Actividades y proyectos en AEMET sobre predicción de radiación...
Transcript of Actividades y proyectos en AEMET sobre predicción de radiación...
Actividades y proyectos en AEMET sobre predicción de radiación solar
Jose Luis Casado ([email protected])
Autores: Grupo de Radiación del Área de Aplicaciones, Grupo de Predicibilidad de gSREPS, Área de Modelización, Área de Innovación
Índice
• Modelos meteorológicos en AEMET.
• Breve digresión sobre probabilidades
• Proyecto PreFlexMS
• Proyecto Lisa de aerosoles para Red Eléctrica.
• Proyecto nowcRadiation para Red Eléctrica.
Modelos meteorológicos en AEMET
Modelos meteorológicos
Modelos meteorológicos
0.01
0.02
0.03
0.05
0.07
0.1
0.2
0.3
0.5
0.7
1
2
3
5
7
10
20
30
50
70
100
200
300
500
700
1000
Pre
ssu
re (
hP
a)
60 levels 91 levels
1
2
3
4
5
6
7
8
9
10
12
14
16
18
20
25
30
35
40
45
50
55
60
6570
91
Le
ve
l n
um
be
r
Observaciones Resolución numéricaParametrizaciones
(incluyendo radiación)Asimilación
¿Cuáles son los problemas en la predicción meteorológica?
• Incertidumbre en las condiciones iniciales. Carencia y errores en las observaciones.
• Los errores de predicción dependen del tipo de flujo atmosférico.
• No linealidad.
• Multiplicidad de escalas espaciales y temporales.
• Conocimiento insuficiente de las leyes de la física.
• Resolución limitada.
Modelos meteorológicos
Si las predicciones son coherentes (pequeña dispersión), la atmósfera está en un estado más
predecible que si las predicciones divergen (gran dispersión).
26 Junio 1995 26 Junio 1994
© 2018 European Centre for Medium-Range Weather Forecasts (ECMWF)
Los errores de predicción dependen del tipo de flujo atmosférico:
Modelos meteorológicos
* Nuevo esquema de radiación ecRad en el ECMWF desde julio 2017 (doi:10/21957/ab84rhs9t5)
Modelo Tipo Pasadas Resolución
espacial
Paso de
tiempo de
las salidas
Alcance Miembros
ECMWF-High Res* Global 2 / día ~9 km 3 h 0-10 días determinista
ECMWF-EPS* Global 2 / día ~18 km 3 h 0-15 días 50
Harmonie-AROME Área limitada 8 / día 2,5 km 15 min 0-48 h determinista
gSREPS Área limitada 2 / día 2,5 km 3 h 0-48 h 20
Modelos meteorológicos utilizados en AEMET
Parametrizaciones. físicas
Laboratoire d’Aérologie CNRM-GAME
Dinámica No-Hidrostática
Modelo AROME Seity et al., 2011
Modelos meteorológicos: Harmonie-Arome
En 1996 los consorcios HIRLAM y ALADIN establecen un
acuerdo de colaboración para el desarrollo de modelos
operativos con la idea de converger completamente en
2020
HARMONIE-AROME es una configuración dentro del
sistema compartido ALADIN-HIRLAM (Bengtsson et
al., 2017)
Modelos meteorológicos: Harmonie-Arome
Se trata de un modelo No-Hidrostático
(w variable de pronóstico)
Resolución: 2.5 km, 65 niveles.
Dinámica espectral muy eficiente,
adecuada para usos operativos.
Asimilación de datos: En superficie (OI)
y altura (3D-VAR).
Convección profunda resuelta… pero a
escalas convectivas hay menos
predecibilidad que a escalas sinópticas
por lo que se requerirán aproximaciones
de tipo ensemble.
Harm
on
ie 00Z ru
n
IFS 00Z BCs
0 1D-122
Observations for 3Dvar
Harm
on
ie 03Z ru
n
Harm
on
ie 06Z ru
n
IFS 06Z BCs
Observations for 3Dvar
Harm
on
ie 09Z ru
n
32 109
IFS 12Z BCs
8D-123 4 5 76 11 12 13
Observations for 3Dvar
Observations for 3Dvar
Observations for 3Dvar
Harmonie cycle
Modelos meteorológicos: gSREPS
•Multi-modelo
•HARMONIE-AROME
•HARMONIE-ALARO
•WRF-ARW (NCAR)
•NMMB (NCEP)
1CONDICIONES
INICIALES
HH+00
XXXX PPKDt
X
Condiciones iniciales y Multi-BCs
•ECMWF – IFS
•NCEP – GFS
•MétéoFrance – ARPÈGE
•CMC – GEM (Canadian)
•JMA - GSM (Japanese)
2CONDICIONESDE CONTORNO
3ERROR DEL
MODELO
• Objetivo: desarrollar un EPS de área local convection-permitting• 3 fuentes de incertidumbre:
Modelos meteorológicos: gSREPS
Miembros de gSREPS
NMMB
WRF
ARW
HARMONIE-ALARO
HARMONIE-AROME
Multi-BCs
Multi-NWP
CMC / GEMJMA / GSMMF / ARPÈGENCEP / GFSECMWF / IFS
Calibración del ensemble
Datos brutos
Datos calibrados
Breve digresión sobre probabilidades
Breve digresión sobre probabilidades
Supongamos que se preve un 20% de posibilidades de que llueva mañana. ¿Cómo podemos tomar una decisión con esta incertidumbre?
Si vamos a organizar una
fiesta al aire libre
Si solo salimos para ir al cine
Coste (C) ↑Pérdida (L) ↓↓
20% de lluvia es poco
20% de lluvia
es mucho
Coste (C) ↔Pérdida (L) ↑↑
C/L ↑
C/L ↓
Modelos de coste-pérdida:
Breve digresión sobre probabilidades
Modelos de coste-pérdida
Los modelos de predicción por conjuntos tienen un mayor valor económico, cuando se estima una predicción utilizando modelos coste-pérdida.
(extraído de la ECMWF Newsletter No. 141)
© 2018 European Centre for Medium-Range Weather Forecasts (ECMWF)
Breve digresión sobre probabilidades
Caso del huracán Leslie
Lunes 8, 00 UTC Martes 9, 00 UTC Miércoles 10, 00 UTC
Jueves 11, 00 UTC Jueves 12, 12 UTC Viernes 12, 00 UTC
Viernes 12, 12 UTC Sábado 13, 00 UTC Sábado 13, 12 UTC
© 2018 European Centre for Medium-Range Weather Forecasts (ECMWF)
Proyecto PreFlexMS
Proyecto PreFlexMS
Predictable and Flexible Molten Salts Solar
Power Plant es un proyecto dentro del
Horizonte 2020 que busca mejorar la eficiencia
y aumentar la flexibilidad de las centrales
solares de concentración (CSP).
La radiación normal directa (DNI) es el
parámetro clave a la hora de predecir la
producción de una planta termosolar.
Las plantas termosolares con almacenamiento por sales fundidas pueden
adaptar la producción de electricidad a la demanda, almacenando la energía
durante el día y vertiéndola en la red durante la noche.
Uno de los objetivos del proyecto es incorporar las predicciones de DNI de los
modelos meteorológicos en el ciclo de operación de las plantas termosolares, y
así disponer de una predicción más exacta de la electricidad que se va a
producir. Esta producción de energía se podría modificar de forma óptima en
tiempo real según las condiciones meteorológicas y el precio de la energía, y
así conseguir un mayor beneficio económico.
(AEMET)
(CENER) (DLR)
Observaciones pasadas
Variables de la planta CSP Precio de
mercado
cada 3 horas
cada 3 horas, 50 miembros
cada 15 minutos
cada 3 horas, 20 miembros
Proyecto PreFlexMS
Proyecto Lisa de aerosoles para Red Eléctrica
Vapor de agua
total en columna,
ECMWFModelo de
radiación
libRadtran
Predicciones de
radiación de
libRadtran
Observaciones
de DNI
Predicciones de
radiación directa
del ECMWF
Predicciones de
DNI del ECMWF
Profundidad
óptica de
aerosoles (AOD),
CAMSPredicción de
radiación directa
y de días
despejados del
ECMWF
Predicciones
de DNI
Para estimar la influencia de los aerosoles en la DNI en días despejados, se han comparado las predicciones
de radiación directa del ECMWF con la calculada por medio del modelo libRadtran. Para alimentar este
modelo se ha utilizado el vapor de agua en columna predicho por el ECMWF y la profundidad óptica de
aerosoles (AOD) de MACC (ahora llamado CAMS).
Durante los días con nubes, se ha usado la predicción del ECMWF de radiación directa con y sin nubes para
estimar el efecto de la nubosidad.
Proyecto de aerosoles para Red Eléctrica
Caso de estudio: Badajoz, 21 febrero 2016
Proyecto de aerosoles para Red Eléctrica
Proyecto de aerosoles para Red Eléctrica
Estación Año rRMSE (ECMWF) rRMSE (lRt + MACC)
Badajoz 2013 21.2% 13.7%
Madrid 2013 18.9% 13.3%
Murcia 2013 24.0% 17.5%
Badajoz 2014 19.5% 14.5%
Madrid 2014 19.0% 15.0%
Murcia 2014 23.6% 17.4%
Se ha considerado que los eventos con alto contenido de aerosoles son aquellos en los
que el AOD a 500 nm está por encima del percentil 85.
RMSE relativo en eventos con alto contenido de aerosoles
Proyecto nowcRadiation con Red Eléctrica
H+0 H+1 H+2 H+3 H+4
SAF → EXIM distribución SAF+ Harmonie-AROME Harmonie-AROME
Cloud Type (CT)
Extrapolated Image (EXIM)
Función de transición
Proyecto nowcRadiation
Proyecto nowcRadiation
Error GHI Error DNI
Comparación de los errores al utilizar
satélite / modelo / nueva herramienta:
Proyecto nowcRadiation
Error en la GHI y DNI para distintas estaciones:
Error GHI Error DNI
Conclusiones
• Los modelos meteorológicos son la herramienta esencial en las predicciones de radiación solar a corto y medio plazo (a partir de H+4, aproximadamente).
• En particular, los modelos probabilísticos dan mejores resultados, si se explotan adecuadamente y se calibra cada variable por separado.
• Las predicciones brutas de los modelos pueden ser mejoradas sustancialmente si se corrigen con técnicas de post-proceso. En concreto las nuevas técnicas de aprendizaje automático tienen un gran potencial.
• Como hemos comprobado en los proyectos en los que participamos, es vital una buena coordinación interdisciplinar para lograr un resultado óptimo, y mejorar la rentabilidad de las centrales solares.
• Algunos problemas físicos (como la presencia de aerosoles) deben ser tratados en detalle para poder incluir sus efectos.
• Hay métodos específicos apropiados para cada alcance (cámaras de cielo, satélites, modelos). Hay que intentar que las predicciones sean “sin costuras”, de forma que los métodos se enlacen de forma suave.
Conclusiones:
Más información
Proyecto PreFlexMS: https://www.preflexms.eu
Proyecto de aerosoles con Red Eléctrica:
• Casado-Rubio, J.L., M.A. Revuelta, M. Postigo, I. Martínez-Marco, and C. Yagüe, 2017: A PostprocessingMethodology for Direct Normal Irradiance Forecasting Using Cloud Information and Aerosol Load Forecasts. J. Appl. Meteor. Climatol., 56, 1595–1608, doi:10.1175/JAMC-D-16-0297.1
Proyecto nowcRadiation con Red Eléctrica:
• Predicción inmediata y a muy corto plazo de la radiación solar a partir de datos de satélite y modelos numéricos. Rodríguez-Martínez, A. Martínez-Sánchez, M. http://www.iic.uam.es/energias/prediccion-radiacion-solar-corto-plazo/
• EMS Annual Meeting: European Conference for Applied Meteorology and Climatology 2017 (04-07 Septiembre 2017) Dublin, Ireland European Conference for Applied Meteorology and Climatology. Sesion Operational Systems and Applications - Energy Meteorolgy
Poster: https://presentations.copernicus.org/EMS2017-128_presentation.pdf