موارد به جای سال راه اندازی کمتر دقیق اعمال کرد، که به مدل نیروی باد اجازه می دهد تا تغییرات نیروگاه را در طول سال مورد بررسی محاسبه کند. پس از فیلتر کردن این مجموعه داده گردآوری شده برای سال ۲۰۱۶، شامل نزدیک به ۲۶ هزار توربین خشکی است که معادل ظرفیت ۴۳٫۶ گیگاوات است که درشکل ۱ a به عنوان مجموع فضایی تفکیک شده در سطح NUTS-3. بر اساس گزارش AGEE-Stat [ 2 ]، کل ظرفیت تقریباً به ظرفیت نصب شده رسمی ۴۵٫۳ گیگاوات می رسد ، از تمام توربین های بادی خشکی در آلمان برای سال ۲۰۱۶٫ اختلاف کمتر از ۴ درصد از این مقدار رسمی نشان می دهد که بیشتر توربین های خشکی در مجموعه داده نهایی موجود است.
مجموعه داده های نیروگاهی سیستم های فتوولتائیک از داده های قابل دسترسی آزاد چهار اپراتور سیستم انتقال (TSO) در آلمان بدست می آید. پس از ادغام و فیلتر کردن داده‌های خام ارائه شده توسط TSO در پورتال اطلاعاتی آنها ( www.netztransparenz.de (در ۳۰ ژوئیه ۲۰۲۰ در دسترس قرار گرفته است)) [ ۱۹ ]، مجموعه داده نهایی شامل بیش از ۱٫۶۱ میلیون سیستم فتوولتائیک برای سال ۲۰۱۶ است. مجموعه داده، که با ارقام رسمی [ ۲ ، ۱۸ ] نیز مقایسه شد، شامل تمام سیستم‌های روی پشت بام و روی زمین است که نرخ‌های تعرفه ورودی تضمینی را تحت EEG دریافت می‌کنند. ظرفیت نصب شده مجموعه داده نیروگاه دارای ارزش کل ۴۰٫۴ گیگاوات است که تقریباً با مجموع رسمی ۴۰٫۷ گیگاوات در آلمان برای سال ۲۰۱۶ مطابقت دارد [ ۲ ]]. ظرفیت نصب شده مربوطه در سطح NUTS-3 در شکل ۱ ب نشان داده شده است.

۲٫۲٫ محصول کاربردی آب و هوا

محصولات آب و هوای تأیید شده پیش نیازی برای مدل‌سازی واقعی تولید برق از انرژی‌های تجدیدپذیر متغیر هستند و وضوح مکانی و زمانی چنین داده‌هایی برای دقت سری‌های زمانی شبیه‌سازی‌شده بسیار مهم است. برای آلمان، محصولات هواشناسی با وضوح های مکانی و زمانی مختلف به صورت عمومی در پلتفرم های اینترنتی خدمات هواشناسی متنوع در سراسر جهان در دسترس هستند. در سال‌های اخیر، داده‌های تحلیل مجدد آب و هوا به منبعی مکرر برای شبیه‌سازی تولید برق انرژی‌های تجدیدپذیر متغیر، به‌ویژه برای مطالعات انرژی باد [ ۶ ، ۷ ، ۸ ] تبدیل شده است.]. این نوع محصول آب و هوا با استفاده از مدل‌های پیش‌بینی، اجرای مجدد این مدل‌های عددی برای یک دوره معین در گذشته و انجام اصلاحات نهایی با کمک داده‌های اندازه‌گیری شده ایجاد می‌شود. محصولات تحلیل مجدد جهانی، به عنوان مثال، MERRA [ ۲۰ ]، MERRA-2 [ ۲۱ ]، و داده های جدیدتر ERA5 [ ۲۲ ]، به طور کلی وضوح افقی پایینی ارائه می دهند و بنابراین، با سطح جزئیات جغرافیایی مورد نیاز برای این کار مطابقت ندارند. . محصولات تحلیل مجدد منطقه ای معمولا وضوح فضایی بالاتری دارند، به عنوان مثال، داده های COSMO-REA6 که کل منطقه آلمان را با وضوح افقی تقریباً ۶ کیلومتر پوشش می دهد [ ۲۳ ، ۲۴ ]، که در حال حاضر نتایج بسیار حل شده ای را با مدل های شبیه سازی ارائه شده ارائه می دهد.
شبیه‌سازی‌های عددی انجام‌شده برای این نشریه یک گام فراتر رفته و از داده‌های آب و هوای مبتنی بر ماهواره از همکاری تسهیلات کاربردی ماهواره‌ای (CMSAF) [ ۲۵ ] با استفاده از ویژگی‌های ارائه‌شده سیستم اطلاعات جغرافیایی فتوولتائیک (PVGIS) [ ۲۶ ] استفاده می‌کند.]. محصول هواشناسی CMSAF از طریق رابط وب PVGIS وضوح مکانی تقریباً ۲٫۵ کیلومتر و وضوح زمانی یک ساعت را برای آلمان فراهم می کند. علاوه بر این، تعیین تابش خورشید بر روی زمین از تصاویر ماهواره‌ای با استفاده از الگوریتم‌های پیچیده محاسبه می‌شود، که نه تنها داده‌های ماهواره‌ای با وضوح بالا را در نظر می‌گیرند، بلکه از اطلاعات جوی روی ازن، ذرات معلق در هوا و بخار آب نیز استفاده می‌کنند. اگرچه این الگوریتم‌ها معمولاً بسیار خوب کار می‌کنند، اما می‌توانند تحت شرایط خاصی مانند مناظر برفی که می‌توانند به اشتباه به عنوان ابر تعبیر شوند، از کار بیفتند. بنابراین، تابش های خورشیدی تعیین شده از تصاویر ماهواره ای باید با اندازه گیری های روی زمین به منظور تعیین کمیت عدم قطعیت داده های تابش تایید شود. برای منطقه آلمان،۲ [ ۲۷ ].
سری زمانی ارائه شده توسط PVGIS (نسخه ۵٫۱) با وضوح ساعتی برای یک دوره و مکان مورد نظر شامل داده های زیر مورد نیاز برای شبیه سازی است: تاریخ و زمان، توان خروجی فتوولتائیک، ارتفاع زمین، دمای هوا در ۲ متر و سرعت باد در ۱۰ متر بالاتر از سطح زمین. اگرچه سرعت باد فقط در این ارتفاع کم در دسترس است، که ممکن است بر دقت سرعت باد برون یابی در ارتفاع توپی توربین تأثیر بگذارد، داده های آب و هوا به طور دقیق برای هر مکان جغرافیایی درخواستی ارائه می شود. این واقعیت نیاز به درونیابی های افقی بیشتر در سایت های کارخانه و از این رو، انحرافات ناشی از چنین روال های درون یابی را که ممکن است بیشتر از از دست دادن دقت به دلیل برون یابی سرعت عمودی باد باشد، حذف می کند. علاوه بر این، PVGIS ارتفاع زمین را برای هر مکان توربین خشکی مورد نیاز برای تخمین فشار هوا در ارتفاع توپی در مدل نیروی باد ارائه می‌کند. مزیت دیگر بازیابی داده های آب و هوا از طریق رابط وب PVGIS این است که مدل های برق باد و فتوولتائیک می توانند از محصول آب و هوای یکسانی، به عنوان مثال، پایگاه زمانی یکسان استفاده کنند. این امر ترکیب پذیری متقابل و مقایسه نتایج شبیه سازی را تسهیل می کند.

۲٫۳٫ داده های کالیبراسیون و اعتبارسنجی

برای کالیبراسیون منطقی مدل‌های شبیه‌سازی و اعتبارسنجی بعدی نتایج به‌دست‌آمده، داده‌های اضافی لازم است. برای کالیبراسیون مدل نیروی باد، به‌ویژه، منحنی‌های توان توربین‌های خشکی اعمال‌شده با سرعت‌های قطع، نامی و قطعی خاص آنها مورد نیاز است. این منحنی ها که معمولاً به صورت جدول مقادیر ارائه می شوند، همبستگی بین سرعت باد در ارتفاع هاب و توان خروجی توربین های بادی را که در چگالی هوای استاندارد ۱٫۲۲۵ کیلوگرم بر متر مکعب به دست می آید، توصیف می کنند . چنین منحنی‌های توان را می‌توان در برگه‌های اطلاعات سازنده توربین یا در اینترنت جستجو کرد، به عنوان مثال، در پلت فرم انرژی بادی ( www.thewindpower.net (در ۲۵ ژوئن ۲۰۲۰ در دسترس قرار گرفت) [ ۲۸ ].
خط آبی در شکل ۲ a منحنی قدرت رسم شده یک توربین معمولی خشکی را شامل پارامترهای خاص آن نشان می دهد. نقاط سیاه روی این منحنی توان مقادیر گسسته را از برگه اطلاعات سازنده نشان می دهد [ ۲۹ ]. شکل ۲ ب روند توسعه را با تمام داده های درگیر از کالیبراسیون تا اعتبارسنجی مدل های شبیه سازی نشان می دهد. در این فلوچارت، داده های ورودی و خروجی به صورت کادرهای خاکستری و فلش ها جریان داده را نشان می دهند.
برای تلفات توان توربین های خشکی که با محاسبات عددی با استفاده از منحنی توان پوشش داده نمی شوند، کاهش متناظر توان خروجی باید در مدل شبیه سازی اضافه شود. این تلفات اضافی توربین عمدتاً به دلایل زیر است:
  • کاهش توان به دلیل سایه‌زنی متقابل توربین‌های مجاور (اثر بیداری).
  • از دست دادن توان ناشی از یخ یا کثیفی روی پره های روتور توربین های بادی.
  • وقفه های تغذیه به دلیل مازاد انرژی در شبکه های برق.
  • خاموش شدن به دلیل تعمیرات اساسی توربین یا حفاظت از خفاش و پرنده.
از آنجایی که این اطلاعات برای هر توربین بادی منفرد در دسترس نیست، چنین تلفاتی به عنوان یک مقدار کاهش کلی ۱۶ درصد در مدل توان بادی در نظر گرفته می شود. این مقدار که طبق [ ۳۰ ] معمولاً بین ۵ تا ۳۰ درصد برای توربین های خشکی است، در شبیه سازی های قبلی نشان داده شده است که یک مقدار متوسط ​​واقعی برای مجموعه توربین های مورد بررسی است.
داده های کالیبراسیون معقول نیز برای مدل فتوولتائیک مورد نیاز است. از آنجایی که پارامترهای فنی برای هر سیستم فتوولتائیک مجزا به طور کامل برای عموم شناخته شده نیست، به ویژه برای بسیاری از سیستم‌های کوچک سقف موجود، مقادیر متوسط ​​واقعی باید در مدل شبیه‌سازی نیز استفاده شود. برای مثال، فناوری ماژول‌های فتوولتائیک و میزان تلفات سیستم باید برای شبیه‌سازی‌ها مشخص باشد. این تلفات سیستم تمام تلفات یک سیستم فتوولتائیک را توصیف می کند که باعث می شود برق وارد شده به شبکه برق کمتر از مقدار واقعی تولید شده توسط پانل های خورشیدی باشد. دلایل مختلفی برای این از دست دادن وجود دارد، به عنوان مثال، تلفات الکتریکی در کابل ها و اینورترهای برق نیروگاه ها یا تلفات نوری ناشی از برف و کثیفی روی سطوح ماژول. برای از دست دادن سیستم،۲۶ ]، که در کل مجموعه سیستم های فتوولتائیک اعمال می شود. فناوری سلول های خورشیدی مورد استفاده نیز برای هر نیروگاه مشخص نیست. تا به حال، سیلیکون کریستالی پرکاربردترین نیمه هادی جهان برای ماژول های فتوولتائیک است [ ۳۱ ]]. از این رو، سیلیکون کریستالی به عنوان ماده نیمه هادی برای شبیه سازی انتخاب می شود. علاوه بر این، زاویه های آزیموت و شیب ماژول های فتوولتائیک نیز مورد نیاز است. زاویه آزیموت برای تمام سیستم های فتوولتائیک صفر تنظیم شده است که به معنای جهت گیری ثابت پنل های خورشیدی در جهت جنوبی است. یک مقدار ثابت ۲۰ درجه برای زاویه شیب در نظر گرفته شده است، زیرا سیستم های نصب شده روی زمین معمولاً با زوایای شیب در این محدوده ساخته می شوند تا سایه متقابل ماژول های فتوولتائیک را کاهش دهند، به خصوص در زمستان که حداکثر زاویه ارتفاع خورشید فقط به پایین می رسد. مقادیر [ ۳۲ ]. علاوه بر این، شبیه‌سازی‌های قبلی نشان داده‌اند که ۲۰ درجه نیز یک مقدار متوسط ​​معقول برای سیستم‌های سقف موجود است.
به طور کلی، نتایج به‌دست‌آمده با مدل‌های شبیه‌سازی باید در مقابل اندازه‌گیری‌های روی سیستم‌های واقعی برای تأیید الگوریتم‌های مدل و ارزیابی دقت آنها بررسی شود. مدل‌های انرژی باد و فتوولتائیک مورد استفاده با اندازه‌گیری‌های نیروگاه‌های منفرد از نظر فنی در [ ۱۴ و ۱۵ ] اعتبارسنجی شده‌اند.]. با این حال، شبیه‌سازی‌های ارائه‌شده در این مطالعه مجموعه‌های بزرگی از توربین‌های خشکی و سیستم‌های فتوولتائیک را در نظر می‌گیرند. بنابراین، نتایج شبیه‌سازی که تولید برق از انرژی‌های تجدیدپذیر متغیر را نشان می‌دهد باید با داده‌های خوراک اندازه‌گیری شده تأیید شود. به دلیل عدم وجود داده‌های خوراک در دسترس عموم از انرژی‌های تجدیدپذیر متغیر با وضوح فضایی بالا، تأیید نتایج شبیه‌سازی در مقیاس فضایی با وضوح بالا امکان‌پذیر نیست. اما، اگر سری‌های زمانی شبیه‌سازی‌شده به‌صورت فضایی در کل منطقه آلمان جمع‌آوری شوند، می‌توان آنها را با الگوهای اندازه‌گیری شده برای تمام آلمان تأیید کرد، که از طریق رابط وب SMARD ( www.smard.de (دسترسی در ۱۸ مارس ۲۰۲۰)) [ ۳۳]. با استفاده از این رابط، کل ورودی از توربین‌های بادی خشکی و سیستم‌های فتوولتائیک برای سال ۲۰۱۶ دانلود شد. لازم به ذکر است که برای این مدت هیچ اندازه‌گیری توسط SMARD در سه روز انجام نشده است، بنابراین مقادیر صفر مربوطه در نظر گرفته نشده است. اعتبار سنجی و در نمودارها پنهان شده است.

۳٫ مدل ها

بخش‌های فرعی زیر مدل‌های شبیه‌سازی تولید برق از انرژی‌های تجدیدپذیر متغیر را با استفاده از داده‌های آب و هوای عمومی و نیروگاهی در دسترس توصیف می‌کنند. از نقطه نظر ریاضی، تولید برق از این انرژی های تجدیدپذیر را می توان با مدل های آماری، به عنوان مثال، مونت کارلو و روش های رگرسیون خودکار، یا با مدل های فیزیکی تعیین کرد [ ۶ ، ۷ ، ۳۴ ، ۳۵ ]. در مقابل مدل های آماری [ ۳۶ ، ۳۷]، نتایج شبیه‌سازی مدل‌های فیزیکی، مانند مدل‌های قدرت باد و فتوولتائیک ارائه‌شده، بر روی داده‌های با وضوح بالا از مدل‌های آب‌وهوا یا اندازه‌گیری‌های واقعی پیش‌بینی می‌شوند. بنابراین، یکی از مزایای مدل‌های فیزیکی نسبت به مدل‌های آماری، توانایی ایجاد داده‌های تولید الکتریسیته در مقیاس مکانی-زمانی بسیار حل‌شده است.

۳٫۱٫ مدل نیروی باد

مراحل اصلی محاسبات و جریان داده های مدل توان باد در شکل ۳ نشان داده شده است ، جایی که داده های نیروگاه و آب و هوا، داده های ورودی برای مدل شبیه سازی کالیبره شده هستند. در اینجا، مراحل محاسبه به صورت کادرهای آبی نشان داده شده است و سایر نمادها همان معنایی را دارند که در توضیح شکل ۲ ب توضیح داده شده است.
برای این مدل، یک رویکرد جدید برای تبدیل باد به توان استفاده می‌شود که از یک تقریب چند جمله‌ای مرتبه ششم برای منحنی توان نرمال شده یک توربین بادی استفاده می‌کند. هنگامی که چنین نمایش تحلیلی برای منحنی توان مورد نیاز به دست آمد، توان خروجی را می توان به راحتی با استفاده از توان نامی توربین خشکی همراه با سرعت باد و دما و فشار هوا در ارتفاع توپی آن محاسبه کرد. از آنجایی که نوع توربین بادی اغلب در دسترس نیست، به دلیل کمبود اطلاعات از منابع رسمی [ ۵ ]، توربین‌های مجموعه داده نیروگاه به کلاس‌های توان مربوطه با منحنی‌های توان معمولی طبقه‌بندی می‌شوند. این کلاس ها با نوع توربین اختصاص داده شده و محدوده توان نامی در جدول ۲ فهرست شده اند .
به عنوان مثال، برای توربین های خشکی با توان نامی بین ۲۵۰۰ تا ۳۵۰۰ کیلووات، منحنی توان نرمال شده یک Vestas V112 با توان نامی ۳۰۰۰ کیلووات برای شبیه سازی عددی استفاده می شود. با این حال، موقعیت جغرافیایی، تاریخ (خارج از) راه اندازی، توان نامی و ارتفاع توپی به صورت جداگانه برای هر توربین بادی در نظر گرفته می شود. در مرحله محاسبات بعدی، تولید برق به دست آمده نیز با در نظر گرفتن تلفات اضافی و تاریخ راه اندازی برای هر توربین بادی تعیین می شود. در پایان، سری‌های زمانی شبیه‌سازی‌شده مجموعه توربین مورد بررسی به زمان محلی تبدیل می‌شوند، در زمان جمع می‌شوند و به عنوان مقادیر جداشده با کاما (CSV) برای پردازش و استفاده بیشتر داده‌ها ذخیره می‌شوند. توصیف دقیق تر مدل نیروی باد با تمام قوانین فیزیکی اساسی، به عنوان مثال،۱۴ ].

۳٫۲٫ مدل فتوولتائیک

شکل ۴ مراحل اصلی محاسبه و جریان داده های مدل فتوولتائیک را نشان می دهد. مراحل محاسبه به صورت جعبه های نارنجی ترسیم می شوند و سایر نمادها در فلوچارت همان معنایی دارند که قبلاً در شکل ۲ ب توضیح داده شده است. همانند مدل نیروی باد، داده های نیروگاه و آب و هوا به عنوان داده های ورودی برای مدل شبیه سازی کالیبره شده مورد نیاز است.
این مدل فتوولتائیک را می توان در سه مرحله محاسباتی متوالی ساختار داد، همانطور که در شکل ۴ نشان داده شده است ، که برای سیستم های فتوولتائیک مجموعه داده نیروگاه انجام شده است. در مرحله اول، تعیین توان خروجی از صفحات خورشیدی با کمک الگوریتم های نور خورشید به نیرو PVGIS [ ۲۶ ]. ثانیاً، محاسبه برق تولیدی با در نظر گرفتن تاریخ (خارج از) راه اندازی برای هر سیستم فتوولتائیک. ثالثاً و در نهایت، سری‌های زمانی حاصل از کل مجموعه به زمان محلی تبدیل می‌شوند، از نظر زمانی و مکانی جمع‌بندی می‌شوند و در قالب CSV برای پردازش و استفاده بعدی ذخیره می‌شوند. توضیح دقیق مدل فتوولتائیک و ویژگی های آن را می توان در [ ۱۵ ] یافت].

۴٫ نتایج

در این بخش، نتایج شبیه‌سازی به‌دست‌آمده با داده‌های ورودی و مدل‌های فیزیکی که قبلا توضیح داده شد، ارائه می‌شود. سری‌های زمانی شبیه‌سازی‌شده با داده‌های ورودی اندازه‌گیری شده برای اعتبارسنجی شبیه‌سازی‌های انجام‌شده و بحث درباره دلایل انحرافات موجود بررسی می‌شوند. پس از این، ارقام کلیدی معنی‌دار برای اطلس انتقال انرژی استخراج می‌شوند و نتایج به‌دست‌آمده به عنوان نقشه‌های با وضوح بالا در سطح NUTS-3 نشان داده می‌شوند. در این زمینه، همچنین داده های مصرف برق آلمان برای سال ۲۰۱۶ به سطح شهرستان کوچک شده و به نتایج شبیه سازی مربوطه مربوط می شود.

۴٫۱٫ تولید برق بادی

مدل نیروی باد برای شبیه‌سازی تولید برق از توربین‌های بادی خشکی در آلمان برای سال ۲۰۱۶ استفاده می‌شود. پس از اعتبارسنجی مدل با سرعت باد اندازه‌گیری شده و داده‌های تغذیه یک توربین منفرد از نظر فنی شناخته شده [ ۱۴ ]، شبیه‌سازی‌ها برای مجموعه ای از نزدیک به ۲۶ هزار توربین بادی. برای این شبیه‌سازی‌ها، هر توربین از مجموعه داده‌های کارخانه به‌صورت جداگانه شبیه‌سازی شد و داده‌های آب و هوا از طریق رابط وب PVGIS برای هر سایت توربین، با استفاده از موقعیت جغرافیایی آن، بازیابی شد. همانطور که در بخش ۲٫۳ توضیح داده شدبرای تلفات اضافی توربین، مقدار کاهش کلی ۱۶% برای کل مجموعه نیروگاه اعمال شد. پس از انجام شبیه‌سازی‌های عددی برای همه توربین‌های خشکی، سری‌های زمانی حل‌شده ساعتی تولید برق در یک سری زمانی تجمیع شدند تا نتایج شبیه‌سازی را در برابر داده‌های خوراک اندازه‌گیری شده برای کل آلمان بررسی کنند. برای مقایسه و نمایش بصری بهتر، سری های زمانی شبیه سازی شده و اندازه گیری شده نشان داده شده در شکل ۵ از وضوح ساعتی به رزولوشن روزانه تبدیل شدند.
در این نمودار، به راحتی می توان مشاهده کرد که تولید برق شبیه سازی شده به خوبی با الگوی اندازه گیری شده در کل دوره مطابقت دارد. علاوه بر این، در شکل ۵ نیز قابل مشاهده است که بیشتر برق در ماه های زمستان تولید می شود. انحرافات موجود در درجه اول به دلایل زیر است:
  • انحرافات ناشی از برون یابی سرعت باد از ۱۰ متر به ارتفاع هاب.
  • عدم قطعیت داده های آب و هوا و واقعیت مقادیر میانگین ساعتی.
  • تغییرات مربوط به آب و هوا در فشار هوا در مدل در نظر گرفته نشده است.
  • انتساب توربین ها به کلاس های توان با منحنی های توان معمولی.
اندازه گیری های آماری مربوطه برای مقادیر روزانه هر دو سری زمانی، همانطور که در شکل ۵ نشان داده شده است، در جدول اجمالی بخش ۴٫۳ برای مقایسه بهتر همه نتایج شبیه سازی فهرست شده است.

۴٫۲٫ تولید برق فتوولتائیک

این بخش از مدل فتوولتائیک برای شبیه‌سازی تولید برق از سیستم‌های فتوولتائیک در آلمان برای سال ۲۰۱۶ استفاده می‌کند. پس از اعتبارسنجی مدل با داده‌های خوراک اندازه‌گیری شده یک سیستم فنی شناخته شده روی سقف [ ۱۵ ]، شبیه‌سازی‌ها برای بررسی انجام شد. گروه با توجه به تعداد زیاد بیش از ۱٫۶۱ میلیون نیروگاه واحد، سیستم های فتوولتائیک در مناطق شهری خود طبقه بندی شدند و مختصات مرکزی این مناطق برای شبیه سازی عددی برای محدود کردن زمان اجرا استفاده شد. با این حال، تاریخ (خارج از) راه اندازی و اوج قدرت به صورت جداگانه برای هر سیستم فتوولتائیک در نظر گرفته شد. از آنجایی که هیچ اطلاعات بیشتری در مورد این سیستم های فتوولتائیک در دسترس عموم نبود، مقادیر میانگین واقعی (همانطور که در بخش ۲٫۳ ارائه شده است)) باید برای کالیبراسیون معقول مدل فتوولتائیک استفاده شود. پس از انجام شبیه‌سازی‌ها با داده‌های کالیبراسیون توصیف‌شده، سری‌های زمانی حل‌شده ساعتی به یک سری زمانی تجمیع شدند تا نتایج شبیه‌سازی در برابر ورودی اندازه‌گیری شده از تمام سیستم‌های فتوولتائیک در آلمان بررسی شود. داده های تولید برق شبیه سازی شده و اندازه گیری شده در شکل ۶ با وضوح روزانه نشان داده شده است.
تولید برق شبیه سازی شده، همانطور که در شکل ۶ نشان داده شده است، در طول دوره سالانه به خوبی با الگوی اندازه گیری شده مطابقت دارد. علاوه بر این، می توان نتیجه گرفت که بیشتر برق در ماه های تابستان تولید می شود. انحرافات حاصل عمدتاً دلایل زیر دارند:
  • استفاده از مقادیر متوسط ​​به دلیل نبود داده های خاص برای سیستم های فتوولتائیک.
  • عدم قطعیت داده های آب و هوا و واقعیت مقادیر میانگین ساعتی.
  • کاهش تولید برق به دلیل برف روی ماژول ها.
  • کاهش تغذیه به دلیل مازاد انرژی یا کار تعمیر و نگهداری.
اندازه گیری های آماری مربوط به مقادیر روزانه سری های زمانی شبیه سازی شده و اندازه گیری شده ( شکل ۶ ) نیز در جدول کلی زیربخش بعدی آورده شده است.

۴٫۳٫ تولید برق مشترک

برای بررسی مشترک متغیرهای تجدیدپذیر ارائه شده، که برای تحقیقات در مورد انتقال انرژی در آلمان بسیار مفید است، شکل ۷ مجموع تولید برق روزانه از توربین های خشکی و سیستم های فتوولتائیک را نشان می دهد.

در شکل ۷ می توان به وضوح مشاهده کرد که تولید برق رایج از این انرژی های تجدیدپذیر نیز الگوی تغذیه اندازه گیری شده را به خوبی بازتولید می کند. با یک خطای ریشه میانگین مربع (RMSE) 46.5 گیگاوات ساعت تعیین شده برای مقادیر روزانه، به عنوان یک معیار آماری برای انحرافات موجود، نتایج شبیه‌سازی مشترک تطابق بالایی با اندازه‌گیری‌ها را نیز نشان می‌دهد. در رابطه با کل تولید برق ۹۷٫۹ تراوات ساعت، تولید شده توسط تمام توربین های خشکی و سیستم های فتوولتائیک در آلمان برای سال ۲۰۱۶ [ ۳۳ ]، RMSE به مقدار ۰٫۰۵٪ می رسد. به عنوان یک ارزیابی آماری بیشتر از نتایج شبیه‌سازی، یک همبستگی پیرسون بین اولین تفاوت‌ها برای مقادیر روزانه هر دو سری زمانی طبق رابطه (۱) اعمال شد:

در این عبارت، XY ضریب همبستگی است (در جدول ۳ به عنوان R-value نشان داده شده است )، i و i نشان دهنده اولین تفاوت های سری زمانی شبیه سازی شده و اندازه گیری شده با طول n هستند، و m و m عبارتند از مقادیر میانگین مربوطه این همبستگی پیرسون یک رابطه خطی مثبت قوی با ضریب همبستگی ۰٫۹۶ را نشان می‌دهد که نشان می‌دهد روند هر دو سری زمانی در یک مقدار و جهت متفاوت است. جدول ۳ یک نمای کلی از مهم ترین مقادیر و معیارهای آماری برای نتایج شبیه سازی فردی و مشترک ارائه می دهد.
اعداد در این جدول همچنین نشان می‌دهند که معیارهای آماری محاسبه‌شده نتایج شبیه‌سازی مشترک به خوبی با شبیه‌سازی‌های فردی مدل‌های توان باد و فتوولتائیک مطابقت دارد. جدول ۳ علاوه بر این نشان می دهد که توربین های بادی خشکی تقریباً دو برابر بیشتر از سیستم های فتوولتائیک در آلمان برای سال ۲۰۱۶ برق تولید کرده اند، اگرچه ظرفیت توربین بادی نصب شده تنها ۱۱ درصد بیشتر بوده است.

۴٫۴٫ اطلس انتقال انرژی

پیشرفت منطقه ای و محلی در تبدیل بخش برق به سمت سهم های بالاتر از انرژی های تجدید پذیر متغیر را می توان با اطمینان با استفاده از توزیع مکانی-زمانی ظرفیت نصب شده و تولید برق دنبال کرد. بنابراین، مجموعه داده‌های گیاهی و مدل‌های شبیه‌سازی ارائه‌شده در این کار می‌توانند نظارت دقیق‌تری بر انتقال انرژی در آلمان را امکان‌پذیر کنند. به عنوان اولین مثال برای چنین اطلس انتقال انرژی، شکل ۸ افزایش ظرفیت درون سالانه توربین های خشکی و سیستم های فتوولتائیک در سطح NUTS-3 را برای سال ۲۰۱۶ نشان می دهد.
بر اساس شبیه‌سازی‌های عددی انجام‌شده برای این مقاله، شکل ۹ تولید برق ماهانه از انرژی‌های تجدیدپذیر متغیر، یعنی توربین‌های بادی خشکی و سیستم‌های فتوولتائیک را در سطح NUTS-3 نشان می‌دهد.

علاوه بر این، درک تأثیر انرژی‌های تجدیدپذیر متغیر موجود بر منبع تغذیه در مقیاس مکانی و زمانی بسیار حل‌شده می‌تواند در شناسایی مسیرهای بهینه برای انتقال پایدار به تولید برق بدون کربن بسیار مفید باشد. برای این کار، نتایج شبیه‌سازی ارائه شده در شکل ۹ مربوط به داده‌های ظرفیت نصب شده نیروگاه‌های تجدیدپذیر متغیر (همانطور که در شکل ۱ نشان داده شده است ) برای بررسی کارایی آنها بسته به دوره و منطقه در نظر گرفته شده است. مشابه تعاریف در [ ۱۴ ، ۱۵ ]، ضریب ظرفیت مکانی – زمانی CF st انرژی‌های تجدیدپذیر متغیر را می‌توان با رابطه (۲) محاسبه کرد:

در این رابطه T مخفف بازه زمانی مشخص شده است، Cvr مجموع ظرفیت توربین خشکی و سیستم فتوولتائیک نصب شده در منطقه مورد نظر است و vr مخفف برق تولید شده از این انرژی های تجدیدپذیر در این دوره و منطقه است شکل زیر ( شکل ۱۰ ) فاکتورهای ظرفیت ماهانه در سطح NUTS-3 در آلمان را برای سال ۲۰۱۶ نشان می دهد.
از شکل ۱۰می توان استنتاج کرد که فاکتورهای ظرفیت انرژی های تجدیدپذیر متغیر در مناطق ساحلی آلمان از اکتبر تا فوریه به طور قابل توجهی بیشتر از بقیه سال ۲۰۱۶ بوده است. این امر عمدتاً ناشی از تولید بالای انرژی بادی در طول ماه های زمستان است. برای این دوره، تولید برق از سیستم های فتوولتائیک نقش جزئی ایفا می کند، که همچنین منجر به عوامل ظرفیت بسیار پایین در آلمان جنوبی می شود. در ژانویه و فوریه، فاکتورهای ظرفیت مکانی – زمانی به بالاترین مقادیر با حداکثر سالانه ۳۹٪ در شهرستان امدن افزایش می یابد. همچنین قابل ذکر است که نواحی شمالی آلمان، به ویژه مناطق ساحلی، به دلیل ظرفیت بالای نصب شده توربین بادی، بالاترین فاکتورهای ظرفیت را در کل سال دارند. از نوامبر تا فوریه،

به منظور ارائه بینش بیشتر در مورد انتقال انرژی در آلمان، همچنین نرخ پوشش تولید برق از انرژی‌های تجدیدپذیر متغیر بر کل مصرف برق در مقیاس بسیار حل‌شده محاسبه می‌شود. برای این کار، داده های تفکیک شده از شبیه سازی های عددی در رابطه با مصرف برق طبق رابطه (۳) تنظیم می شوند:

در این عبارت، CR st نرخ پوشش مکانی-زمانی را توصیف می کند، vr همان معنای معادله (۲) را دارد، و Utot کل مصرف برق در دوره و منطقه در نظر گرفته شده است. در این زمینه، نرخ پوشش ۱۰۰ درصد به این معنی است که تولید برق از انرژی های تجدیدپذیر متغیر، مصرف برق را به طور کامل جبران می کند. کل مصرف با مجموع مصرف برق از چهار بخش اصلی زیر تعریف می شود، Uhh خانگی ، تجارت و بازرگانی Utc ، U صنعت ، و tr حمل و نقل .همانطور که در رابطه (۴) آورده شده است:

از آنجایی که هیچ داده تلفیقی در مورد مصرف برق در سطح NUTS-3 برای کل آلمان وجود ندارد، داده‌های در دسترس عموم از ایالت‌های فدرال با استفاده از یک رویکرد از بالا به پایین بر اساس ویژگی‌های اجتماعی-اقتصادی به شهرستان‌های آنها تعمیم داده می‌شوند. مصرف برق خانوارها را می توان با تعداد ساکنان و ارقام منطقه ای بر اساس درآمد واقعی، خانوار و اندازه آپارتمان کاهش داد [ ۳۸ ، ۳۹ ، ۴۰ ، ۴۱ ، ۴۲ ، ۴۳ ]. تعیین مصرف برق در بخش تجارت و بازرگانی بر اساس نسبت مصرف برق، جمعیت، تولید ناخالص داخلی و درآمد واقعی است [ ۴۴ ].]. جنبه اساسی این توجه این است که با تولید ناخالص داخلی بالاتر و درآمد سرانه واقعی بالاتر، خدمات بیشتری ارائه و مصرف می شود که منجر به مصرف بیشتر برق در این بخش می شود. توان مصرفی صنعت بر اساس افراد شاغل در بخش های مختلف صنعتی محاسبه می شود. این محاسبات بر این فرض استوار است که تولید و فرآیندها در این بخش‌ها تقریباً به همان تعداد کارمند نیاز دارد تا رقابتی باشد و در نتیجه تقاضای برق قابل مقایسه باشد. برآورد برای بخش حمل و نقل تنها به مصرف برق در حمل و نقل ریلی اشاره دارد و بر اساس رابطه بین مصرف برق، جمعیت، رفتار تحرک (بیان شده به عنوان مسافت طی شده توسط حمل و نقل عمومی) و تامین خط است.۴۵ ] و ارقام مربوط به درآمد واقعی، اندازه خانوار و آپارتمان، تولید ناخالص داخلی، اشتغال، رفتار تحرک و عرضه خط از [ ۴۶ و ۴۷ ] گرفته شده است.
با استفاده از اطلاعات ارائه شده در شکل ۱۱ الف، ب برای سال مورد بررسی ۲۰۱۶، نرخ پوشش تولید برق از انرژی های تجدیدپذیر متغیر بر کل برق مصرفی را می توان با توجه به رابطه (۳) که در شکل ۱۱ ج نشان داده شده است، تعیین کرد . سطح NUTS-3.
در شکل ۱۱ به راحتی قابل مشاهده استج که کل مصرف برق، به ویژه در مناطق شهری با تراکم جمعیت بالا، مانند منطقه شهری راین-روهر، به اندازه کافی توسط انرژی های تجدید پذیر متغیر پوشش داده نمی شود، یعنی نرخ های پوشش مربوطه بسیار کمتر از ۱۰ درصد است. علاوه بر این، سه شهر بزرگ آلمان، برلین، هامبورگ و مونیخ، تنها بخش کوچکی از مصرف برق خود را با انرژی‌های تجدیدپذیر متغیر خود تولید شده (با نرخ پوشش کمتر از ۵%) پوشش می‌دهند، اگرچه فضای سقف بالقوه کافی برای سیستم های فتوولتائیک موجود با توجه به سهم نسبتاً بالای انرژی‌های تجدیدپذیر متغیر در بخش‌های شمالی و شمال شرقی آلمان همراه با تراکم جمعیت کم، نرخ پوشش حدود ۱۰۰ درصد برای سال ۲۰۱۶ به‌ویژه در برخی مناطق ساحلی با مقادیر اوج بالای ۴۰۰ درصد به دست آمده است.

۵٫ نتیجه گیری ها

یکی از اهداف این کار ایجاد یک سری زمانی تولید برق بسیار حل‌شده از انرژی‌های تجدیدپذیر متغیر در آلمان برای یک دوره سالانه با استفاده از داده‌های موجود در کارخانه و آب و هوا بود. در اینجا، تمرکز بر روی در نظر گرفتن مشترک مدل‌های انرژی باد و فتوولتائیک و ارائه مشترک نتایج شبیه‌سازی قرار گرفت. سال ۲۰۱۶ انتخاب شد زیرا مجموعه داده‌های گیاهی کاملاً گردآوری شده و تأیید شده تنها تا پایان سال ۲۰۱۶ در زمان نگارش در دسترس بودند. با این وجود، در صورت وجود اطلاعات مورد نیاز در مورد نیروگاه‌های تجدیدپذیر، مدل‌های شبیه‌سازی برای سایر سال‌ها و کشورها قابل اجرا هستند. علاوه بر این، مدل های ارائه شده را می توان با سایر محصولات آب و هوا در PVGIS استفاده کرد [ ۲۶]، که قطعنامه های مختلفی ارائه می دهند و بسیاری از کشورهای جهان را پوشش می دهند. برای شبیه سازی عددی انجام شده در این مطالعه، مجموعه ای از نزدیک به ۱٫۶۴ میلیون نیروگاه تجدیدپذیر متغیر در نظر گرفته شد. می توان نشان داد که نتایج شبیه سازی به اندازه کافی دقیق را می توان برای توربین های خشکی و سیستم های فتوولتائیک به دست آورد، به عنوان مثال، تولید برق محاسبه شده دقیقاً از الگوی تغذیه اندازه گیری شده برای کل آلمان در طول سال پیروی می کند. تا آنجا که ما می دانیم، چنین داده های الکتریسیته مکانی-زمانی بسیار حل شده انرژی های تجدیدپذیر متغیر با استفاده از محصول آب و هوای مشابه برای مدل های برق باد و فتوولتائیک قبلا هرگز نشان داده نشده بود. علاوه بر این، در نظر گرفته شده است که این نتایج شبیه‌سازی در پورتال داده UFZ نیز در دسترس باشد.
به عنوان هدف بعدی این مقاله، ارقام کلیدی معنی‌داری برای اطلس انتقال انرژی استخراج شده‌اند و نتایج به‌دست‌آمده به عنوان نقشه‌های با وضوح بالا در سطح NUTS-3 ارائه شده‌اند. علاوه بر این، این مطالعه همچنین سری‌های زمانی تولید برق بسیار حل‌شده از مدل‌های شبیه‌سازی ما را با داده‌های مصرف برق کاهش‌یافته فضایی ترکیب کرده است تا بینش بیشتری در مورد انتقال انرژی در آلمان به دست آورد. چنین داده‌هایی می‌تواند برای بررسی اثرات متعدد افزایش انرژی‌های تجدیدپذیر متغیر بر روی سیستم‌های قدرت محلی یا یافتن ابزارهای سیاستی مناسب برای پاسخگویی بهتر به نیازهای مناطق مختلف آلمان مفید باشد. بسیاری از کاربردهای دیگر، مانند مطالعات ارزیابی سایت برای مزارع بادی [ ۴۸ ] و سیستم های فتوولتائیک [ ۴۹ ، ۵۰ ]] نیز می تواند از نتایج ارائه شده بهره مند شود.

منابع

  1. GWEC. گزارش جهانی باد ۲۰۲۱ ; شورای جهانی انرژی بادی: بروکسل، بلژیک، ۲۰۲۱٫ [ Google Scholar ]
  2. سری زمانی BMWi برای توسعه منابع انرژی تجدیدپذیر در آلمان بر اساس داده های آماری گروه کاری آمار انرژی های تجدیدپذیر (AGEE-Stat). در دسترس آنلاین: https://www.erneuerbare-energien.de (دسترسی در ۵ مه ۲۰۲۱).
  3. ایرنا. هزینه های تولید برق تجدیدپذیر در سال ۲۰۱۹ ؛ آژانس بین‌المللی انرژی‌های تجدیدپذیر (ایرنا): ابوظبی، امارات متحده عربی، ۲۰۲۰٫ [ Google Scholar ]
  4. راونر، اس. Eichhorn، M. Thrän، D. بعد فضایی سیستم قدرت: بررسی نقاط داغ تامین برق تجدیدپذیر هوشمند. Appl. انرژی ۲۰۱۶ ، ۱۸۴ ، ۱۰۳۸-۱۰۵۰٫ [ Google Scholar ] [ CrossRef ]
  5. Eichhorn، M. شفتلوویتز، ام. رایشموث، ام. لورنز، سی. لوکا، ک. شیفلر، ا. کیونکه، آر. باوشمن، ام. پونیتکا، جی. مانسکه، دی. و همکاران توزیع فضایی توربین‌های بادی، سیستم‌های میدان فتوولتائیک، انرژی زیستی و نیروگاه‌های آبی رودخانه در آلمان. داده ۲۰۱۹ ، ۴ ، ۲۹٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  6. اولاسون، جی. برگکویست، ام. مدل سازی تولید نیروی بادی سوئدی با استفاده از داده های تحلیل مجدد MERRA. تمدید کنید. انرژی ۲۰۱۵ ، ۷۶ ، ۷۱۷-۷۲۵٫ [ Google Scholar ] [ CrossRef ]
  7. Olauson, J. ERA5: قهرمان جدید مدل سازی نیروی باد؟ تمدید کنید. انرژی ۲۰۱۸ ، ۱۲۶ ، ۳۲۲-۳۳۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  8. گروبر، ک. رگنر، پی. وهرله، اس. زایرینگر، م. اشمیت، جی. به سوی یک اطلس باد دینامیک جهانی: اعتبارسنجی چند کشوری شبیه‌سازی نیروی باد از MERRA-2 و ERA-5 تعصب-تصحیح شده با اطلس جهانی باد. arXiv ۲۰۲۰ ، arXiv:2012.05648. [ Google Scholar ]
  9. اولاسون، جی. برگکویست، م. همبستگی بین تولید برق بادی در کشورهای اروپایی. انرژی ۲۰۱۶ ، ۱۱۴ ، ۶۶۳-۶۷۰٫ [ Google Scholar ] [ CrossRef ]
  10. رامیرز کامارگو، ال. Stoeglehner, G. مدلسازی فضایی و زمانی برای برنامه ریزی یکپارچه فضایی و انرژی. پایداری انرژی Soc. ۲۰۱۸ ، ۸ ، ۳۲٫ [ Google Scholar ] [ CrossRef ]
  11. هاوکینز، اس. مشتاق، دی. هریسون، GP مشخص کردن قابلیت اطمینان تولید از ناوگان بادی آینده فراساحل بریتانیا. در مجموعه مقالات کنفرانس IET در مورد تولید برق تجدیدپذیر، هرتفوردشایر، انگلستان، ۶-۸ سپتامبر ۲۰۱۱٫ پ. ۲۱۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. بوسه، پ. وارگا، ال. جانوسی، مقایسه IM تخمین‌های توان باد از ECMWF با اندازه‌گیری‌های مستقیم توربین. J. تجدید. حفظ کنید. Energy ۲۰۰۹ , ۱ , ۰۳۳۱۰۵٫ [ Google Scholar ] [ CrossRef ][ Green Version ]
  13. Lehneis، R. مانسکه، دی. شینکل، بی. Thrän، D. مدل سازی تولید برق از توربین های بادی با وضوح مکانی و زمانی بالا. ژنرال EGU Assem. Conf. Abstr. ۲۰۲۰ . [ Google Scholar ] [ CrossRef ]
  14. Lehneis، R. مانسکه، دی. Thrän، D. مدل سازی تولید نیروی بادی آلمان با وضوح مکانی و زمانی بالا. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۱۰۴٫ [ Google Scholar ] [ CrossRef ]
  15. Lehneis، R. مانسکه، دی. Thrän، D. تولید داده های تولید برق با تفکیک مکانی-زمانی سیستم های PV در آلمان. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۶۲۱٫ [ Google Scholar ] [ CrossRef ]
  16. تران، دی. بونزل، ک. کلنکه، آر. کوبلنز، بی. لورنز، سی. ماجر، س. مانسکه، دی. ماسمن، ای. اوهمیچن، جی. پیترز، دبلیو. و همکاران Naturschutzfachliches Monitoring des Ausbaus der Erneuerbaren Energien im Strombereich und Entwicklung von Instrumenten zur Verminderung der Beeinträchtigung von Natur und Landschaft ; Bundesamt für Naturschutz: بن، آلمان، ۲۰۲۰٫ [ Google Scholar ]
  17. بکر، آر. Thrän، D. تکمیل مجموعه داده‌های توربین بادی برای مطالعات ادغام باد با استفاده از جنگل‌های تصادفی و K-نزدیک‌ترین همسایه‌ها. Appl. انرژی ۲۰۱۷ ، ۲۰۸ ، ۲۵۲-۲۶۲٫ [ Google Scholar ] [ CrossRef ]
  18. ثبت اطلاعات اصلی بازار انرژی آژانس شبکه فدرال. در دسترس آنلاین: https://www.bundesnetzagentur.de/EN (در ۳۰ ژوئیه ۲۰۲۰ قابل دسترسی است).
  19. EEG-Anlagestammdaten. در دسترس آنلاین: https://www.netztransparenz.de/ (در ۳۰ ژوئیه ۲۰۲۰ قابل دسترسی است).
  20. Rienecker، MM; سوارز، ام جی؛ گلارو، آر. تودلینگ، آر. باکمایستر، جی. لیو، ای. بوسیلویچ، ام جی؛ شوبرت، اس.دی. تاکاکس، ال. کیم، جی.-ک. و همکاران MERRA: تحلیل گذشته نگر عصر مدرن ناسا برای تحقیقات و کاربردها. جی. کلیم. ۲۰۱۱ ، ۲۴ ، ۳۶۲۴-۳۶۴۸٫ [ Google Scholar ] [ CrossRef ]
  21. گلارو، آر. مک کارتی، دبلیو. سوارز، ام جی; تودلینگ، آر. مولود، ا. تاکاکس، ال. رندلز، کالیفرنیا؛ دارمنوف، آ. بوسیلویچ، ام جی؛ رایشل، آر. و همکاران تحلیل گذشته نگر عصر مدرن برای تحقیقات و کاربردها، نسخه ۲ (MERRA-2). جی. کلیم. ۲۰۱۷ ، ۳۰ ، ۵۴۱۹-۵۴۵۴٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  22. هرسباخ، اچ. بل، بی. بریسفورد، پی. هیراهارا، س. هورانی، ا. مونوز ساباتر، جی. نیکلاس، جی. پیبی، سی. رادو، آر. Schepers، D.; و همکاران تحلیل مجدد جهانی ERA5 Meteorol QJR. Soc. ۲۰۲۰ ، ۱۴۶ ، ۱۹۹۹-۲۰۴۹٫ [ Google Scholar ] [ CrossRef ]
  23. بولمایر، سی. کلر، جی دی. اوهلوین، سی. وال، اس. کرول، اس. فریدریکس، پی. هنس، ا. کیون، جی. نایفل، اس. Pscheidt، I. و همکاران به سوی یک تحلیل مجدد منطقه ای با وضوح بالا برای دامنه CORDEX اروپا. Meteorol QJR. Soc. ۲۰۱۵ ، ۱۴۱ ، ۱-۱۵٫ [ Google Scholar ] [ CrossRef ]
  24. فرانک، CW; وال، اس. کلر، جی دی. پوسپیچال، بی. هنس، ا. Crewell, S. Bias تصحیح مجموعه داده های جدید تحلیل مجدد اروپایی برای کاربردهای انرژی خورشیدی. سول انرژی ۲۰۱۸ ، ۱۶۴ ، ۱۲-۲۴٫ [ Google Scholar ] [ CrossRef ]
  25. تسهیلات کاربردی ماهواره در پایش آب و هوا (CM SAF). در دسترس آنلاین: https://www.cmsaf.eu/EN/Home/home_node.html (در ۱۸ مارس ۲۰۲۰ قابل دسترسی است).
  26. مرکز علمی اتحادیه اروپا – سیستم اطلاعات جغرافیایی فتوولتائیک (PVGIS). در دسترس آنلاین: https://ec.europa.eu/jrc/en/pvgis (در ۲۵ ژوئن ۲۰۲۰ قابل دسترسی است).
  27. مولر، RW; ماتسوکاس، سی. گراتزکی، آ. بهر، HD; Hollmann, R. طرح عملیاتی CM-SAF برای بازیابی تابش سطحی خورشیدی مبتنی بر ماهواره – یک رویکرد ترکیبی بردار ویژه مبتنی بر LUT. سنسور از راه دور محیط. ۲۰۰۹ ، ۱۱۳ ، ۱۰۱۲-۱۰۲۴٫ [ Google Scholar ] [ CrossRef ]
  28. پیروت، ام. نیروی باد. در دسترس آنلاین: https://www.thewindpower.net/ (در ۲۵ ژوئن ۲۰۲۰ قابل دسترسی است).
  29. برگه اطلاعات ENERCON E-40/5.40 ; ENERCON GmbH، Dreekamp 5: Aurich، آلمان، ۲۰۰۳٫
  30. کربس، اچ. Kuntzsch، J. Betriebserfahrungen Mit Windkraftanlagen Auf Komplexen Binnenlandstandorten. Erneuerbare Energy ۲۰۰۰ , ۱۲ , ۲۰۰۰٫ [ Google Scholar ]
  31. حسین الزمان، م. رحیم، ن.ا. سلواراج، ج. حسن الزمان، م. ملک، ABMA؛ ناهار، الف. چشم انداز جهانی، پیشرفت، سیاست ها، و اثرات زیست محیطی تولید برق فتوولتائیک خورشیدی. تمدید کنید. حفظ کنید. انرژی Rev. ۲۰۱۵ ، ۴۱ ، ۲۸۴-۲۹۷٫ [ Google Scholar ] [ CrossRef ]
  32. Krömke، F. Ertragsgutachten-PV Freiflächenanlage BEMA Halde Korbwerder، Sachsen-Anhalt، Deutschland. در دسترس آنلاین: https://www.helionat.de/ (در ۳۱ اوت ۲۰۲۰ قابل دسترسی است).
  33. SMARD-Strommarktdaten. در دسترس آنلاین: https://www.smard.de/home/ (در ۱۸ مارس ۲۰۲۰ قابل دسترسی است).
  34. لو، ال. یانگ، HX مطالعه ای در مورد شبیه سازی توان خروجی و مدل های عملی برای ساختن سیستم های فتوولتائیک یکپارچه. جی. سول. مهندس انرژی ۲۰۰۴ ، ۱۲۶ ، ۹۲۹-۹۳۵٫ [ Google Scholar ] [ CrossRef ]
  35. برکل، ک. Topič، M. فتوولتائیک (PV) پیش بینی انرژی سیستم بر اساس پیش بینی آب و هوای محلی: مشکلات، عدم قطعیت ها و راه حل ها. Energies ۲۰۱۸ , ۱۱ , ۱۱۴۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  36. اکستروم، جی. کویویستو، م. ملین، آی. Millar, RJ; Lehtonen, M. یک روش مدل‌سازی آماری برای شبیه‌سازی‌های بلندمدت تولید باد و رمپ قدرت در مکان‌های نسل جدید. Energies ۲۰۱۸ , ۱۱ , ۲۴۴۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  37. بنث، FE; ابراهیم، ​​NA مدلسازی تصادفی تولید برق فتوولتائیک و قیمت برق. جی. مارک انرژی. ۲۰۱۷ ، ۱۰ ، ۱-۳۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. ژو، Q. بیالک، JW مدل تقریبی سیستم به هم پیوسته اروپایی به عنوان یک سیستم معیار برای مطالعه اثرات تجارت فرامرزی. IEEE Trans. سیستم پاور ۲۰۰۵ ، ۲۰ ، ۷۸۲-۷۸۸٫ [ Google Scholar ] [ CrossRef ]
  39. سونبرگر، ام. Zwick، MM Der Energieverbrauch در Privathaushalten Soziologisch Betrachtet. سوزیول. ناخهالت. ۲۰۱۶ ، ۲ ، ۱-۲۸٫ [ Google Scholar ] [ CrossRef ]
  40. هیوبنر، جی. شیپ ورث، دی. همیلتون، آی. چلبی، ز. Oreszczyn، T. درک مصرف الکتریسیته: مشارکت مقایسه ای عوامل ساختمان، جمعیت شناسی اجتماعی، لوازم، رفتارها و نگرش ها. Appl. انرژی ۲۰۱۶ ، ۱۷۷ ، ۶۹۲-۷۰۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  41. آبراهامس، دبلیو. Steg، L. عوامل مرتبط با مصرف انرژی خانگی و قصد کاهش آن: نقش متغیرهای روانشناختی و اجتماعی – جمعیتی. هوم Ecol. Rev. ۲۰۱۱ , ۱۸ , ۳۰-۴۰٫ [ Google Scholar ]
  42. برهمن، بی. هاینزله، اس. رنینگ، ک. شلیچ، جی. Wüstenhagen، R. مصرف انرژی پایدار را چه چیزی هدایت می کند؟ بررسی ادبیات تجربی ; Zentrum für Europäische Wirtschaftsforschung: Mannheim، آلمان، ۲۰۰۹٫ [ Google Scholar ]
  43. Guerin، DA; Yust، BL; Coopet، JG Occupant Predictors of Home Energy Behavior and Consumption Changes که در مطالعات انرژی از سال ۱۹۷۵ یافت شد. فام. مصرف کنید. علمی Res. J. ۲۰۰۰ ، ۲۹ ، ۴۸-۸۰٫ [ Google Scholar ] [ CrossRef ]
  44. سویتاس، یو. ساری، ر. مصرف انرژی و تولید ناخالص داخلی: رابطه علیت در کشورهای G-7 و بازارهای نوظهور. اقتصاد انرژی ۲۰۰۳ ، ۲۵ ، ۳۳-۳۷٫ [ Google Scholar ] [ CrossRef ]
  45. LAK Länderarbeitskreises Energiebilanzen. در دسترس آنلاین: https://www.lak-energiebilanzen.de/ (در ۲۲ ژوئیه ۲۰۲۰ قابل دسترسی است).
  46. Statistische Ämter Statistische Ämter des Bundes und der Länder. در دسترس آنلاین: http://www.statistikportal.de/de (در ۲۷ ژوئیه ۲۰۲۰ قابل دسترسی است).
  47. اواسط Mobilität در آلمان ; Bundesministerium für Verkehr und Digital Infrastruktur (BMVI): برلین، آلمان، ۲۰۲۰٫ [ Google Scholar ]
  48. بکر، آر. Thrän، D. مکان یابی بهینه مزارع بادی در سیستم های قدرت تحت سلطه انرژی بادی. Energies ۲۰۱۸ , ۱۱ , ۹۷۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  49. چوی، ی. سو، جی. کیم، اس.-ام. نقشه برداری تابش خورشیدی مبتنی بر GIS، ارزیابی سایت و ارزیابی پتانسیل: یک بررسی. Appl. علمی ۲۰۱۹ ، ۹ ، ۱۹۶۰٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  50. گوایتا پراداس، آی. مارکز پرز، آی. گالگو، آ. Segura، B. تجزیه و تحلیل منطقه برای توسعه پایدار انرژی فتوولتائیک خورشیدی با استفاده از پایگاه های داده GIS. محیط زیست Monit Assess ۲۰۱۹ ، ۱۹۱ ، ۷۶۴٫ [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
شکل ۱٫ ظرفیت نصب شده ( الف ) توربین های خشکی و ( ب ) سیستم های فتوولتائیک به صورت مجموع فضایی در سطح NUTS-3 در آلمان برای سال ۲۰۱۶ نشان داده شده است. در مناطق خاکستری شکل ۱ a هیچ توربین بادی نصب نشده است.
شکل ۲٫ ( الف ) منحنی توان رسم شده (خط آبی) یک Enercon E-40 با توان نامی ۵۰۰ کیلووات به عنوان نمونه ای برای یک توربین معمولی خشکی. ( ب ) نمودار جریان فرآیند توسعه با تمام داده های درگیر از کالیبراسیون تا اعتبارسنجی مدل های شبیه سازی.
شکل ۳٫ نمودار جریان مدل نیروی باد (WP) که مراحل محاسبه و جریان داده ها را نشان می دهد.
شکل ۴٫ نمودار جریان مدل فتوولتائیک (PV) که مراحل محاسبه و جریان داده را نشان می دهد.
شکل ۵٫ الگوهای تغذیه شبیه سازی شده (خط سیاه) و اندازه گیری شده (خط آبی) تمامی توربین های خشکی در آلمان برای سال ۲۰۱۶٫
شکل ۶٫ الگوهای تغذیه شبیه سازی شده (خط سیاه) و اندازه گیری شده (خط نارنجی) کلیه سیستم های فتوولتائیک آلمان برای سال ۲۰۱۶٫
شکل ۷٫ شبیه سازی (خط سیاه) و اندازه گیری شده (خط سبز) الگوهای تغذیه انرژی های تجدیدپذیر متغیر، یعنی توربین های خشکی و سیستم های فتوولتائیک، در آلمان برای سال ۲۰۱۶٫
شکل ۸٫ افزایش سالانه ظرفیت توربین خشکی (a) نصب شده و ( ب ) سیستم فتوولتائیک در سطح NUTS-3 در آلمان برای سال ۲۰۱۶٫ در مناطق خاکستری شکل ۸ a هیچ توربین بادی در طول این سال اضافه نشده است.
شکل ۹٫ تولید ماهانه برق از انرژی های تجدیدپذیر متغیر در سطح NUTS-3 در آلمان برای سال ۲۰۱۶٫
شکل ۱۰٫ عوامل ظرفیت ماهانه انرژی های تجدیدپذیر متغیر در سطح NUTS-3 در آلمان برای سال ۲۰۱۶٫
شکل ۱۱٫ مقادیر تفکیک شده فضایی ( الف ) کل مصرف برق، ( ب ) تولید برق سالانه از انرژی های تجدیدپذیر متغیر، و ( ج ) نرخ پوشش به دست آمده با انرژی های تجدیدپذیر متغیر در سطح NUTS-3 در آلمان برای سال ۲۰۱۶

بدون دیدگاه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

خانهدربارهتماسارتباط با ما