Statistical Methods for Variable Renewable Energy Generation Modelling

Abstract

One significant way to mitigate global warming is to replace energy generation based on fossil fuels with CO2 emission free energy sources. In electricity generation, these kinds of energy sources are, e.g., hydro, nuclear and variable renewable energy (VRE) sources, such as wind and solar energy. The installed capacities of wind power and photovoltaic panels are growing globally at an increasing pace. However, the increase of the installed variable generation capacity can cause problems for the power systems as it also increases the variability of the power generation. To ensure reliable operation of the power systems and large scale integration of VRE generation, the behaviour of VRE generation has to be modelled and understood both in short and long terms.

This thesis focuses on developing statistical modelling methodologies applicable in Monte Carlo simulations for the long term modelling of wind and solar power generation in new non-measured generation locations. Modelling methodologies are developed for the modelling of new wind power plants (WPPs) and new photovoltaic power plants (PVPs) in non-measured locations, and for the joint modelling of both generation types. Furthermore, an approach to model wind direction in new WPPs is developed and a methodology for the modelling of changing installed capacity of wind generation in large geographical areas is proposed.

The proposed methodologies are able to model both temporal and spatial dependency structures in multiple new generation locations and can be applied in the analysis of the variability of the generation and power ramps. The main modelling approach in the proposed methodologies is based on time series models combined with data transformations comparable to copula modelling. The developed methodologies are verified against out-of-sample test data, consisting of measurements which were left out from the model selection and estimation processes.

In addition, the effects of the geographical distribution of the VRE generation locations to the aggregated power generation are studied with WPPs and PVPs. The observed and quantified impact of the negative correlation between WPPs and PVPs is analysed jointly with geographical distributions of the locations.

Yksi merkittävä keino ilmastonmuutoksen hillitsemiseksi on fossiilisiin polttoaineisiin perustuvan energiantuotannon korvaaminen CO2-vapailla tuotantomuodoilla. Sähköntuotannossa tällaisia tuotantomuotoja ovat mm. vesivoima, ydinvoima sekä vaihtelevat uusiutuvat energianlähteet kuten tuuli- ja aurinkoenergia. Tuuli- ja aurinkoenergian tuotannon asennetun kapasiteetin määrä kasvaa globaalisti nopealla tahdilla. Kasvava vaihtelevan energiantuotannon määrä voi kuitenkin aiheuttaa ongelmia voimajärjestelmille, sillä se lisää myös tehotuotannon vaihteluita. Jotta voimajärjestelmän luotettava toiminta voidaan taata ja uusiutuvan vaihtelevan energiantuotannon laajamittainen käyttöönotto mahdollistaa, tulee vaihtelevan uusiutuvan tuotannon käyttäytymistä pystyä ymmärtämään ja mallintamaan tarkasti niin lyhyellä kuin pitkällä aikavälillä.

Tämä työ keskittyy kehittämään Monte Carlo -simulaatioihin soveltuvia tilastollisia mallinusmenetelmiä tuuli- ja aurinkoenergian tuotannon pitkän aikavälin mallinnukseen uusissa tuotantokohteissa, joista ei ole saatavilla mittausdataa. Mallinnusmenetelmiä kehitetään uusille tuulipuistoille, uusille aurinkoenergian tuotantolaitoksille (sisältäen myös kuluttajien PV-paneelit) sekä näiden kahden tuotantotyypin samanaikaiseen yhteismallinnukseen. Lisäksi työssä kehitetään menetelmä tuulen suunnan tilastolliseen mallinnukseen uusissa tuulipuistoissa sekä menetelmä muuttuvan tuulituotantokapasiteetin mallinnukseen suuremmilla maantieteellisillä alueilla.

Kehitetyt menetelmät mahdollistavat niin ajallisten kuin maantieteellisten riippuvuusrakenteiden tarkan mallinnuksen useiden tuotantolaitosten välillä ja niitä voidaan hyödyntää tuotannon vaihteluiden ja nopeiden tehomuutosten mallinnuksessa. Valitussa mallinnusstrategiassa yhdistetään tilastolliset aikasarjamallit ja kopula-mallinnuksen kaltaiset datamuunnokset. Kehitettyjen menetelmien toimivuus on vahvistettu vertaamalla mallien tuottamia simulaatiotuloksia testaukseen varattuun vertailudataan.

Lisäksi tutkitaan tuotantolaitosten maantieteellisen hajautuksen vaikutuksia tuuli- ja aurinkoenergian aggregoituun tuotantoon ja tuotannon vaihteluihin. Tuuli- ja aurinkoenergiantuotannon havaitaan olevan negatiivisesti korreloituneita yhden tunnin aikaresoluutiolla ja tämän negatiivisen korrelaation vaikutuksia tutkitaan myös yhdessä tuotantolaitosten maantieteellisen hajautuksen kanssa.