SI/502279

Schlussbericht

Das Projekt DeFROST4Hydropower hat zum Ziel, die saisonalen Abflussvorhersagen durch die Assimilation von Schnee-Satellitendaten zu verbessern. Saisonale Vorhersagen ermöglichen die Vorhersage von Zuflussmengen für einen Zeithorizont von 30 bis 180 Tagen. Diese Vorhersagen verbessern die Planung und Vermarktung von Wasserkraft und sind eine wichtige Grundlage für die Bewirtschaftung von Wasserressourcen und Wasserreservoirs. Die wichtigsten Anwendungen von Vorhersagen für die Wasserkraft sind: - Vorhersage des Zuflusses in große Stauseen, um die langfristige Füllstrategie zu verfeinern. - Vorhersage der Wasserkraftproduktion von Laufwasserkraftwerken, um den Energiehandel (Kauf, Verkauf) zu verbessern und die richtigen Mengen zur richtigen Zeit anzubieten. - Verringerung der mit der Erzeugung und dem Handel von Wasserkraft einhergehenden Anpassungslücken Satellitendaten stellen die Schneebedeckung, die Schneehöhe und vor allem das Wasseräquivalent des Schnees (SWE) dar. Diese hochauflösenden Informationen können einen manchmal erheblichen Teil der Wasserzufuhr im Frühling und Sommer erklären. Obwohl diese Informationen bereits in den Ergebnissen von Regen-Abfluss-Simulationsmodellen verfügbar sind, wird erwartet, dass ihre Unsicherheit durch die neuen Satelliteninformationen reduziert wird und somit die Vorhersagbarkeit der Einträge verbessert wird. Die Entwicklung saisonaler Vorhersagen wird in diesem Projekt für zwölf Einzugsgebiete durchgeführt, wodurch eine große Bandbreite an Einzugsgebietsgrößen und hydrologischen Regimen untersucht werden kann. Für jedes Einzugsgebiet werden saisonale Vorhersagen nach verschiedenen Methoden, ohne und mit Satellitendaten, erstellt und ihre Leistungsfähigkeit beurteilt. 9 regionale Wasserkraftproduzenten waren in diesem Projekt als Industriepartner involviert und haben die Nutzbarkeit der Technologie, die in diesem Projekt entwickelt wurde, eingeschätzt. Die wichtigsten Erkenntnisse aus diesem Projekt und ihr strategischer Kontext für die Schweizerische Eidgenossenschaft sind folgende: - Satelliten-SWE-Daten können erfolgreich produziert werden und können mit einem R-Wert von 0.86 im Vergleich zu Daten eines hochauflösenden Sensors sehr zuverlässig sein- insbesondere bei hoch gelegenen Einzugsgebieten, die einen Referenzpunkt besitzen (punktuelle Bodenmessung, SWE aus der Modellierung). Satellitengestütze SWE Daten in niedrig gelegenen, stark bewaldeten oder gletscherreichen Gebieten sind weniger akkurat und müssen momentanauf der Grundlage eines Regen-Abfluss-Modells kalibriert werden. Dies bedeutet, dass die in diesem Projekt entwickelten Satellitendatensätze technologiebasierte Schwachpunkte haben, die verbessert werden müssen, damit die Integration der Daten für die Wasserkraftproduzenten universal von Nutzen sein kann. Sobald diese Verbesserungen abgeschlossen sind, können die mit dieser Technologie gewonnenen Erkenntnisse zu den Zielen der Energiestrategie 2050 beitragen, mit der die durchschnittliche jährliche Stromproduktion aus Wasserkraftwerken bis 2050 auf 38.600 GWh gesteigert werden soll, wobei die schweizerische Gewässerschutzgesetzgebung zu beachten ist und eine Anpassung an die sich ändernden hydrologischen und sonstigen klimatischen Bedingungen erfolgen soll. Ein wichtiges Fazit ist, dass die Qualität der SWE ausserdem ein entscheidender Faktor für die Qualität der saisonalen Zuflussprognose und damit für die potenziellen wirtschaftlichen Auswirkungen ist. - Saisonale Abflussvorhersagen, die mithilfe von Regen-Abfluss-Modellen und linearen Regressionen erstellt werden, können die Prognosefehler im Vergleich zur Verwendung historischer Durchschnittswerte der Zuflüsse (die üblicherweise verwendet werden) stark reduzieren. Die Abweichungen werden oft um 30% bis 50% verringert. - Die Assimilation von SWE-Satellitendaten führt zu einer weiteren Verbesserung der Vorhersageleistung, insbesondere für die längsten Zeiträume (60-180 Tage) und große Einzugsgebiete. Die anfänglichen Abweichungen werden um weitere 5%-10% verringert. Diese Erkenntnis trägt insbesondere zu den folgenden Forschungsschwerpunkten des BFE-Wasserkraftforschungsprogramms bei: - Einführung von Massnahmen zur Erhöhung der betrieblichen Flexibilität. - Verfeinerung der Prognosemodelle im Hinblick auf eine Steigerung der Produktion und der Wirtschaftlichkeit. Verbesserte saisonale Prognosen tragen auch zu den Zielen des Bundesgesetzes über eine sichere Stromversorgung mit erneuerbaren Energien bei, das Wachstum der inländischen erneuerbaren Energien und die Versorgungssicherheit der Schweiz zu stärken. - Die wirtschaftliche Bewertung zeigt, dass die Anpassungen beim Handel mit Wasserkraft durch die Verwendung von saisonalen linearen Regressionsprognosen mit Schneedaten bis zu 50 % reduziert werden können. Insgesamt hat es sich jedoch als schwierig erwiesen, die wirtschaftlichen Auswirkungen dieser verbesserten Zuflussprognose zu quantifizieren. Energiehandel und -erzeugung sind komplexe Prozesse, bei denen viele Faktoren eine Rolle spielen (Marktschwankungen, Preisschwankungen, individuelle Betriebs- und Handelsstrategien, der Faktor Mensch u.a.). Um eine Quantifizierung zu ermöglichen, wären eine oder mehrere vertiefte Einzelstudien mit Energieerzeugern notwendig. - Generell wird das Potenzial dieser Technologie von den Industriepartnern positiv eingeschätzt. Je nach Anlage werden Umsatzsteigerungen von durchschnittlich 50.000 bis 500.000 Euro pro Jahr in Aussicht gestellt. Darüber hinaus wird die Technologie als ein Schritt in Richtung Digitalisierung und mehr Nachhaltigkeit in der Wasserkraftbranche gesehen. Insbesondere wird dies dazu beitragen, die Position der Schweizer Wasserkraft auf dem Energiemarkt zu stärken, ohne dass ein Ausbau erforderlich ist und die Wasserläufe möglicherweise beeinträchtigt werden, was das Ziel 7 für nachhaltige Entwicklung und die Schweizer Gewässerschutzgesetzgebung unterstützt. Da derzeit nur 4 Jahre an Satellitendaten zur Verfügung stehen, wird eine noch stärkere Reduzierung des Vorhersagefehlers erwartet, wenn in Zukunft mehr Daten (idealerweise 8 oder mehr Jahre) zur Verfügung stehen. - Durch den Einsatz von Modellen des maschinellen Lernens lassen sich einige Prognosen nur geringfügig verbessern. Allerdings macht die Entwicklung solcher Modelle die Methodik komplexer, ohne dass die Leistung ausreichen verbessert wird.