A potenciális szélenergia és az időjárási frontok kapcsolata Magyarországon

Átírás

1 TAR KÁROLY és PUSKÁS JÁNOS A potenciális szélenergia és az időjárási frontok kapcsolata Magyarországon

2 1. A front-tipizálás Puskás-féle módszere. 2. A front-típusok statisztikája. 3. A front-típusok átlagos szélsebessége. 4. A front-típusok és a szeles napok száma. 5. A napi átlagos szélsebesség megváltozása frontos és frontnélküli napokon. 6. A potenciális szélenergia napi menete frontos és frontnélküli napokon 7. A front típusok potenciális szélenergiája.

3

4 OKKLÚZIÓS FRONT MELEGFRONT HIDEGFRONT

5 IDŐJÁRÁSI FRONTOK TÍPUSAI A KÁRPÁT-MEDENCÉBEN

6 MEGHATÁROZÁS

7 MEGHATÁROZÁS

8 HELYZET SZERINT közelítő tartózkodó

9 közelítő

10 tartózkodó

11 FRONTTÍPUSOK

12 KÖZELÍTŐ HIDEGFRONT 1.

13 TARTÓZKODÓ HIDEGFRONT 2.

14 KÖZELÍTŐ MELEGFRONT 3.

15 TARTÓZKODÓ MELEGFRONT 4.

16 KÖZELÍTŐ OKKLÚZIÓS FRONT 5.

17 TARTÓZKODÓ OKKLÚZIÓS FRONT 6.

18 7. KÖZELÍTŐ MELEG- és HIDEGFRONT

19 TARTÓZKODÓ MELEG- és HIDEGFRONT 8.

20 MELEG-, HIDEG- és OKKLÚZIÓS FRONT 9.

21

22 A front-típusok statisztikája év tél tavasz nyár ősz nap % nap % nap % nap % nap % átlag 121,3 33,2 50,5 55,9 59,1 64,2 61,6 67,0 63,0 69,2 max , , , , ,2 min , , , , ,8 ingás 66 18, , , , ,4 A frontos napok gyakoriságának átlagos és szélső értékei, változékonysága ( )

23 A front-típusok statisztikája % 35 A frontos napok és az egyes front-típusok gyakorisága, Fr

24 A front-típusok statisztikája nap A havonkénti frontos napok száma 1971.jan dec. lineáris trend: y=-0,006x+11, átlag 10,0 szórás 3,3 var.eh. 0,33 Min. 1 Max A havonkénti frontos napok száma és tendenciája. év.hó A havonkénti frontos napok számának alapstatisztikái

25 A front-típusok statisztikája gyakoriság A havonkénti frontos napok eloszlása FR (nap) 0 megf. Poisson

26 A front-típusok statisztikája % megfigyelt közelített hó.nap A frontok naptári naponkénti gyakoriságának éves menete és a kiegyenlítő függvény.

27 A front-típusok statisztikája Átmenet valószínűségek típusból típusba ( ), 0: nincs front

28 p(h) A front-típusok statisztikája h (nap) A fontmentes és frontos intervallumok alapstatisztikái ( ). FN FR A fontos és a frontmentes napokból álló intervallumok hosszúság szerinti eloszlása. Fontment es FN Frontos FR átlagos hossz (nap) 3,6 1,7 szórás (nap) 3,2 1,1 var.együttható 0,91 0,65 maximum (nap) P 0,281 0,588

29 Debrecen Budapest Szombathely A front-típusok szélsebességének statisztikai szerkezete típus tél 3,7 4,1 3,4 4,1 3,5 3,9 3,5 4,7 4,6 tavasz 4,4 4,0 3,3 4,8 4,0 6,6 4,3 4,4 5,5 nyár 3,4 4,0 2,8 3,5 3,4 4,7 3,2 3,5 3,7 ősz 3,1 2,8 2,9 3,6 3,4 5,8 3,7 3,7 3,1 év 3,7 3,7 3,2 4,1 3,7 5,5 3,7 4,0 3,8 tél 3,2 3,1 2,5 3,0 2,2 1,8 2,8 3,3 3,2 tavasz 3,4 3,5 2,8 2,9 2,9 2,5 3,2 3,2 2,6 nyár 2,8 3,0 2,4 2,5 2,2 2,6 2,6 2,5 2,7 ősz 2,6 2,8 2,3 2,4 2,6 2,9 2,8 2,7 2,7 év 3,0 3,1 2,5 2,8 2,6 2,5 2,9 2,9 2,7 tél 3,4 3,0 3,3 3,6 2,1 2,8 3,6 3,7 3,4 tavasz 3,8 4,0 2,9 3,4 3,6 3,3 3,2 3,6 4,0 nyár 2,7 2,9 2,7 2,7 2,2 2,7 2,5 2,8 2,8 ősz 2,9 3,2 2,6 2,8 2,7 3,7 2,6 2,7 3,3 év 3,2 3,3 2,9 3,2 2,8 3,2 3,0 3,2 3,2 Az egyes fronttípusok évszakos és éves átlagsebessége (m/s).

30 A front-típusok szélsebességének statisztikai szerkezete Kékestető Szombathely Pécs Győr Budapest Szeged Debrecen TI 4,3 3,3 2,9 2,3 2,5 3,1 2,7 FN 4,1 3,1 2,8 2,1 2,4 2,9 2,6 FR 4,7 3,8 3,3 2,6 2,8 3,5 3,1 FR/FN 1,15 1,23 1,18 1,24 1,17 1,21 1,19 1 5,0 3,7 3,3 2,7 3,0 3,7 3,2 2 4,5 3,7 3,4 2,7 3,1 3,7 3,3 3 4,9 3,2 2,9 2,5 2,5 3,4 2,9 4 4,7 4,0 3,5 2,6 2,7 3,6 3,2 5 3,7 3,7 2,9 2,2 2,5 3,0 2,8 6 4,0 5,4 3,5 2,4 2,5 3,3 3,2 7 4,8 3,7 3,4 2,6 2,9 3,8 3,0 8 4,2 4,0 3,3 2,5 2,8 3,5 3,2 9 4,4 3,8 3,4 2,7 2,7 3,5 3,2 A teljes időszak (TI) a frontnélküli napok (FN) és a frontos napok (FR), valamint az egyes front-típusok (1-9) átlagos szélsebességei (m/s).

31 A front-típusok és a szeles napok Szeged száma. Pécs Debrecen Budapest Keszthely Szombathely Kékestető Nf -0,286-0,346-0,316-0,271-0,118-0,288-0,246 Fr 0,307 0,362 0,337 0,278 0,118 0,303 0, ,241 0,157 0,157 0, ,166 0,134 0,274 0,143 0,094 0, ,099-0,099-0,099 0, ,104 0, , ,132 0,108 0,102 0, ,124 0,091 0, ,114 0,178 0,248 0,242 0,151 0,141 0, ,099 0,143 0,160 0,099 A szeles napok havi száma és a frontmentes (Nf), a frontos (Fr) napok, valamint a különböző fronttípusok havi gyakorisága közötti 0,05 és 0,1 valószínűségi szinten szignifkáns korrelációs együtthatók

32 A napi átlagos szélsebesség megváltozása frontos és frontnélküli napokon A napi átlagos szélsebesség idősorában megfigyelhető napról napra történő változásokat a v ka v k v v relatív mennyiséggel jellemezzük, ahol v a az aktuális nap, v k pedig a következő nap átlagos szélsebessége. a a

33 , hét állomás A különböző események (van front: FR, nincs front: FN) egymásra következésének valószínűségei ( ). (a: az összes naphoz viszonyítva, b: az összes frontmentes vagy frontos naphoz viszonyítva). a frontok figyelembe vétele nélkül v a. b. p(fn FN) 0,495 0,720 p(fn FR) 0,193 0,280 p(fr FR) 0,120 0,384 p(fr FN) 0,193 0,616 FN FN FN FR FR FN FR FR >0 (%) v >0 (%) v >0 (%) v >0 (%) v >0 (%) Budapest 0,09 52,1 0,04 49,5 0,24 64,0 0,04 44,0 0,16 57,0 Debrecen 0,13 52,5 0,08 49,6 0,30 62,0 0,06 49,1 0,12 54,9 Szombathely 0,17 51,7 0,10 50,2 0,38 61,6 0,05 43,1 0,30 55,7 Pécs 0,11 52,0 0,08 50,0 0,26 61,7 0,02 44,7 0,16 56,1 Győr 0,16 51,4 0,15 51,1 0,28 58,5 0,04 43,5 0,19 53,7 Szeged 0,12 51,5 0,08 49,6 0,29 60,3 0,02 44,2 0,15 56,7 Kékes 0,10 51,6 0,14 56,4 0,11 49,4 0,02 44,3 0,03 47,4 A napi átlagos szélsebesség napról napra történő változását jellemző relatív mennyiség átlagos értéke ( v ) és pozitív értékinek gyakorisága (>0 (%)).

34 , két dunántúli állomás Fertőújlak és Balatonmagyaród Almás-sziget Balatonmagyaród Almás-sziget Fertőújlak Földrajzi szélesség (N) 46 38' ' Földrajzi hosszúság (E) 17 13' 16 o 50' Tengerszint feletti magasság (m) ,5 Anemométer magasság (m) 6 11,4 A szélsebességek 10 m-re transzformálása: v h =v 10 (0,233+0,656lg(h+4,75)) (WMO) v v 10 h 10 h 0,25 (Hellmann)

35 1. Balatonmagyaród Almás-sziget; 2. Fertőújlak átlagos szélsebesség (m/s) variációs az anemométer 10 m WMO 10 m Hellmann együttható magasságában frontok figyelembe vétele nélkül frontos napok (FS) frontnélküli napok (FN) száma % anticiklonális napok (AG) ciklonális napok (CG) frontnélküli napok (FN) frontos napok (FS)

36 A napi átlagos szélsebesség relatív változásának ( v ka ka frontok és helyzetek nélkül v ka Balatonmagyaród Almás-sziget v >0 átlag variációs módusz (%) [ vka ] együttható vka ) statisztikai jellemzői. v ka >0 (%) Fertőújlak átlag variációs v ] együttható [ ka módusz v FN/FN FS/FN FN/FS FS/FS AG/AG CG/AG AG/CG CG/CG ka

37 (-1.0)-(-0.8) (-0.8)-(-0.6) (-0.6)-(-0.4) (-0.4)-(-0.2) (-0.2) A napi átlagos szélsebesség relatív megváltozásának eloszlása a teljes idősorra. rel.gyak A napi átlagos szélsebesség relatív megváltozásának eloszlása (az időjárási helyzetek figyelmen kívül hagyásával) Balatonmagyaród Almás-sziget Fertőújlak v ka

38 A napi átlagsebességek becslésének átlagos hibái: Balatonmagyaród Almás-sziget Fertőújlak becslő paraméter a hiba típusa frontok és helyzetek nélkül frontokkal helyzetekkel frontok és helyzetek nélkül frontokkal helyzetekkel [ vka ] vka átlagos hiba átlagos abszolút hiba átlagos hiba átlagos abszolút hiba

39 A potenciális szélenergia napi menete frontos és frontnélküli napokon Periodikus függvény illesztése a szélsebességköbök napi menetére (egy napos és félnapos periódus). A villamos-energia termelés szempontjából nyilván azok a napok előnyösebbek, amelyeken a szélsebesség köbök óraátlagának napi menete egyszerű, azaz egy maximummal és egy minimummal rendelkezik. Vizsgálataink szerint tavasszal és nyáron elég nagy biztonsággal számíthatunk arra, hogy a szélenergia napon belüli változása a villamos energia rendszerirányítás számára kedvezőbb módon alakul.

40 A félnapos hullám realitásának havi gyakoriságai (p=0,17): % A 2 /E>1.5 lowland (1) non-lowland (2) (2)+Kékes 7 stations months I. II. III. IV. V. VI. VII. VIII. IX. X. XI. XII.

41 Feltételezhető azonban, hogy a félnapos periódus realitása vagy véletlenszerűsége az időjárási helyzetnek is függvénye % gyakoriság 1. Debrecen 2. Szeged 3. Budapest 4. Pécs 5. Keszthely 6. Szombathely 7. Kékes átlag 1, 2, 3, 5, 6 átlag t1 t2 t3 t4 t5 t6 t7 t8 t9 front-típusok

42 % Az egyes fronttípusok relatív gyakorisága Fronttípusonként reális félnapos vannak hullám esetén: különbségek: az egyes állomásokon a maximumoknál mindig jelen van a melegfront, minimumok pedig döntően valamelyik okklúziós típusban figyelhetők meg. Az átlagok pedig azt mutatják, hogy a félnapos reális periódus leggyakrabban a két melegfronti típusban, ezt követően a közelítő meleg- és hidegfront, legritkábban pedig a két okklúziós típus esetén következik be. Ha csak a front nélküli és a frontos napokat különböztetjük meg, akkor azt tapasztaljuk, 1. Debrecen 2. Szeged hogy reális félnapos 3. Budapest periódus 4. Pécs 5. Keszthely esetén ezek 6. gyakorisága Szombathely 7. Kékes mean 1, 2, 3, 5, 6állomásonként mean és átlagosan 1-7 is alig különbözik egymástól. front-types

43 A front típusok potenciális szélenergiája: Egy nem feltétlenül egymás után következő napokból álló időszak egy napjára átlagosan jutó fajlagos szélteljesítmény (P dm ) meghatározására kidolgozott módszerünk lényege, hogy a mérési időpontok szélsebesség köbeinek átlagaira egy folytonos függvényt, egy két hullámból álló trigonometrikus polinomot illesztünk, majd meghatározzuk ennek a görbe alatti területét. Az így kiszámolt, a P dm -mel arányost ga értékek szerint a teljes és a frontmentes időszakokban az egy napra átlagosan eső szélteljesítmény Kékestetőn a legnagyobb, a frontos napok esetében azonban Szombathelyen. A minimum mindhárom esetben Győrben figyelhető meg.

44 A szélsebesség köbök átlagának ([v 3 ]) napi menetére illesztett közelítő függvény ([v 3 ] köz )és ennek görbe alatti területe (T ga ). [v 3 ], [v 3 ] köz (m 3 /s 3 ) 160 Debrecen, május, 10 m [v3]köz (két hullám) [v3] (megfigyelt) T ga 20 0 óra

45 A teljes időszak és a frontos időszak, valamint az egyes fronttípusokkal jellemzett időszak egy napjára átlagosan eső szélteljesítmény a frontnélküli időszak egy napjára átlagosan eső szélteljesítmény százalékában. Kékestető Szombathely Pécs Győr Budapest Szeged Debrecen TI/FN FR/FN t1/fn t2/fn t3/fn t4/fn t5/fn t6/fn t7/fn t8/fn t9/fn Bármilyen front megjelenése kb %-kal növeli a szélenergiát a frontnélküli időszakhoz képest. A legkevésbé energikus front-típusok a t5 és t3. A legenergikusabb front-típusok pedig a következők: t1, t4, t6, t7

46 A táblázat szerint Kékestetőn és a síkvidéki állomásokon a t5 típus (közelítő okklúziós front) rendelkezik a legkisebb szélenergiával, ami a szélsebességről elmondottak alapján várható. Debrecent kivéve e típus szélenergiája kevesebb, mint a frontnélküli napoké! Szombathelyen és Pécsett a minimális szélenergia a t3 típusban (közelítő melegfront) figyelhető meg. A legkevésbé energikus front-típusok tehát a t5 és t3. A maximális energiájú típusok már nem mutatnak ilyen szabályosságot, mindössze annyit, hogy ezek a síkvidéki állomásokon és Kékestetőn a t1 és t7 típusok (közelítő hidegfront és közelítő melegés hidegfront) között váltakoznak. Ezeken az állomásokon tehát az ilyen fronttípusok megjelenése növeli legnagyobb mértékben a szélenergia mennyiségét. Szombathelyen a t6 (tartózkodó okklúziós front) Pécsett pedig a t4 típus (tartózkodó melegfront) rendelkezik ezzel a tulajdonsággal. Legerősebb hatása a t6 típusnak van Szombathelyen, hiszen hatására majdnem négyszeresére (391,9 %) növekszik a szélenergia a frontnélküli napokéhoz képest. A további sorrend: t1 Budapest 206,1 %, t7 Szeged 195,8 %, t1 Debrecen 182,0 %, t4 Pécs 181,9 %, t1 Győr 161,7 %, t3 Kékestető 158,6 %. A legenergikusabb front-típusok tehát a következők: t1, t3, t4, t6, t7

47 A havi átlagos fajlagos szélteljesítmény és a front nélküli (Nf), a frontos (Fr), valamint a különböző front-típusokkal rendelkező napok (1-9) gyakorisága közötti szignifikáns korrelációs együtthatók (r, 0,05 és 0,10 valószínűségen), valamint az ezekhez tartozó regressziós együtthatók (b), és érzékenységi indexek (b*). Debrecen Szeged Budapest Pécs Keszthely Szombathely Kékestető b* r b r b b* r b b* r b b* r b b* r b b* r b b* (%) Nf -0, ,6-3,9-0, ,9-3,0-0, ,7-5,2 Fr 0, ,2 3,9 0, ,7 2,6 0, ,2 5,3 1 0, ,6 6,8 0, ,2 4,8 2-0, ,8-10,8 3 0, ,1 6,5 0, ,5 13,2 4 0, ,0 8,4 0, ,7 16,2 5 0, ,8 24,7 6 0, ,8 13,4 7 0, ,8 15,4 8 9 A front nélküli és a frontos, valamint a különböző front-típusokkal rendelkező napok gyakorisága az összes esetnek mindössze 21 %-ában befolyásolja valamilyen irányban a havi átlagos fajlagos szélteljesítmény értékét. Debrecenben és Kékestetőn a frontos és s front nélküli napok száma ugyanolyan erős, de természetesen ellenkező előjelű hatást gyakorol erre, Szegeden viszont a front nélküli napok hatása erősebb. Az összes többi állomáson nincs kimutatható ilyen jellegű kapcsolat. A front-típusok közül a 8-as, ill. a 9-es (egyidejűleg tartózkodó meleg- és hidegfront, ill. egyidejűleg tartózkodó meleg-, hideg- és okklúziós front) gyakorisága semmilyen hatással nincs a szélteljesítményre, a többi típus is csak egy-két állomáson fejti ki hatását

48 T gam Debrecen, T gam Budapest, T gam = V m R 2 = T gam = V m R 2 = V m (m 3 /s 3 ) V m (m 3 /s 3 ) T gam Szombathely, T gam = V m R 2 = V m (m 3 /s 3 ) A havi átlagos fajlagos szélteljesítménnyel arányos görbe alatti terület (T gam ) és a szélsebesség köbök havi átlaga (V m ) közötti lineáris korreláció és regresszió A korrelációs és a regressziós együtthatók jó közelítéssel egyenlők a három, nagyjából egyforma szélességen fekvő állomáson. Országosan sem lehet nagy különbség. A havi átlagos szélsebességből tehát jól becsülhető a hónap egy napjára átlagosan eső szélteljesítmény.

49 Tervek: A napi átlagos szélteljesítmény és az időjárási helyzetek (fronttípusok) átlagos szélsebességének kapcsolata. A napi átlagos szélsebesség naponkénti változásának statisztikai szerkezete és a napi átlagos szélteljesítmény kapcsolata A napi szélteljesítmény becslésére kidolgozott modell (SLIDAV) adaptálása frontos és frontmentes napokra.

50 A néhányszor 100 kw-os szélturbinák telepítésével 2000-ben nálunk is elkezdődött a szélenergia nagyüzemi hasznosítása..

51 Jelenleg (2010. szeptember) hazánkban 37 helyen 155 darab szélerőmű üzemel MW összteljesítménnyel (

52 KÖSZÖNETNYÍLVÁNÍTÁS A szerzők köszönetet mondanak a Társadalmi Megújulás Operatív Program Az időjárási helyzetek potenciális szélenergiájának területi eloszlása Északnyugat- Dunántúlon című (TÁMOP /08/1) projektnek a kutatás támogatásáért. KÖSZÖNJÜK A FIGYELMET!