The volatility of wind power feed-in threatens system security. Statistical minute-scale power forecasts are used to support grid balancing but fail during ramp events. The aim of the thesis was the development of probabilistic minute-scale power forecasts for offshore wind farms based on lidar measurements and turbine operational data as a physical-based alternative. Firstly, a method based on dual-Doppler radar data was extended to the needs of single long-range lidar scans. Next, uncertainty related to wind speed height extrapolation and atmospheric stability was characterized. The forecast availability and skill for wake-impacted turbines were enhanced by combing lidar and operational data. Finally, the forecasts of wind turbines were aggregated to a probabilistic wind farm power forecast using copulas. Our work proved the potential of observer-based forecasts and gave valuable insight into the dependence of forecast skill on atmospheric conditions and the measurement set-up.
Die Volatilität der Windenergie-Einspeisung bedroht die Netzstabilität. Statistische Kürzestfrist-Leistungsprognosen sollen diese unterstützen, versagen aber bei Rampenereignissen. Ziel der Arbeit war die Entwicklung von probabilistischen Kürzestfrist-Leistungsprognosen für Offshore-Windparks mittels Lidarscans und Turbinen-Betriebsdaten als physikalische Alternative. Erst wurde eine auf Dual-Doppler-Radardaten basierte Methode auf single Lidarscans erweitert. Dann wurden die Unsicherheiten der Extrapolation der Windgeschwindigkeit und der atmosphärischen Stabilität untersucht. Die Kombination von Lidar- und Betriebsdaten verbesserte Vorhersageverfügbarkeit und -skill von Turbinen im Nachlauf. Turbinenvorhersagen wurden mittels Copulas zu einer probabilistischen Windpark-Vorhersage aggregiert. Diese Arbeit hat das Potenzial beobachtergestützter Vorhersagen bewiesen und Erkenntnisse zur Abhängigkeit des Vorhersageskills von atmosphärischen Bedingungen und dem Messaufbau geliefert.
