Isbeläggning bromsar vindkraft

Isbeläggningar på vindkraftverk leder till minskad produktion. Samtidigt måste ett fungerande elsystem hela tiden ha en balans mellan produktion och förbrukning av el. Därför är prognoser för dessa produktionsförluster mycket viktiga, inte bara för själva elsystemet utan även för elhandeln. Jennie Molinders doktorsavhandling adresserar osäkerheter inom detta område med hjälp av probabilistiska maskininlärningsmetoder.

Vindkraftverk på vintern
Produktion av vindkraft är mycket väderberoende, inte minst med hänsyn till istillväxt på vindkraftverken.

Sverige bygger ut den landbaserade vindkraften. Ett exempel är Markbygden nära Piteå där Europas största vindparksprojekt just nu pågår. Inte mindre än 1101 vindkraftverk växer fram. Dock skapar vädret inte enbart möjligheter genom vind till kraftproduktionen, vädret kan även skapa problem genom nedisning. Isbeläggningar minskar inte bara själva produktionen utan leder också till säkerhetsproblem.

Genom Energimyndighetens program ”Vindkraft i kallt klimat” fick SMHI ett forskningsprojekt för att undersöka hur man förbättrar prognoser för nedisning och relaterade produktionsförluster för vindkraft. Heiner Körnich, som är chef för SMHIs forskargrupp för meteorologi har varit handledare för doktoranden Jennie Molinder som i början på februari 2021 disputerade vid Uppsala Universitet med avhandlingen ”Forecasting of Icing Related Wind Energy Production Losses – Probablistic and Machine Learning Approaches.”

Maskininlärning förbättrade prognoserna

– Det hela började med att vi identifierade ett samhällsbehov för våra prognoser. I det här fallet handlade det om nedisning av vindkraft. Det var ett område där vi redan hade en del erfarenheter kring de osäkerheter som fanns i produktionskedjan. Genom att adressera dessa skulle vi kunna förbättra vår produkt, säger Heiner Körnich. 

Detta var just vad Jennie gjorde. Hon undersökte produktionskedjan bit för bit och funderade över hur hon skulle kunna uppskatta osäkerheterna och få med dem.

– Prognoserna blev allt bättre, och allra bäst blev de när vi använde oss av maskininlärning. För att jämföra och utvärdera olika kombinationer av metoder använde vi oss av produktionsdata från vindparker i Sverige, säger Heiner Körnich.

Planering av underhåll och avisning

Detta är till nytta vid planering av platsunderhåll och för användning av avisningssystem, eftersom man då kan förutse eventuell isbildning på vindkraftverken. Vi blir också bättre på att använda förnybar energi i form av vindkraft i kalla klimat.

– Det är kul, givande och utvecklande att vara handledare. Man utvecklar sin kunskap tillsammans med doktoranden. I det här fallet lärde jag mig mer om nya metoder och hur våra prognoser kan tillämpas och förbättras, särskilt inom området förnybar energi, säger Heiner Körnich.

Givande samarbeten med universitet

Som forskande expertmyndighet har SMHI stor nytta av samarbeten med universitet.

– Vi kan testa nya forskningsmetoder och samverka med andra experter från universitet. Vi lär oss också mycket under själva arbetet och bygger upp relationer, inte bara i form av forskningssamarbeten utan också med studenter som blir intresserade av SMHI som framtida arbetsgivare.