10-min Zeitreihen

GEO-NET bietet neuerdings für Deutschland (weitere Länder auf Nachfrage) die WRF-GN_ML-Windzeitreihen an.  Diese haben eine zeitliche Auflösung von 10 Minuten. Die räumliche Auflösung der Windzeitreihen beträgt 3 km.

Methode

Die Datengrundlage der WRF-GN_ML-Zeitreihen liefern die Reanalysedaten ERA5. Diese stehen global mit einer Auflösung von etwa 30 km kostenfrei zur Verfügung. Die zeitliche Auflösung der Daten, die täglich mit einem zeitlichen Versatz von ungefähr fünf Tagen aktualisiert werden, beträgt eine Stunde. 

Mit dem Wettervorhersagemodell WRF (Weather Research and Forecasting model) wird ein Downscaling der ERA5-Daten auf eine räumliche Auflösung von 3 km und eine zeitliche Auflösung von 10 Minuten durchgeführt. Die mikrophysikalischen Prozesse, die Oberflächenphysik, die Grenzschichtphysik, die atmosphärische Strahlungsphysik sowie die Wolkenphysik lassen sich in WRF über verschiedene Parametrisierungsansätze berücksichtigen. Die optimalen Einstellungen dieser Parametrisierungen für eine möglichst realitätsnahe Windverteilung wurden im Rahmen einer Sensitivitätsstudie ermittelt. Validiert wurden die WRF-Windzeitreihen mit ein- oder mehrjährigen Messzeitreihen von 50 Standorten.

In einem letzten Schritt werden die Windgeschwindigkeiten mittels maschinellen Lernens (ML) optimiert. Hierfür wird ein künstliches neuronales Netzwerk (ANN) verwendet, welches mit den Windgeschwindigkeiten aus WRF, anderen zeitabhängigen und standortspezifischen Größen, wie z.B. der Tageszeit (Eingangsneuronen) und den passenden Messdaten der Windgeschwindigkeit (Ausgangsneuron) antrainiert wird. Als Resultat des Trainingsalgorithmus wird eine Funktion erhalten, die die WRF-Ergebnisse in Abhängigkeit von den Eingangsparametern optimiert. Dieses Verfahren wird regelmäßig durch weitere Messdaten und Eingangsparameter weiterentwickelt.

Validierung

Zur Validierung der WRF-GN_ML-Zeitreihen wurden u.a. die Windgeschwindigkeiten und Windrichtungen aus 100m Höhe mit den Werten von 50 Messstandorten verglichen. Zur Bewertung der Qualität der Daten wurden als statistische Größen u.a. der Korrelationskoeffizient R², der Variationskoeffizient CV und die Abweichung der Windrichtung betrachtet.

Vergleich der 10-min-Werte

Der Median des Korrelationskoeffizient, der ein Maß für den Grad eines linearen Zusammenhangs zwischen zwei Datensätze ist, liegt bei den WRF-GN_ML-Zeitreihen bei 0,73. Vor der Optimierung mittels des maschinellen Lernens lag er in 100m Höhe noch bei 0,66 (siehe WRF-GN). Auch die anderen Modelle wie ERA5, EMD-WRF EUROPE+ und ConWx weisen im Durchschnitt eine geringere Korrelation mit den Messdaten auf als WRF-GN_ML.

Neben dem Korrelationskoeffizient wird noch der Variationskoeffizient CV, der ein Maß für die Windverteilung ist, für die Bewertung der Ergebnisse aufgegriffen. Bei einem ähnlichen CV der Modell- und Messdaten lässt sich auf eine ähnliche Weibullverteilung der beiden Zeitreihen schließen. In der Abbildung ist die prozentuale Abweichung zwischen den CV-Werten der Modell- und Messdaten dargestellt. Der Median dieser Abweichung liegt bei den WRF-GN_ML-Zeitreihen bei 1,20 %. Damit verringert sich die Abweichung der WRF-GN-Zeitreihen durch die ML-Optimierung um 2,80 Prozentpunkte.

Für die Windrichtung wird bei den WRF-GN_ML-Zeitreihen keine ML-Optimierung durchgeführt, so dass die Windrichtungen der WRF-GN_ML-Zeitreihen denen der WRF-GN entsprechen. Der Median der Abweichung der Windrichtung von den Messwerten liegt bei diesen Modellen mit 24,39° im Bereich der anderen betrachteten Modelle (EMD-WRF EUROPE+: 22,02°; ERA5: 21,13°; ConWx: 26,78°).

Anwendungszweck

• Basis von zeitreihenabhängigen Ertragsberechnungen bei Nichtvorliegen einer Windmessung
• Basis für Extremwindgutachten
• Datenquelle für die Langzeitkorrektur von Referenzdaten
• Berechnung der kombinierten Stromproduktion bei Hybrid-Kraftwerken (Wind-PV)
• Besserer Vergleich von Lastgang und Produktion möglich → Berechnung von Autarkiegraden