Methodik

Datengrundlage

Wetterdaten von 75 Wetterstationen in und um Kasachstan. Die Karte zeigt die Lage der Wetterstationen.
alle bisher verfügbaren OSM-Daten von Kasachstan (darunter Straßen, Eisenbahnlinien, Gebäude, Flüsse, Seen etc.)
Naturschutzgebiete und Stromleitungen in Kasachstan
SRTM-Daten
Die Quellen der Datengrundlage sind unter dem Reiter Quellen zu finden.

Interpolation der Windgeschwindigkeiten

Für die Interpolation der Windgeschwindigkeiten wurden zuerst die Durchschnittswindgeschwindigkeiten pro Monat und pro Jahr für jede Station berechnet. Da die Windgeschwindigkeiten auf einer Höhe von 10m aufgenommen wurden, Windkraftanlagen aber Nabenhöhen um 100m erreichen, wurde die Windgeschwindigkeiten mit dem Potenzansatz nach Hellmann in einer Höhe von 100m berechnet.

Über den Hellmann-Exponenten wird die Rauigkeit der Geländeoberfläche mit in die Berechnung der Windgeschwindigkeiten einbezogen. Da die Flächenpotenziale für Windkraftanlagen auf unbebauten, offenen Flächen vermutet werden, wird eine Rauigkeitslänge von 0,03m angenommen, die die Rauigkeit von landwirtschaftlichem Gelände mit sehr wenigen Bäumen beschreibt (Hau 2014:558). Der Hellmann-Exponent liegt somit bei 0,1233.

Um die für die Interpolation von Windgeschwindigkeiten am besten geeignete Methode auszuwählen, wurden die statistischen Kennzahlen verschiedener Interpolationsmethoden miteinander verglichen. Auf diese kann man zugreifen, wenn man die Interpolationsmethoden des Geostatistical Analysts in ArcGIS verwendet.

Ein genaues Vorhersagemodell zeichnet sich dadurch aus, dass die Wurzel der mittleren Fehlerquadratsumme möglichst klein ist (ESRI 2008). Dies bedeutet, dass die Abweichungen des durch das Regressionsmodell geschätzten Wertes zum tatsächlichen Messwert möglichst gering sind und somit der geschätzte Wert sehr nah am tatsächlichen Wert liegt (ESRI 2020o).
Auch der durchschnittliche Standardfehler sollte so gering wie möglich sein, da je geringer der Standardfehler, umso genauer kann der zu unbekannte Wert aus dem Modell geschätzt werden (ESRI 2008). Liegt die Wurzel der standardisierten mittleren Fehlerquadratsumme um 1 und der durchschnittlicher Standardfehler liegt nahe an der Wurzel der mittleren Fehlerquadratsumme kann man sicher sein, dass das Modell für die Vorhersage geeignet ist (ESRI 2020p).
Der mittlere Vorhersagefehler sollte nahe 0 sein, da dies bedeutet, dass sich die geschätzten Werte auf die wahren Werte zentrieren (ESRI 2020n). Er liefert aber keinen Hinweis auf die Genauigkeit der Vorhersage, da sich durch die fehlende Quadrierung in der Formel stark positive und stark negative Abweichungen ausgleichen, sodass man einen mittleren Vorhersagefehler nahe 0 erreichen kann, obwohl das Modell ungenaue Vorhersagen trifft. Da beim mittleren Vorhersagefehler die Skalierung der Daten eine entscheidende Rolle spielt, gibt es als weitere statistische Kennzahl den standardisierten mittleren Vorhersagefehler, welcher die Standardabweichung der geschätzten Werte mit einbezieht (ebd.). Dieser sollte ebenfalls nahe 0 liegen (ebd.).

Da es sich bei der lokalen Polynominterpolation, der inversen Distanzgewichtung und der Interpolation mittels radialer Basisfunktionen um deterministische Interpolationsmethoden handelt, denen kein statistisches Modell zugrunde liegt, kann die Standardabweichung der geschätzten Werte nicht bestimmt werden, sodass für diese Interpolationsmethoden ausschließlich der mittlere Vorhersagefehler und die Wurzel der mittleren Fehlerquadratsumme zur Beurteilung der Güte des Interpolationsmodells herangezogen werden können (ESRI 2020o). Die folgende Tabelle zeigt für die vier Interpolationsmethoden die statistischen Kennzahlen:

Anhand der Wurzel der mittleren Fehlerquadratsumme wird deutlich, dass die Interpolationsmethode des Empirical Bayesian Kriging am besten für die Interpolation von Windgeschwindigkeiten geeignet ist.
Bei dieser Methode weichen die tatsächlichen Messwerte im Schnitt um 1,51m/s vom durch das Regressionmodell geschätzten Wert ab, was verglichen mit den anderen Methoden der beste Fehlerwert ist. Der durchschnittliche Standardfehler liegt mit 1,55m/s ebenfalls auf dem Niveau der Wurzel der mittleren Fehlerquadratsumme, sodass das Modell für die Interpolation der Windgeschwindigkeiten geeignet ist.
Der mittlere Vorhersagefehler liegt um 0, was ebenfalls eine Voraussetzung für ein gutes Modell ist. Folglich wurde sich für die Interpolationsmethode des Empirical Bayesian Kriging entschieden.

Die Besonderheit beim Empirical Bayesian Kriging ist, dass der Datensatz in sich überlappende Teilmengen aufgeteilt wird und für jede Teilmenge ein Semivariogramm erstellt wird, aus diesem dann unbekannte Werte geschätzt werden (Krivoruchko 2011:156). Aus den geschätzten Werten wird dann wiederum ein Semivariogramm erstellt (ESRI 2020m). So entstehen zahlreiche Semivariogramme für verschiedene Teilmengen. Für die schlussendliche Schätzung unbekannter Datenpunkte werden aus den generierten Semivariogrammen der Teilmenge sowie den Semivariogrammen der Nachbarschaft einzelne Semivariogramme unter Berücksichtigung ihrer Wahrscheinlichkeitswerte ausgewählt (ebd.). Die Nachbarschaftsgröße wird wiederum über einen Suchradius angegeben. Vorteil dieser Methode ist, dass die Unsicherheit bei der Erstellung einer Funktion unter Verwendung eines Semivariogramms durch die Berücksichtigung mehrere Semivariogramme minimiert wird (Krivoruchko 2011:382). Zusätzlich geht das Empirical Bayesian Kriging im Gegensatz zu anderen Kriging – Methoden nicht davon aus, dass es eine Tendenz zum Gesamtmittel gibt, sodass große Abweichungen ebenso wahrscheinlich größer wie kleiner werden (ESRI 2020m). Neben der Interpolationsoberfläche geben stochastische Methoden wie Krigingverfahren ebenfalls Fehleroberflächen aus. Die Prediction Standard Error Map in ArcMap gibt beispielsweise für jeden Punkt im Raster Konfidenzintervalle an (ESRI 2008).

Erstellung der Tabuzonen

Um geeignete Standorte für die Windenergienutzung zu ermitteln, müssen Flächen, die einer Windenergienutzung entgegenstehen vom Untersuchungsgebiet ausgeschlossen werden (Kindler 2018:153f.). Dabei handelt es sich um Flächen, auf denen bereits andere Nutzungen stattfinden oder die aus Gründen des Lärmschutzes, der Sicherheit oder topologischer Gegebenheiten nicht für die Windenergienutzung geeignet sind.

Unterschieden werden die Ausschlussflächen in „Harte Tabuzonen“ und „Weiche Tabuzonen“. Während „Harte Tabuzonen“ eine Windenergienutzung aus rechtlichen oder tatsächlichen Gründen dauerhaft ausschließen, erweitern „Weichen Tabuzonen“ die „Harten Tabuzonen“ um sogenannte Pufferzonen, auf denen Windenergienutzung möglich wäre, die aber nach dem Willen des Plangebers von vorneherein aus der Planung auszuschließen sind (ebd.:154f.). Diese Mindestabstände um ungeeignete Flächen für die Windenergienutzung sollen die Akzeptanz der Windenergienutzung im Planungsraum steigern, da sie negative Auswirkungen der Windenergienutzung auf die Umwelt, wie beispielsweise Lärm und Verschattungen minimieren (ebd.:156).

Im Folgenden ist eine Übersicht über die bei der Untersuchung verwendeten Kriterien gegeben. Um die Übersichtlichkeit zu verbessern, wurden die Ausschlussgebiete hinsichtlich technischer Voraussetzungen, Umweltfaktoren und sozio-ökonomischen Kriterien eingeteilt.

Die nachfolgenden Schritte beschreiben die Ermittlung der Tabuzonen mit ArcGIS:

Zuschneiden aller Eingangsdaten auf die Landesfläche Kasachstans mit dem Tool „Clip“

Pufferung aller Features mit den in der Tabelle angegebenen Werten unter Verwendung des Tools „Buffer“

Ermittlung der Hangneigung mit dem Tool „Slope“ aus den SRTM-Daten

Reklassifizieren des Hangneigungsrasters in Rasterzellen mit einer Neigung > 15% und < 15% mit dem Tool „Reclassify“

Vektorisieren der reklassifizierten Rasterzellen mit einer Neigung > 15% unter Verwendung des Tools „Raster to Polygon“

Vereinigen der Tabuzonen mit dem Tool „Merge“

Ausschluss der Tabuzonen aus der Landesfläche Kasachstans mit dem Tool „Erase“

Ausschluss von verbliebenen Flächen, die für Windenergieanlagen zu klein sind über untenstehende Formel nach Quentin 2019:

Berechnung der Wirtschaftlichkeit

Bei den Windenergieanlagen, die auf Wirtschaftlichkeit an bestimmten Standorten in Kasachstan getestet werden, handelt es sich um Windenergieanlagen der Produktreihe „4 MW platform“ vom Hersteller VESTAS. Die Anlagen unterscheiden sich hinsichtlich ihrer Nennleistung und ihres Rotordurchmessers und sind für verschiedene Windgeschwindigkeiten ausgelegt, was an den Windklasse abzulesen ist.
Die Windklasse setzt sich aus der Windgeschwindigkeit auf Nabenhöhe und der Turbulenzintensität auf Nabenhöhe bei einer Windgeschwindigkeit von 15m/s zusammen.

Die Windgeschwindigkeit wird dabei in drei numerische Klassen eingeteilt (Schäfers 2020):

I=10m/s
II=8,5m/s
III=7,5m/s

Je höher die Klasse, desto niedriger die Windgeschwindigkeit.

Während Anlagen mit einem geringeren Rotordurchmesser für höhere Windgeschwindigkeiten ausgelegt sind, sind Anlagen mit einem höheren Rotordurchmesser für geringere Windgeschwindigkeiten geeignet. Erstere Anlagen gehören zu den Starkwindanlagen, während Anlagen, die für Windgeschwindigkeiten unter 7,5m/s ausgelegt sind, als Schwachwindanlage einzustufen sind (UBA 2013). Demzufolge gehören die Anlagen V150 und V136 zu den Schwachwindanlagen.

Die Anlagentypen sind teilweise in unterschiedlichen Nennleistungen erhältlich. Die Nennleistung einer Windenergieanlagen spielt für die Berechnung von deren Windleistung bzw. deren Stromertragspotenzial keine Rolle, da dieses ausschließlich von den Windgeschwindigkeiten abhängig ist. Sie wird ausschließlich für die Berechnung der Auslastung der Windkraftanlage am jeweiligen Standort verwendet. Hierbei gilt: Je geringer die Nennleistung einer Anlage, desto besser ist sie bei gleicher Windleistung ausgelastet. Folglich wurden für die Untersuchung und Beurteilung der Wirtschaftlichkeit die Anlagen mit der geringsten Nennleistung verwendet.

Um die Leistung einer Windenergieanlage zu berechnen, muss zunächst die Leistung des Windes bestimmt werden. Diese berechnet sich wie folgt (Quaschning 2019:298):

Die Luftdichte ist dabei abhängig vom Luftdruck und der Temperatur und berechnet sich wie folgt (Pfeffer 2020):

Der Luftdruck kann über die Internationale Höhenformel näherungsweise ermittelt werden (Hering et al. 2009:205):

Damit kann nun die Leistung des Windes an jedem Standort bestimmt werden. Um die Leistung einer Windenergieanlage in Form des Stromertrags zu berechnen, muss die Leistung des Windes am Standort mit dem Wirkungsgrad einer Windenergieanlage multipliziert werden (Quaschning 2019:299). Dieser sogenannte Leistungsbeiwert liegt bei modernen Anlagen bei 0,5 (ebd.:300). Für die Leistung einer Windenergieanlage ergibt sich somit folgende Formel:

Eine weitere wichtige Größe zur Beurteilung der Wirtschaftlichkeit und der Jahresauslastung einer Windenergieanlage ist die Volllaststunde. Sie gibt an, wie viele Stunden die Windenergieanlage im Jahr mit voller Leistung betrieben werden müsste, um ihren Energieertrag zu erzeugen, den sie tatsächlich innerhalb eines Jahres umsetzt (Fraunhofer IEE 2020).

Diese berechnet sich, indem die ermittelte Windleistung der Windenergieanlage mit den Jahresstunden multipliziert und durch die Nennleistung der Anlage dividiert wird. Die Nennleistung beschreibt dabei die maximale Leistung der Anlage, die aber nur bei entsprechenden Windgeschwindigkeiten erreicht wird (Paschotta 2020).

Eine weitere Möglichkeit die Jahresauslastung einer Windenergieanlage darzustellen, ist der Jahresnutzungsgrad oder auch Kapazitätsfaktor. Dieser beschreibt den Anteil der Volllaststunden an den Jahresstunden und berechnet sich demnach mit folgender Formel (Klimpel 2012):

Neben wirtschaftlichen Kennzahlen lassen sich aus der Leistung der Windenergieanlage auch ökonomische Kennzahlen wie beispielsweise die Kohlenstoffdioxid-Vermeidung berechnen. Nach einer Studie des Umweltbundesamtes aus dem Jahr 2019 mit dem Titel „Emissionsbilanz erneuerbarer Energieträger“ vermieden Windenergieanlagen an Land pro erzeugter Kilowattstunde 631,41g Kohlenstoffdioxid (UBA 2019:50). Dieser Vermeidungsfaktor ergibt sich über die Differenz zwischen den Kohlenstoffdioxid-Emissionen einer mit Windenergie und mit fossilen Brennstoffen erzeugten gleichen Menge Strom (ebd.:19). Die Kohlenstoffdioxid-Emissionen, die bei der Stromerzeugung mit Windenergie entstehen, ergeben sich fast ausschließlich über die Berücksichtigung der, der Stromerzeugung vorgelagerten Prozesse wie Materialaufwand zur Herstellung einer Windenergieanlage und den Transport dieser (ebd.:49). Multipliziert man diesen Vermeidungsfaktor mit der produzierten Windleistung einer Anlage im Jahr, ergibt sich die Kohlenstoffdioxid-Vermeidung pro Stunde.