Izkoriščanje vetra: Globalna perspektiva napovedovanja moči vetra

Globalni prehod na obnovljive vire energije se pospešuje, gnan z nujno potrebo po boju proti podnebnim spremembam in zagotavljanju energetske varnosti. Med temi viri izstopa vetrna energija kot vodilni tekmec, ki ponuja čisto, obilno in vse bolj stroškovno učinkovito proizvodnjo električne energije. Vendar pa neločljiva spremenljivost vetra predstavlja pomemben izziv za operaterje omrežij in energetske trge po vsem svetu. Tu se napovedovanje moči vetra pojavi kot ključna disciplina, ki omogoča nemoteno vključevanje vetrne energije v naše energetske sisteme in utira pot v bolj trajnostno prihodnost.

Nenadomestljiva vloga napovedovanja moči vetra

Veter je po svoji naravi muhast vir. Hitrosti vetra nenehno nihajo zaradi atmosferskih pogojev, geografskih vplivov in dnevnih ciklov. Ta spremenljivost neposredno vpliva na količino električne energije, ki jo vetrna elektrarna lahko proizvede v danem trenutku. Za stabilno in zanesljivo elektroenergetsko omrežje se mora ponudba električne energije natančno ujemati s povpraševanjem. Brez natančnega predvidevanja proizvodnje vetrne energije se operaterji omrežij soočajo s pomembnimi izzivi:

• Stabilnost in zanesljivost omrežja: Nepričakovani padci v proizvodnji vetrne energije lahko povzročijo neravnovesja v frekvenci in napetosti, kar lahko privede do izpadov električne energije. Nasprotno pa lahko nepričakovani sunki preobremenijo omrežje.
• Ekonomski dispečing in tržne operacije: Energetski trgi se zanašajo na predvidljivo proizvodnjo električne energije za učinkovito načrtovanje in trgovanje. Nenatančne napovedi vodijo do povečanih stroškov za rezervno energijo in kazni za odstopanja od načrtovane proizvodnje.
• Upravljanje s sistemskimi storitvami: Vzdrževanje stabilnosti omrežja zahteva storitve, kot sta regulacija frekvence in vrteča se rezerva. Natančne napovedi vetra pomagajo optimizirati zagotavljanje teh storitev in zmanjšati njihove skupne stroške.
• Integracija spremenljivih obnovljivih virov energije (VRE): Z naraščanjem deleža vetrne energije postaja zanesljivo napovedovanje ključnega pomena za upravljanje celotne energetske mešanice, kar zagotavlja, da lahko omrežje sprejme VRE brez ogrožanja stabilnosti.
• Optimizirano delovanje in vzdrževanje: Napovedi lahko služijo kot podlaga za operativne odločitve, kot je omejevanje proizvodnje (namerno zmanjšanje proizvodnje za preprečevanje težav v omrežju) in načrtovanje vzdrževalnih dejavnosti za zmanjšanje vpliva na proizvodnjo energije.

V bistvu napovedovanje moči vetra deluje kot ključni most med nepredvidljivo naravo vetra in povpraševanjem po stabilni, zanesljivi in ekonomsko upravičeni oskrbi z električno energijo. Je bistveno orodje za sprostitev polnega potenciala vetrne energije v svetovnem merilu.

Razumevanje časovnih horizontov napovedovanja moči vetra

Specifična uporaba napovedi moči vetra določa zahtevani časovni horizont. Različne odločitve v energetskem sektorju zahtevajo napovedi, ki segajo od nekaj minut do več sezon vnaprej. Na splošno jih lahko razdelimo na naslednje kategorije:

1. Zelo kratkoročno napovedovanje (VSTF): Sekunde do minute vnaprej

Te napovedi so ključne za sprotno delovanje omrežja in takojšnje nadzorne ukrepe. Uporabljajo se za:

• Napovedovanje dogodkov hitrih sprememb (ramp eventov): Zaznavanje hitrih povečanj ali zmanjšanj proizvodnje vetrne energije.
• Regulacija frekvence: Prilagajanje moči generatorjev za vzdrževanje frekvence omrežja.
• Sprotno uravnoteženje: Zagotavljanje trenutnega ravnovesja med ponudbo in povpraševanjem.
• Odločitve o omejevanju proizvodnje: Takojšnje odločitve o tem, ali omejiti proizvodnjo za preprečevanje nestabilnosti omrežja.

Primer: Nenaden sunek vetra lahko v nekaj sekundah poveča proizvodnjo vetrne elektrarne za več sto megavatov. VSTF pomaga operaterjem omrežij, da takšne spremembe takoj predvidijo in upravljajo ter tako preprečijo odstopanja frekvence.

2. Kratkoročno napovedovanje (STF): Minute do ure vnaprej

STF je ključnega pomena za delovanje energetskih trgov dan vnaprej in znotraj dneva, za določanje obratovanja enot in načrtovanje. Služi kot podlaga za:

• Oddaja ponudb na energetskem trgu: Proizvajalci električne energije oddajo ponudbe za proizvodnjo na podlagi napovedane moči.
• Določanje obratovanja enot: Odločanje, katere elektrarne naj se vklopijo ali izklopijo za zadovoljitev pričakovanega povpraševanja.
• Zahteve po hitrih spremembah moči: Predvidevanje potrebe po drugih virih proizvodnje za kompenzacijo spremenljivosti vetra.

Primer: Upravljavec vetrne elektrarne lahko uporabi napoved za 30 minut vnaprej, da prilagodi svojo ponudbo na energetskem trgu znotraj dneva, s čimer zagotovi, da je plačan za pričakovano proizvodnjo in zmanjša kazni.

3. Srednjeročno napovedovanje (MTF): Dnevi do tedni vnaprej

MTF podpira operativno načrtovanje in dodeljevanje virov:

• Nabava goriva: Za konvencionalne elektrarne, ki še vedno igrajo vlogo v energetski mešanici.
• Načrtovanje vzdrževanja: Načrtovanje vzdrževanja tako za vetrne elektrarne kot za druga sredstva v omrežju, da sovpada z obdobji šibkega vetra ali manjšega povpraševanja.
• Upravljanje s hidroelektrarnami in baterijskimi hranilniki: Optimizacija polnjenja in praznjenja sistemov za shranjevanje energije.

Primer: Komunalno podjetje lahko uporabi tedensko napoved vetra, da prilagodi svojo odvisnost od plinskih elektrarn, kar lahko zmanjša stroške goriva, če se napoveduje visoka proizvodnja vetrne energije.

4. Dolgoročno napovedovanje (LTF): Meseci do leta vnaprej

LTF je bistvenega pomena za strateško načrtovanje:

• Naložbene odločitve: Usmerjanje naložb v nove zmogljivosti vetrnih elektrarn.
• Načrtovanje omrežne infrastrukture: Ugotavljanje, kje so potrebni novi daljnovodi ali nadgradnje za sprejem prihodnje rasti vetrne energije.
• Razvoj energetskih politik: Oblikovanje vladnih politik, povezanih s cilji na področju obnovljive energije.

Primer: Nacionalne energetske agencije uporabljajo večletne ocene vetrnih virov za načrtovanje izgradnje zmogljivosti vetrnih elektrarn in potrebne omrežne infrastrukture za njihovo podporo, v skladu s podnebnimi cilji.

Metodologije napovedovanja moči vetra

Točnost in učinkovitost napovedovanja moči vetra sta odvisni od sofisticirane medsebojne igre meteoroloških podatkov, naprednih statističnih tehnik in vse bolj tudi umetne inteligence. Glavne metodologije lahko razdelimo na naslednje skupine:

1. Fizikalni (meteorološki) modeli

Ti modeli temeljijo na osnovnih zakonih fizike in dinamike tekočin za simulacijo atmosferskih pogojev in pretoka vetra. Običajno vključujejo:

• Numerično napovedovanje vremena (NWP): Modeli NWP, kot sta Globalni sistem za napovedovanje (GFS) ali modeli Evropskega centra za srednjeročne vremenske napovedi (ECMWF), simulirajo Zemljino atmosfero. Vnašajo ogromne količine opazovalnih podatkov (satelitske slike, vremenski baloni, površinske postaje) za napovedovanje prihodnjih vremenskih vzorcev, vključno s hitrostjo in smerjo vetra na različnih višinah.
• Mezoskalni modeli: Ti modeli zagotavljajo višjo prostorsko in časovno ločljivost kot globalni modeli, zaradi česar so posebej primerni za napovedovanje na lokalni ravni, ki je pomembna za vetrne elektrarne. Zajemajo lahko lokalne učinke terena in mikroklime.
• Modeli pretoka vetra: Ko so hitrosti vetra napovedane z modeli NWP, se uporabljajo specializirani modeli pretoka vetra (kot sta WAsP ali računalniška dinamika tekočin - CFD) za pretvorbo teh širših vetrovnih polj v napovedi moči na specifični lokaciji, pri čemer se upoštevajo značilnosti turbin, hrapavost terena in učinki zmanjšanja hitrosti vetra v zavetrju drugih turbin znotraj vetrne elektrarne.

Prednosti: Temeljijo na fizikalnih principih, lahko zagotovijo napovedi za lokacije brez zgodovinskih podatkov, dobri za daljše časovne horizonte.

Slabosti: Računalniško zahtevni, lahko imajo težave z zelo lokaliziranimi vremenskimi pojavi in kompleksno dinamiko znotraj vetrne elektrarne.

2. Statistični modeli

Ti modeli uporabljajo zgodovinske podatke za prepoznavanje vzorcev in odnosov med preteklimi hitrostmi vetra, proizvedeno močjo in drugimi relevantnimi spremenljivkami ter te vzorce ekstrapolirajo v prihodnost. Pogoste statistične metode vključujejo:

• Modeli časovnih vrst: Tehnike, kot je ARIMA (avtoregresijski integrirani drseči povprečni model) in njene različice, analizirajo zgodovinske podatke o proizvedeni moči za napovedovanje prihodnjih vrednosti.
• Regresijski modeli: Vzpostavljanje statističnih odnosov med hitrostjo vetra (in drugimi meteorološkimi spremenljivkami) in proizvedeno močjo.
• Kalmanovi filtri: Rekurzivne tehnike ocenjevanja, ki se lahko prilagajajo spreminjajoči se dinamiki sistema, pogosto uporabljene za kratkoročno napovedovanje.

Prednosti: Relativno enostavni za implementacijo, računsko učinkoviti, lahko zajamejo kompleksne vzorce v zgodovinskih podatkih.

Slabosti: Močno odvisni od kakovosti in količine zgodovinskih podatkov, morda ne delujejo dobro, ko se pogoji bistveno razlikujejo od zgodovinskih vzorcev, manj učinkoviti za lokacije z omejenimi zgodovinskimi podatki.

3. Modeli umetne inteligence (UI) in strojnega učenja (ML)

Modeli UI in ML so revolucionirali natančnost napovedovanja s svojo zmožnostjo učenja iz obsežnih podatkovnih zbirk in prepoznavanja zapletenih, nelinearnih odnosov. Sem spadajo:

• Umetne nevronske mreže (ANN): Vključno z večplastnimi perceptroni (MLP), ponavljajočimi se nevronskimi mrežami (RNN) in mrežami z dolgim kratkoročnim spominom (LSTM), ki so odlične pri učenju časovnih odvisnosti v podatkih. LSTM so še posebej zmogljive za naloge napovedovanja zaporedij, kot je napovedovanje časovnih vrst.
• Podporni vektorski stroji (SVM): Uporabljajo se tako za regresijske kot klasifikacijske naloge, sposobni so obravnavati nelinearne odnose.
• Ansambelske metode: Združevanje napovedi iz več različnih modelov (npr. boosting, bagging, stacking) za izboljšanje splošne natančnosti in robustnosti.
• Globoko učenje: Kompleksnejše arhitekture nevronskih mrež, ki se lahko samodejno naučijo hierarhičnih predstavitev podatkov in pogosto prinašajo najsodobnejše rezultate.

Prednosti: Lahko dosežejo zelo visoko natančnost, sposobne učenja kompleksnih in nelinearnih odnosov, lahko integrirajo različne vire podatkov (vreme, SCADA, tržni podatki), prilagodljive spreminjajočim se pogojem.

Slabosti: Zahtevajo velike količine visokokakovostnih podatkov, lahko so računsko zahtevne za učenje, lahko so 'črne škatle', kar otežuje interpretacijo, dovzetne za prekomerno prilagajanje (overfitting).

4. Hibridni modeli

Z zavedanjem prednosti in slabosti posameznih pristopov hibridni modeli združujejo različne tehnike, da bi izkoristili njihove sinergijske prednosti. Na primer:

• NWP + statistični/ML modeli: Uporaba izhodnih podatkov NWP kot vhodnih značilnosti za statistične ali ML modele za popravljanje pristranskosti fizikalnih modelov ali za zmanjšanje merila napovedi na specifično lokacijo.
• Statistični + ML modeli: Združevanje prednosti analize časovnih vrst z zmožnostmi prepoznavanja vzorcev nevronskih mrež.

Primer: Pogost hibridni pristop vključuje uporabo modela NWP za napovedovanje hitrosti in smeri vetra, nato pa se te napovedi, skupaj z zgodovinskimi podatki SCADA iz vetrne elektrarne, vnesejo v nevronsko mrežo LSTM za napovedovanje proizvedene moči. To izkorišča fizikalno osnovo NWP in učno moč LSTM-jev.

Podatki: Gorivo za natančno napovedovanje moči vetra

Natančnost kateregakoli modela za napovedovanje moči vetra je neločljivo povezana s kakovostjo, količino in relevantnostjo podatkov, ki jih uporablja. Ključni viri podatkov vključujejo:

• Meteorološki podatki:
• Zgodovinska in sprotna vremenska opazovanja z zemeljskih postaj, boj in vremenskih balonov (temperatura, tlak, vlaga, hitrost vetra, smer vetra).
• Satelitske slike in radarski podatki za oblačnost in padavine.
• Izhodni podatki iz modelov NWP z različnimi ločljivostmi.
• Podatki SCADA (Nadzorni sistem za vodenje in zajem podatkov):
• Sprotni operativni podatki iz vetrnih turbin, vključno s hitrostjo vetra na višini pesta, smerjo vetra, hitrostjo rotorja, proizvedeno močjo, kotom lopatic, kotom zasuka in statusnimi kodami.
• Zgodovinski podatki SCADA so ključni za učenje statističnih in ML modelov.
• Postavitev vetrne elektrarne in značilnosti turbin:
• Natančna geografska lokacija in orientacija vsake turbine.
• Krivulje moči turbin (razmerje med hitrostjo vetra in proizvedeno močjo), koeficienti moči in premer rotorja.
• Informacije o izgubah zaradi vpliva zavetrja znotraj vetrne elektrarne.
• Topografski podatki:
• Digitalni modeli višin (DMV) za razumevanje, kako teren vpliva na pretok vetra.
• Podatki o pokrovnosti tal (npr. gozd, odprta polja, vodne površine), ki vplivajo na hrapavost površine in hitrost vetra.
• Podatki o omrežju:
• Napovedi obremenitve.
• Razpoložljivost drugih virov proizvodnje in shranjevanja energije.
• Omejitve omrežja in operativno stanje.

Predprocesiranje podatkov: Surovi podatki pogosto zahtevajo znatno čiščenje, dopolnjevanje manjkajočih vrednosti, odkrivanje osamelcev in inženiring značilnosti, preden jih lahko učinkovito uporabijo modeli za napovedovanje. Na primer, korelacija podatkov SCADA z bližnjimi meteorološkimi postajami lahko pomaga potrditi in izboljšati kakovost podatkov.

Izzivi pri globalnem napovedovanju moči vetra

Kljub znatnemu napredku ostaja več izzivov pri doseganju univerzalno natančnih in zanesljivih napovedi moči vetra:

1. Prostorska in časovna ločljivost

Izziv: Modeli NWP pogosto delujejo z ločljivostmi, ki so preveč grobe, da bi zajele lokalne variacije vetra, pomembne za specifično vetrno elektrarno. Zelo turbulentne vetrovne razmere in kompleksne mikroklime, na katere vpliva lokalna topografija ali razmere na morju, je težko natančno modelirati.

Globalni vpliv: To je univerzalen izziv, vendar se njegova resnost razlikuje. Obalna območja, gorata območja in kompleksne lokacije na morju predstavljajo večje težave pri napovedovanju kot ravninski, odprti tereni.

2. Razpoložljivost in kakovost podatkov

Izziv: Dostop do visokokakovostnih, podrobnih zgodovinskih podatkov (tako meteoroloških kot SCADA) je lahko omejen, zlasti za novejše ali oddaljene lokacije vetrnih elektrarn. Nenatančni ali nepopolni podatki lahko resno poslabšajo delovanje modela.

Globalni vpliv: Regije v razvoju ali lokacije z manj vzpostavljeno meteorološko infrastrukturo se lahko soočajo z večjimi omejitvami podatkov v primerjavi z zrelimi trgi.

3. Negotovost in pristranskost modelov

Izziv: Vsi modeli imajo neločljivo negotovost in potencialne pristranskosti. Modeli NWP so približki atmosferske fizike, statistični/ML modeli pa imajo lahko težave z nepredvidenimi vremenskimi vzorci ali spremembami v sistemu.

Globalni vpliv: Narava in velikost negotovosti modela se lahko razlikujeta glede na geografsko lokacijo in specifične podnebne režime.

4. Učinki zavetrja in interakcije turbin

Izziv: Znotraj vetrne elektrarne turbine črpajo energijo iz vetra, kar ustvarja turbulentne cone 'zavetrja', ki zmanjšujejo hitrost vetra in povečujejo turbulenco za turbine v smeri vetra. Natančno modeliranje teh kompleksnih aerodinamičnih interakcij je računsko zahtevno.

Globalni vpliv: To je ključni dejavnik za vse velike vetrne elektrarne na kopnem in na morju, ki neposredno vpliva na proizvodnjo na specifični lokaciji in zahteva sofisticirane prilagoditve mikrolokacij in napovedovanja.

5. Ekstremni vremenski dogodki

Izziv: Napovedovanje nastanka in vpliva ekstremnih vremenskih dogodkov (npr. orkanov, hudih neviht, poledice) ter njihovega učinka na proizvodnjo in celovitost vetrnih elektrarn ostaja težavno. Ti dogodki lahko povzročijo nenadne, drastične spremembe hitrosti vetra in potencialno poškodujejo turbine.

Globalni vpliv: Regije, nagnjene k specifičnim ekstremnim vremenskim pojavom (npr. obale, nagnjene k tajfunom, območja z močno poledico), zahtevajo specializirane zmožnosti napovedovanja in operativne strategije.

6. Hiter tehnološki napredek

Izziv: Nenehen razvoj tehnologije turbin, strategij nadzora in metod integracije v omrežje pomeni, da se morajo modeli za napovedovanje nenehno prilagajati novim operativnim značilnostim in vzorcem podatkov.

Globalni vpliv: Posodabljanje sistemov za napovedovanje, da bi odražali najnovejše tehnološke dosežke v raznoliki globalni floti vetrnih turbin, je stalen izziv.

Napredek in prihodnji trendi v napovedovanju moči vetra

Področje napovedovanja moči vetra je dinamično, z nenehnimi raziskavami in razvojem, osredotočenimi na premagovanje obstoječih izzivov in izboljšanje natančnosti. Ključni napredki in prihodnji trendi vključujejo:

• Izboljšana UI in globoko učenje: Uporaba bolj sofisticiranih arhitektur globokega učenja (npr. grafovske nevronske mreže za modeliranje interakcij v vetrnih elektrarnah, transformerji za sekvenčne podatke) obljublja nadaljnje izboljšave natančnosti.
• Probabilistično napovedovanje: Prehod od napovedi ene same vrednosti k zagotavljanju razpona možnih izidov s pripadajočimi verjetnostmi (npr. kvantilna regresija, Bayesove nevronske mreže). To operaterjem omrežij omogoča boljše razumevanje in upravljanje z negotovostjo.
• Ansambelsko napovedovanje: Razvoj in uporaba robustnih sistemov za ansambelsko napovedovanje, ki združujejo izhodne podatke iz več modelov NWP in različnih statističnih/ML modelov za doseganje zanesljivejših napovedi.
• Pojasnljiva UI (XAI): Raziskave, usmerjene v to, da bi bili modeli UI bolj pregledni in interpretativni, kar napovedovalcem pomaga razumeti, *zakaj* je bila določena napoved narejena, kar gradi zaupanje in olajšuje izboljšanje modelov.
• Integracija interneta stvari (IoT) in robnega računalništva: Izkoriščanje mreže senzorjev na turbinah in v okolju z lokalnimi zmožnostmi obdelave (robno računalništvo) za hitrejšo, bolj podrobno analizo podatkov in kratkoročno napovedovanje.
• Digitalni dvojčki: Ustvarjanje virtualnih replik vetrnih elektrarn, ki jih je mogoče uporabiti za testiranje algoritmov za napovedovanje, simulacijo operativnih scenarijev in optimizacijo delovanja v realnem času.
• Izboljšani modeli NWP: Nenehen razvoj modelov NWP z višjo ločljivostjo, ki vključujejo boljše fizikalne parametrizacije za atmosferske mejne plasti in kompleksen teren.
• Tehnike asimilacije podatkov: Bolj sofisticirane metode za integracijo sprotnih opazovalnih podatkov v modele NWP za popravljanje napovedi in izboljšanje njihove natančnosti.
• Meddisciplinarno sodelovanje: Povečano sodelovanje med meteorologi, podatkovnimi znanstveniki, inženirji elektroenergetskih sistemov in strokovnjaki z določenega področja za razvoj celostnih rešitev za napovedovanje.

Uporabni vpogledi za deležnike

Za različne deležnike v energetskem sektorju učinkovito napovedovanje moči vetra prinaša oprijemljive koristi in strateške prednosti:

Za upravljavce vetrnih elektrarn:

• Optimizacija prihodkov: Natančne napovedi omogočajo boljše strategije oddajanja ponudb na energetskih trgih, kar maksimizira prihodke in minimizira kazni za napake pri napovedovanju.
• Zmanjšanje operativnih stroškov: Izboljšano načrtovanje vzdrževanja, zmanjšanje nepotrebnega omejevanja proizvodnje in boljše upravljanje z viri prispevajo k nižjim obratovalnim stroškom.
• Izboljšanje spremljanja delovanja: Primerjajte dejansko proizvodnjo z napovedmi, da bi prepoznali turbine z nezadostnim delovanjem ali sistemske težave znotraj elektrarne.

Za operaterje omrežij (TSO/DSO):

• Vzdrževanje stabilnosti omrežja: Natančne kratkoročne napovedi so bistvene za upravljanje ravnovesja med ponudbo in povpraševanjem, preprečevanje odstopanj frekvence in zagotavljanje zanesljivosti omrežja.
• Učinkovito upravljanje z rezervami: Boljše napovedovanje nihanj moči vetra omogoča bolj ekonomično načrtovanje rezervnih zmogljivosti (npr. hitro odzivne plinske elektrarne, baterije).
• Optimizacija pretoka moči: Razumevanje pričakovane proizvodnje iz vetrnih elektrarn za upravljanje preobremenitev na daljnovodih in optimizacijo dispečiranja vseh virov.

Za trgovce z energijo in udeležence na trgu:

• Informirane trgovalne odločitve: Uporabite napovedi vetra za predvidevanje tržnih cen in sprejemanje donosnejših trgovalnih odločitev za vetrno energijo.
• Upravljanje s tveganji: Kvantificirajte in upravljajte finančna tveganja, povezana z intermitentnostjo vetrne energije.

Za oblikovalce politik in regulatorje:

• Omogočanje višjega deleža obnovljivih virov: Podpiranje vključevanja večjih deležev vetrne energije v energetski sistem z zagotavljanjem robustnih okvirov za napovedovanje.
• Usmerjanje naložb v infrastrukturo: Uporaba dolgoročnih ocen vetrnih virov in napovedi proizvodnje za načrtovanje potrebnih nadgradenj in širitve omrežja.

Zaključek

Napovedovanje moči vetra ni zgolj akademska vaja; je temeljni steber sodobnih, trajnostnih energetskih sistemov. Medtem ko svet še naprej sprejema vetrno energijo kot temelj svojih prizadevanj za dekarbonizacijo, se bo povpraševanje po vse bolj natančnih, zanesljivih in podrobnih napovedih le še povečevalo. Z izkoriščanjem moči naprednih meteoroloških modelov, sofisticiranih statističnih tehnik in najsodobnejše umetne inteligence lahko učinkovito upravljamo z neločljivo spremenljivostjo vetra. To omogoča njegovo nemoteno vključevanje v elektroenergetska omrežja po vsem svetu, kar zagotavlja stabilno, varno in čistejšo energetsko prihodnost za prihodnje generacije. Nenehno vlaganje v raziskave, podatkovno infrastrukturo in usposobljeno osebje bo ključnega pomena za sprostitev polnega, preobrazbenega potenciala vetrne energije po vsem svetu.