Kurzbeschreibung
(Deutsch)
|
Die Kooperation zwischen dem Space-tech Startup Wegaw und den Hydrologieexperten Hydrique Ingénieurs, dem SLF und eines neunköpfigen Industriekonsortiums zielt darauf ab die Produktion von nachhaltiger Elektrizität mit Hilfe von Satellitendaten zu optimieren. Das Projekt testet das Potential von beobachtetem Schnee-Wasser-Equivalent (SWE) um die saisonale Vorhersage der Wasserkraftproduzenten zu verbessern. Dazu werden RADAR Satelliteninformationen zu SWE Daten umgewandelt und in eine saisonale hydrologische Zuflussvorhersage (30, 60, 90 und 120 Tage in die Zukunft) integriert. Die resultierenden simulierten Zuflussdaten (2017-2021) werden mit den erhobenen Daten der Wasserkraftproduzenten verglichen um die Reduktion des Prognosefehlers (technische Evaluierung mit min. 10% Reduktion als Ziel) und wirtschaftliche Verbesserungsmöglichkeiten in der Produktion und im Trading (wirtschaftliche Evaluierung mit Verbesserung des Preises per MWh um 0.5% als Ziel) zu quanitifizieren.
|
Kurzbeschreibung
(Englisch)
|
The collaboration between space-tech startup Wegaw and hydrology experts Hydrique Ingénieurs, the SLF and a nine-member industry consortium aims to optimise the production of sustainable electricity using satellite data. The project is testing the potential of observed snow water equivalent (SWE) to improve seasonal forecasting for hydropower producers. For this purpose, RADAR satellite information is converted to SWE data and integrated into a seasonal hydrological inflow forecast (30, 60, 90 and 120 days into the future). The resulting simulated inflow data (2017-2021) will be compared with the collected data from hydropower producers to quantify the reduction of the forecast error (technical evaluation with min. 10% reduction as target) and economic improvement opportunities in production and trading (economic evaluation with improvement of the price per MWh by 0.5% as target).
|
Schlussbericht
(Deutsch)
|
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.
|
Schlussbericht
(Englisch)
|
The goal of the project is to improve the seasonal inflow forecasts by the assimilation of snow data from satellites. The seasonal forecast aims at predicting inflow volumes at lead times from 30 to 180 days ahead. The seasonal forecasts are in general needed for a better planning and trading of hydropower, as well as for reservoir and water management. The main applications of these forecasts in the context of hydropower are:
- Predict the inflow in large reservoirs, to adjust the long-term strategy of filling the reservoirs
- Predict the hydropower production at run-of-river power plants, in order to trade (sell, buy) the correct amount of energy at the right moment
- Reduce the adjustments needed during the production and trading processes
Satellite data represent snow cover, snow height, and especially snow water equivalent (SWE). This high-resolution information can explain a sometimes crucial part of the water supply in spring and summer. Even if this information is already available in the results of rainfall-runoff simulation models, it is expected that their uncertainty will be reduced thanks to this new satellite information, and thus the predictability of the inputs will be improved.
The development of seasonal forecasts is carried out for twelve catchments in this project, allowing a wide range of catchment sizes and hydrological regimes to be explored. For each watershed, seasonal forecasts are developed using several methods, without and with satellite data, and their performance is evaluated. 9 regional hydropower producers were involved in this project as industrial partners and assessed the usability of the technology developed in this project.
The main lessons learned from this project along with their strategic context for the Swiss Confederation are as follows:
- Satellite SWE data can be successfully produced and can be very reliable with an R-value of 0.86 compared to data from a high-resolution sensor, especially for high altitude catchments that have a reference point (point ground measurement, SWE from modelling). Satellite-based SWE data in low-lying, heavily forested or glacier-rich areas are less accurate and currently need to be calibrated to determine SWE based on a rainfall-runoff model. This means that the satellite datasets developed in this project have technology-based weaknesses that need to be improved for the integration of the data to be universally beneficial to hydropower producers. While these improvements are still an ongoing process, the insights which are generated through this technology could contribute to the aims of the Energy Strategy 2050, through which the mean annual production of electricity from hydropower plants is to be increased to 38,600 GWh by 2050 whilst respecting Swiss water protection legislation and adapting to changing hydrological and other climate conditions. Seasonal flow forecasts, performed by rainfall-runoff modelling and linear regression, can greatly reduce forecast errors, compared to the use of historical average inflows (commonly used). The errors are often reduced by 30% to 50%. The quality of the SWE is found to be a determining factor for the quality of the seasonal inflow forecast, and therefore the potential economic impact.
- The assimilation of SWE satellite data further improves forecast performance, especially for longer time frames (60-180 days) and large catchments. The initial deviations are further reduced by 5%-10%. This finding particularly contributes to the following research priorities of the SFOE Hydropower Research Programme:
- Introduce measures to increase operational flexibility. - Refine forecasting models with a view to increasing production and cost-effectiveness.
Improved seasonal forecasts also contribute to the aims of the Federal Act on a Secure Electricity Supply with Renewable Energies to strengthen the growth of domestic renewable energies and of Switzerland's supply security.
- The economic assessment shows that a reduction of the adjustments during the trading process of hydropower can reach 50% through use of seasonal linear regression forecasts with snow data. Yet overall, the economic impact of this improved inflow forecast has proven difficult to quantify. Energy trading and generation are complex processes in which many factors play a role (market fluctuations, price fluctuations, individual operation and trading strategies, the human factor, among others). One or more in-depth individual studies with energy producers would be necessary to enable quantification.
- Generally, the industry partners perceive the potential of this technology positively. Revenue increases of between EUR 50,000 and 500,000 per year on average are envisaged depending on the facilities. In addition, it is perceived as a step towards digitalisation and increased sustainability of the hydropower industry. Specifically, this will help to reinforce the position of Swiss hydropower generation in the energy market without the need for expansion and potential harm to waterways, supporting Sustainable Development Goal 7 and Swiss water protection legislation. As only 4 years of satellite data are currently available, even higher reductions in prediction error are expected with more data (ideally 8 or more years) in the future.
- The use of machine learning models can only slightly improve some forecasts. However, developing such models makes the methodology more complex without sufficiently improving performance.
Zugehörige Dokumente
|
Schlussbericht
(Französisch)
|
Le projet DeFROST4Hydropower a pour objectif d’améliorer les prévisions saisonnières de débit par l’assimilation de données satellite de neige. Les prévisions saisonnières permettent de prévoir les volumes d’apports pour des horizons de 30 à 180 jours. Ces prévisions permettent d’améliorer la planification et la commercialisation de l’hydroélectricité, et sontune donnée essentielle pour la gestion des ressources en eau et des réservoirs. Les applications principals des prévisions pour l’hydroélectrité sont:
- Prévoir les apports dans les grandes retenues, afin d’affiner la stratégie à long terme de remplissage
- Prévoir la production hydroélectrique des aménagements au fil de l’eau, de manière à mieux échanger l’énergie (acheter, vendre) et proposer les bonnes quantités au bon moment
- Réduire les écarts d’ajustement inhérents à la production et au commerce d’hydroélectricité
Les données satellites représentent la couverture de neige, la hauteur de neige, et surtout l’équivalent-eau de la neige (SWE). Ces informations à haute résolution permettent d’expliquer une partie parfois importante des apports hydrique au printemps et en été. Même si ces informations sont déjà disponibles dans les résultats des modèles de simulation pluie-débit, il est attendu que leur incertitude soit réduite grâce à cette nouvelle information satellite, et ainsi que la prévisibilité des apports soit améliorée.
Le développement de prévisions saisonnières est réalisé pour douze bassins versants dans ce projet, permettant d’explorer une large gamme de tailles de bassins versants et de régimes hydrologiques. Sur chaque bassin versant, les prévisions saisonnières sont établies selon plusieurs méthodes, sans et avec données satellites, et leurs performances sont évaluées. 9 producteurs régionaux d’hydroélectricité ont été impliqués dans ce projet en tant que partenaires industriels et ont évalué l’utilisabilité de la technologie développée dans le cadre de ce projet
Les principaux enseignements tirés de ce projet, ainsi que leur contexte stratégique pour la Confédération suisse, sont les suivants :
- Les données SWE par satellite peuvent être produites avec succès et peuvent être très fiables avec une valeur R de 0,86 par rapport aux données d’un capteur à haute résolution, en particulier pour les bassins versants de haute altitude qui ont un point de référence (mesure ponctuelle au sol, SWE issu de la modélisation). Les données SWE satellitaires dans les zones de basse altitude, fortement boisées ou riches en glaciers sont moins précises et doivent être calibrées pour le moment. Cela signifie que les ensembles de données satellites développés dans le cadre de ce projet ont des faiblesses basées sur la technologie qui doivent être améliorées afin que l’intégration des données puisse être universellement bénéfique pour les producteurs d’hydroélectricité. Bien que ces améliorations soient encore en cours, les connaissances générées par cette technologie contribuent aux objectifs de la Stratégie énergétique 2050, qui prévoit de porter la production annuelle moyenne d’électricité des centrales hydroélectriques à 38 600 GWh d’ici 2050, tout en respectant la législation suisse sur la protection des eaux et en s’adaptant à l’évolution des conditions hydrologiques et climatiques. Les prévisions saisonnières de débit, réalisées par modélisation pluie-débit jaugée et régression linéaire, permettent de fortement réduire les erreurs de prévisions, par rapport à l’utilisation de la moyenne historique des apports (couramment utilisée). Les écarts sont souvent réduits de 30% à 50%.
- La qualité du SWE est un facteur déterminant pour la qualité de la prévision des apports saisonniers, et donc de l'impact économique potentiel. L’assimilation des données satellite de SWE permet d’améliorer encore la performance des prévisions, en particulier pour les échéances les plus longues (60-180 jours) et les grands bassins versants. Les écarts initiaux sont encore réduits de 5%-10%. Ce résultat contribue particulièrement aux priorités de recherche suivantes du programme de recherche sur l’énergie hydraulique de l’OFEN : - Introduire des mesures visant à augmenter la flexibilité de l’exploitation. - Affiner les modèles de prévision en vue d’augmenter la production et la rentabilité. L’amélioration des prévisions saisonnières contribue également aux objectifs de la loi fédérale sur la sécurité de l’approvisionnement en électricité au moyen d’énergies renouvelables, qui visent à renforcer la croissance des énergies renouvelables nationales et la sécurité d’approvisionnement de la Suisse.
- L’évaluation économique montre qu’une réduction des ajustements au cours du processus d’échange d’hydroélectricité peut atteindre 50 % grâce à l’utilisation de prévisions saisonnières par régression linéaire avec des données sur la neige. Pourtant, dans l’ensemble, l’impact économique de cette amélioration des prévisions de débit entrant s’est avéré difficile à quantifier. Le commerce et la production d’énergie sont des processus complexes dans lesquels de nombreux facteurs jouent un rôle (fluctuations du marché, fluctuations des prix, stratégies individuelles d’exploitation et de commerce, facteur humain, entre autres). Une ou plusieurs études individuelles approfondies auprès des producteurs d’énergie seraient nécessaires pour permettre une quantification.
- De manière générale, les partenaires industriels perçoivent positivement le potentiel de cette technologie. Des augmentations de revenus de 50 000 à 500 000 euros par an en moyenne sont envisagées selon les installations. En outre, elle est perçue comme une étape vers la numérisation et une durabilité accrue de l’industrie hydroélectrique. Plus précisément, cela contribuera à renforcer la position de la production hydroélectrique suisse sur le marché de l’énergie sans qu’il soit nécessaire de l’étendre et de porter atteinte aux cours d’eau, soutenant ainsi l’Objectif de développement durable 7 et la législation suisse sur la protection des eaux. Étant donné que seules 4 années de données satellitaires sont actuellement disponibles, des réductions encore plus importantes de l’erreur de prédiction sont attendues avec davantage de données (idéalement 8 années ou plus) à l’avenir.
- L’utilisation de modèles d’apprentissage automatique ne permet d’améliorer certaines prévisions que de manière marginale. Cependant, le développement de tels modèles rend la méthodologie plus complexe, sans pour autant améliorer suffisamment les performances.
|
