Unter den vielen existierenden numerischen Wettervorhersagemodellen (NWP models  – numerical weather prediction models), ist das open-source Weather Research and Forecasting (WRF) Model das am meisten verbreitete und genutzte. Das erst kürzlich entwickelte WRF-Solar Ensemble Prediction System (EPS) ermöglicht uns nun hoch aufgelöste Ensemblevorhersagen der solaren Einstrahlung.

Was ist WRF-Solar?

Immer mehr Photovoltaikanlagen werden weltweit installiert und damit werden intraday und day-ahead Solarstromvorhersagen auch immer wichtiger. In numerischen Wettervorhersagemodellen ist die kurzwellige Strahlung keine Zustandsvariable, sondern eine diagnostische. Anders ausgedrückt: NWP Modelle wurden nicht für solare Einstrahlungsprognosen entwickelt.

WRF-Solar ist eine Weiterentwicklung des WRF-Models um eine bessere Simulation der Wechselwirkung zwischen Aerosolen, Wolken und Strahlung zu erreichen. In den letzten Jahren wurde das Weather Research and Forecasting (WRF) Model laufend verbessert und speziell auf ein präziseres Modellieren der Wolke-Aerosol-Strahlungs-Interaktionen angepasst 1,2. Zahlreiche Verbesserungen in den Parametrisierungsschemata des WRF-Models wurden implementiert 3,4. Dadurch wurde eine starke Reduktion des Vorhersagefehlers der solaren Einstrahlung erzielt, besonders bei Fällen mit klarem, wolkenfreiem Himmel.

Was ist das WRF-Solar Ensemble Prediction System (EPS)?

WRF-Solar EPS ist eine Erweiterung der WRF-Solar Komponenten des WRF Models. Damit sich stochastische Perturbationen von Parametrisierungsvariablen möglich. Gestört werden dabei jene Variablen, die am relevantesten für die den Boden erreichende solare Einstrahlung sind und diese wurden mit einer tangent linear Model identifiziert. Die stochastischen Störungen in diesem state-of-art Vorhersagemodel sind speziell ausgewählt um die Unsicherheiten in der Darstellung der Aerosol-, Wolken- und Strahlungsprozesse zu repräsentieren 5. Ein hoch-qualitatives Ensemble Vorhersagesystem wie WRF-Solar EPS erlaubt es uns so, solare Energie Ressourcen zu identifizieren und quantifizieren, da jeder Ensemblemember ein mögliches Zukunftsszenario darstellt. Der Spread der Ensemblevorhersage kann dabei eine Aussage über Minima, Maxima und Unsicherheiten der solaren Energieprognose liefern und helfen die solare Einstrahlungsprognose nachhaltig zu verbessern.

Diese interaktive Grafik zeigt beispielhaft die von WRF-Solar EPS vorhergesagte Globalstrahlung (GHI) für den 4. März 2022 in Lindenberg (Deutschland). WRF berechnet die Vorhersage dabei in zwei Domains: Eine mit einem horizontalen Gitterabstand von 9km und eine zweite mit einem Gitterabstand von 3km. Der Spread des 5-Member-Ensembles unterscheidet sich von einer Domain zur anderen. Die Vergleichsbeobachtungsdaten stammen von aus dem DWD Open Data Portal.

Multi-layer Wolkenvorhersagen

Jedes NWP Model ist eine Übersetzung von physikalischen Gleichungen in Computercode. Da Prozesse in der Atmosphäre sich von Sekunden bis Tagen und Nanometern bis Kilometern abspielen, besteht jedes Wettermodel aus vielen Schätzungen und Näherungen. Das Model ist auch immer limitiert in seiner Auflösung, die die kleinsten und flüchtigsten aufgelösten Prozesse definiert. WRF ermöglicht es, Domains zu ‚nesten‘. Dabei wird eine Domain mit sehr hoher Auflösung in einer mit gröberen Auflösung initialisiert. Dadurch, und im Vergleich mit wenig Rechenleistung, kann eine regional hochaufgelöste Prognose erzielt werden und sogar feinskalige Prozesse können von dem Model berechnet werden.

Diese Animation zeigt beispielhaft eine WRF Vorhersage der Wolken-Bedeckung (hohe, mittlere und tiefe Wolken) in Zentraleuropa mit dem bekannten Zwei-Domain-Setup. Die rechte Domain ist dabei in die linke ‚genested‘ und daher auch nicht nur ein einfaches Hineinzoomen. Alle physikalischen Prozesse werden auch in der höher aufgelösten Domain berechnet, mit den Randbedingungen der gröberen Domain. Die Anfangsbedingungen für diese stammen dabei aus dem Global Forecast System (GFS), das von NOAA betrieben wird. Man beachte die Unterschiede in den kleinskaligen Wolken zwischen den beiden Domains. Die Verbesserungen in den Parametrisierungen von WRF-Solar führen hier zu realistischeren hochaufgelösten Wolkenfeldern und -formationen.

Vergleich der Wolkenmaske zwischen WRF und Satellit

Verifikation ist das Abschätzen der Fähigkeit eines Vorhersagemodels einen zukünftigen Zustand korrekt zu prognostizieren. Bezogen auf Wolkenvorhersagen ist es besonders wichtig den sogenannten forecast skill eines Models räumlich zu quantifizieren. Hier bei Reuniwatt wird dafür eine Wolkenmaske (Cloud Mask) von WRF- und WRF-Solar-Prognosen erstellt und mit einer Cloud Mask basierend auf Satellitenmessungen verglichen. Diese Fernerkundungsdaten helfen so eine Hit-or-Miss-Statistik zu erstellen, auf der wir unterschiedliche Metriken und forecast skill Berechnungen aufbauen können.

Diese Grafik zeigt ein Beispiel eine von WRF abgeleitete Cloud Mask mit 3 km Gitterabstand im Vergleich mit den Satellitendaten. Der Differenzplot verdeutlicht Flächen, in denen beide Male bedeckter oder klarer Himmel gegeben wurde, genauso wie Bereiche, in denen nur in WRF oder im Satellit eine Wolke gegeben wurde.

WRF-Solar Bedeckung Vorhersage

Quellen

  1. Haupt, S. E., Kosovic, B., Jensen, T. L., Lee, J., Jimenez Munoz, P., Lazo, J. K., … Hinkleman, L. (2016). The Sun4Cast® Solar Power Forecasting System: The Result of the Public-Private-Academic Partnership to Advance Solar Power Forecasting (No. NCAR/TN-526+STR). doi:10.5065/D6N58JR2.
  2. Jimenez, P.A., J. P. Hacker, J. Dudhia, S. E. Haupt, J. A. Ruiz-Arias, C. A. Gueymard, G. Thompson, T. Eidhammer and A. Deng, 2016a: WRF-Solar: Description and Clear-Sky Assessment of an Augmented NWP Model for Solar Power Prediction. Bull. Amer. Met. Soc.. 97, 1249-1264. doi:10.1175/BAMS-D-14-00279.1.
  3. Ruiz-Arias, J.A., J. Dudhia and C. A. Gueymard, 2014: A simple parameterization of the short-wave aerosol optical properties for surface direct and diffuse irradiances assessment in a numerical weather model. Geosci., Model Devel., 7, 1159-1174.
  4. Xie, Yu, M. Sengupta, J. Dudhia, 2016: A Fast-sky Radiation model for Solar applications (FARMS): Algorithm and performance evaluation. Solar Energy, 135, 435-445.
  5. J. -H. Kim et al., “The WRF-Solar Ensemble Prediction System to Provide Solar Irradiance Probabilistic Forecasts,” in IEEE Journal of Photovoltaics, vol. 12, no. 1, pp. 141-144, Jan. 2022, doi: 10.1109/JPHOTOV.2021.3117904.
Kontaktieren Sie uns