Czy miesiąc grudzień sprzyjać będzie uzyskowi energii elektrycznej z elektrowni wiatrowych?

Może zacznę od tego, że energia wytworzona z odnawialnych źródeł bezpośrednio wiąże się z czynnikami meteorologicznymi takimi choćby jak: opad, wiatr, promieniowanie słoneczne. Jeżeli świeci słońce to pozyskujemy energię z instalacji fotowoltaicznych, jeżeli pada deszcz to zbieramy wody dla elektrowni wodnych, a jak wieje wiatr to napędza nam elektrownie wiatrowe. Na podstawie prognoz pogody jesteśmy przewidzieć jak będą się kształtować te parametry w krótkim, średnim czy długim terminie. Musimy mieć jednak na względzie to, że im dłuższa prognoza tym wyższym błędem obarczona. Ale to właśnie te średnio i długoterminowe prognozy są najciekawsze, i mają znaczenie w wielu aspektach życia społeczno-gospodarczego.

Nie może dziwić zatem fakt, że w 1975 roku w Europie ustanowiona została organizacja o nazwie The European Centre for Medium-Range Weather Forecasts (ECMWF). Jest ona zarówno instytutem badawczym jak i całodobową służbą operacyjną, tworzącą i rozpowszechniającą numeryczne prognozy pogody dla państw członkowskich. Ośrodek komputerowy ECMWF robi wrażenie. Żałować można jedynie, że Polska jako kraj nie jest bezpośrednio ani członkiem ani nawet członkiem współpracującym organizacji ECMWF.

Na szczęście ECMWF jest członkiem realizowanego przez Komisję Europejską programu kosmicznego Copernicus, który można nazwać jako kluczowy komponent służący obserwacji Ziemi z uwagi na dostarczanie informacji na temat zmian klimatycznych, składu atmosfery, zagrożenia powodziowego czy pożarowego

Climat Data Store

W ramach tego wpisu interesować będzie mnie temat zmian klimatycznych, gdyż to w ramach tej usługi, a konkretniej Climate Data Store (CDS) poszukamy informacji prognostycznych dotyczących prędkości wiatru na wysokości 10 metrów (https://climate.copernicus.eu/climate-datasets)

Climate Data Store jest podstawową infrastrukturą, która wspiera wdrażanie usług C3S (Copernicus Climate Change Service) dostarczając podstawowych zmiennych klimatycznych, analiz klimatycznych, reanaliz, prognoz i wskaźników w skalach czasowych i przestrzennych. System CDS został tak zaprojektowany, że można używać różnych metod pozyskiwania danych tzn. poprzez interfejs webowy, za pomocą API oraz korzystając z zestawu narzędzi CDS. Ale w ogóle pierwszym krokiem by móc skorzystać z tej niezmiernie bogatej bazy danych jest utworzenie konta w serwisie. Rejestracja przebiega sprawnie z wymaganym mailowym potwierdzeniem. Potem mamy już dostęp do przebogatego zbioru danych i aplikacji. Warto zaznaczyć, że dostęp ten jest bezpłatny.

Do wyszukania potrzebnych nam informacji możemy posłużyć się liniową lub zaawansowaną wyszukiwarką. Przyznać trzeba, że należy się dobrze wczytać w opis danego zbioru danych.

Wprowadzamy słowo kluczowe „wind” i „seasonal forecasts” z rodzajów dostępnych produktów. Dostajemy listę zbiorów danych, skąd wybieramy najwłaściwszą zgodnie z naszą potrzebą. Powiedzmy, ze będzie to „Seasonal forecast anomalies on single levels”

Jak z nazwy wynika będą to prognozy dotyczących anomalii, czyli zdarzeń różnych od średnich wieloletnich. Dlaczego anomalii? A dlatego, że takie modyfikacje, nazwijmy to zwykłych warunków atmosferycznych, są właśnie istotą prognoz średnio i długoterminowych, czyli tych z zakresem powyżej kilku najbliższych dni. A sam model prognozowania. Obejmuje wiele kluczowych składników charakterystycznych dla atmosfery, oceanów i powierzchni ziemi. I jest wielosystemowy, co oznacza że dane wytworzone przez najnowocześniejsze systemy prognoz sezonowych opracowane, wdrożone i eksploatowane w ośrodkach prognostycznych w krajach europejskich są gromadzone, przetwarzane i łączone ze sobą. Zresztą tak jak wspomniałem, warto poświęcić trochę czasu by zapoznać się z opisem wybranego zbioru danych, a także zachęcam do zapoznania się z dokumentacją zbioru. Każdy zbiór danych jest bardzo dobrze skatalogowany i opisany w czterech zakładkach: Overview, Downloaded data, Quality assessment oraz Documentation.

Pobieranie danych z CDS

Także po zapoznaniu się z zawartością możemy przejść do pobierania danych. To również rozbudowane narzędzie służące do wyboru potrzebnych danych. Dla realizacji naszego przykładu wybiorę następujące wartości:

Fajna rzecz – na dole strony mamy przycisk „Show API request”, który generuje nam format naszego zapytania API. Zwyczajnie będziemy mogli go sobie przekopiować i zastosować.

To przejdźmy obecnie do środowiska Jupyter Notebook, gdzie przeprowadzimy wizualizację pozyskanych danych z Coopernicusa. Przypominam o konieczności wcześniejszej rejestracji konta w serwisie CDS aby uzyskać identyfikator użytkownika oraz klucz API. Sposób instalacji przedstawiony jest tutaj.

Ściągnięte dane są w formacie GRIB, który jest powszechnie stosowany do rozpowszechniania danych modeli atmosferycznych.  Do ich analizowania i wizualizacji opracowano bibliotekę xarray, z której skorzystamy. Odczyt danych realizujemy metodą open_dataset, gdzie podajemy nazwę pliku i wykorzystany w odczycie danych silnik. W tym przypadku będzie to właśnie „cfgrib”.

Dane można w łatwy sposób podejrzeć korzystając z ikonek zamieszczonych na końcu każdej z linii.  Dane z prognozą dla ewentualnych anomalii prędkości wiatru na wysokości 10 m zamieszone są pod zmienną ua10. Oczywiście przeglądanie w układzie tabelarycznym nie jest miłe dla oka. Stąd też przekształcę wyniki prognozy do postaci mapy.

W tym celu importuję bibliotekę geopandas, która pozwoli wczytać granice zewnętrzne Polski z posiadanego przez mnie pliku shapefile. Plik ten pozyskać można ze strony https://www.naturalearthdata.com/. Skorzystam także z biblioteki cartopy dla określenia projekcji tworzonej mapy przestrzennej.

Przygotowany kod przedstawiono poniżej.

Uzysk energii elektrycznej z elektrowni wiatrowych

Efekt końcowy to mapa obrazująca prognozę dotyczącą odstępstw od normy wieloletniej dla prędkości wiatru w miesiącu grudniu 2022 roku na wysokości 10 m. Przy przyjętej skali możemy odczytać pogorszenie wietrzności w pasie nadmorskim. Na pozostałej części terytorium Polski warunki nie będą odbiegały od normy, wręcz będą lekko na plus, w szczególności we wschodniej części kraju.

Odnośniki

1. Copernicus Climate Change Service – https://climate.copernicus.eu/climate-datasets
2. European Centre for Medium-Range Weather Forecasts – https://www.ecmwf.int/en/forecasts/datasets
3. Python interface to map GRIB files to the NetCDF Common Data Model – https://pypi.org/project/cfgrib/
4. Xarray documentation – https://docs.xarray.dev/en/stable/index.html
5. Geopandas – https://geopandas.org/en/stable/getting_started.html
6. Cartopy – https://scitools.org.uk/cartopy/docs/latest/index.html