Jäätäminen ja talvinen korkeapainetilanne tekivät tammikuun tuulivoimaennusteista epävarmoja

Madeleine Ekblom

Kuluneen talven aikana, eli joulukuusta 2025 helmikuuhun 2026, tuulivoimatuotanto Suomessa vaihteli noin nollan ja 7000 MW välillä. Tuulivoimatuotanto vaihtelee voimakkaasti sään ja tuulisuuden mukaan, minkä vuoksi tuulivoimatuotannon ennustaminen on tärkeää.

RealSolar-projektissa Ilmatieteen laitos tutkii aurinkovoimaa ja sen ennustamista Pohjolan ilmasto-olosuhteissa. Aurinkovoima ja tuulivoima tukevat toisiaan, joten projektille tärkeää on ymmärtää myös tuulivoimatuotantoon ja sen ennustamiseen vaikuttavia tekijöitä. Tässä tekstissä tarkastelemme tammikuun tuulivoimatuotantoennusteita Suomessa ja niihin liittyviä sääolosuhteita, ja pyrimme ymmärtämään mitkä meteorologiset tekijät ovat vaikuttaneet tuulivoimatuotantoon ja niiden ennusteisiin. Analyysissämme käytämme tammikuun tuulivoimatuotantoennusteita Fingridilta ja Ilmatieteen laitokselta, tuulivoimatuotantotietoja Fingridiltä ja Ilmatieteen laitoksen jäätämisluokitteludataa. Näiden lisäksi olemme tarkastelleet tuulimittauksia ja -ennusteita saadaksemme paremman kuvan tuulen ennustettavuudesta. Tuulivoimatuotantoon vaikuttaa muitakin kuin meteorologisia taustatekijöitä, mutta ne jäävät analyysissämme huomioimatta.

Tammikuun tuulivoimatuotanto

Talven aikana uutisotsikkoihin nousi tuulivoimaennusteiden virheitä (HS 15.1.2026, Yle 21.1.2026), kun tammikuun alkupuolella oli isoja ennustevirheitä Fingridin tuulivoimatuotantoennusteessa. Asennetun tuulivoimakapasiteetin kasvaessa ennustevirheiden merkitys kasvaa, mutta mitkä meteorologiset taustatekijät voivat vaikuttaa tuulivoimatuotantoennusteiden ennustettavuuteen ja miten voimme hyödyntää tätä tietoa ennusteiden tutkimuksessa?

Kuvassa on kolme kuvaajaa, jotka esittelevät ajan funktiona tammikuun tuulivoimatuotantoennusteet, toteutuneen tuotannon sekä jäätämisen esiintyvyyden. Kuvaajassa (a) vertaillaan Ilmatieteen laitoksen ennustetta, Fingridin ennustetta ja tuulivoimatuotantoa. Tarkastelemme yhden vuorokauden ennustepituutta kummastakin ennusteesta. Kuvaajassa (b) on kunkin ennustemallin absoluuttiset virheet. Kuvaajasta huomaamme, että sekä Fingridin että Ilmatieteen laitoksen tuulivoimatuotantoennusteissa esiintyi erikokoisia virheitä. Tammikuun ensimmäisinä päivinä virheet ovat molemmissa malleissa olleet suurin piirtein yhtä pieniä. Tämän jälkeen seuraa kaksi jaksoa (10.–15. tammikuuta ja 25.–27. tammikuuta), jolloin Fingridin ja Ilmatieteen laitoksen mallivirheet olivat olleet suuria. Kuvaajassa (c) on jäätäminen 100–200 m korkeudella Suomen länsirannikolla kahdeksan aseman tietojen perusteella. Prosentit kertovat, kuinka monella asemalla esiintyi jäätämistä; mitä korkeampi prosenttilukema, sitä laajemmalla alueella esiintyi jäätämistä. Huomaamme, että 19.–24.1. esiintyi laajalti jäätämistä, jonka jälkeen seuraa jakso, jolloin ennustevirheet olivat suuria. Mitä jäätäminen on ja miten se vaikuttaa tuulivoiman tuotantoon?

Jäätämisen vaikutus tuulivoimatuotantoon

Talvella voi esiintyä jäätämistilanteita, jolloin ilmassa olevat alijäähtyneet pilvi- tai sadepisarat jäätyvät törmätessään tuulivoimaloiden lapoihin. Jäätäminen vaikuttaa tuulivoimatuotantoon negatiivisesti. Jäätäminen ei vaikuta vain tuotantoon hetkellisesti (aktiivinen jäätäminen), vaan myös silloin kun jäätämistapahtuma on ohi ja jää on jo kertynyt lapoihin (passiivinen jäätäminen). Vasta kun kertynyttä jäätä on poistunut lavoista sulamisen seurauksena lämpötilojen noustessa tai muuten irtoamalla, passiivinen jäätämistapahtuma on ohi ja tuulivoimatuotanto palaa ennalleen.

Jäätäminen voidaan arvioida yhdistämällä tietoa pilvipisaroista ja lämpötilasta. Ilmatieteen laitoksella on kattava verkosto LIDAR/ceilometri-asemia ympäri Suomea, joiden avulla on mahdollista arvioida pilvien esiintymistä eri korkeuksilla ilmakehässä. Yhdistämällä pilvien tiedot lämpötilaprofiilin kanssa saadaan tietoa paikallisesta jäätämisestä eli niin kutsuttua jäätämisluokitteludataa. Tässä analyysissä olemme ottaneet mukaan jäätämisluokitteludataa kahdeksalta asemalta Suomen länsirannikolta ja arvioineet jäätämisen esiintymistä tuulivoimaloiden kannalta tärkeillä korkeuksilla ajan funktiona. Tällainen analyysi osoittaa, että jäätämisjakso oli melko pitkäkestoinen tammikuun loppupuolella (n. 19.–24. tammikuuta), minkä jälkeen tuulivoimalat ovat tuottaneet vähemmän kuin tuuliolosuhteiden perusteella olisi voinut olettaa. Tämä tarkoittaa, että jäätäminen on vaikuttanut negatiivisesti tuulivoimatuotantoon ja jäätämisen huomioiminen tuulivoimaennusteessa olisi tärkeää.

Miten tuuliennusteet vaikuttavat tuotantoennusteisiin?

Jäätäminen ei kuitenkaan voi selittää, miksi tammikuun alkupuolella on ollut isoja virheitä tuulivoimatuotantoennusteissa. Tuulivoimatuotantoennusteet pyrkivät ennustamaan kuinka paljon tuulivoimalat pystyvät tuottamaan energiaa vallitsevissa sääolosuhteissa ottamalla huomioon sääennusteet niissä paikoissa, joissa on tuulivoimaloita. Jos halutaan ymmärtää paremmin, olivatko tuulivoimatuotantoennusteet epävarmoja, voimme tutkia parviennusteita tai ennusteen käyttäytymistä eri ennustepituuksilla. Esimerkiksi jos meitä kiinnostaa tuotantoennuste tiettynä ajankohtana, voimme tarkistaa miten 12, 24, 36 ja 48 tuntia pitkät ennusteet ovat ennustaneet tuon ajankohdan tuotantoa. Huomaamme, että tuotantoennusteissa on ollut isompia eroja ajankohtana 10.–12.1.2026 kuin muina aikoina tammikuussa. Voimme päätellä, että tuulivoimatuotannon ennustettavuus on sinä aikana ollut heikompi, mahdollisesti johtuen tuulennopeuden heikommasta ennustettavuudesta. Koska tuulivoimalat muuntavat tuulen liike-energia sähköksi, mahdolliset virheet tuulennopeusennusteissa heijastuvat takaisin tuulivoimatuotantoennusteisiin. Olivatko tuulennopeudet vaikeita ennustaa, ja jos olivat, miksi näin oli?

Tammikuussa korkeapaineen alue hallitsi Suomen säätä. Talvinen korkeapaine tarkoittaa usein kylmiä lämpötiloja ja stabiilia rajakerrosta. Stabiilissa rajakerroksessa voi syntyä alatroposfäärin tuulimaksimeja (eng. low level jet, LLJ), eli voimakkaita tuulennopeuksia matalalla korkeudella. Mittausten perusteella näemme, että Jokioisissa oli pitkäkestoinen alatroposfäärin tuulimaksimi tammikuun alkupuolella. Huomaamme säämallien tuuliprofiileista, että 10.1. mallit ovat olleet eri mieltä, eli ennustettavuus on ollut heikompi. Jos mallit eivät saa ennustettua LLJ-ilmiötä, säämalli aliarvioi tuulennopeuden, mikä johtaa siihen, että tuulivoimatuotantoennuste aliarvioi tuulivoimatuotannon. Toisaalta, jos säämalli saa ennustettua LLJ-ilmiön, mutta yliarvioi tuulennopeuden, ilmiön keston tai miten laaja ilmiö on, se taas tarkoittaa, että tuulivoimatuotanto yliarvioidaan. Jälkimmäinen selittää luultavasti miksi Ilmatieteen laitoksen malli yliennusti tuulivoimatuotannon tammikuun 13. päivänä.

Nämä meteorologiset tekijät (jäätäminen ja alatroposfäärin tuulimaksimit) voivat selittää, miksi ennusteet eivät osanneet arvioida tuulivoimatuotantoa oikein tammikuun aikana. Myös tavalliset ennustevirheet ovat mahdollinen syy tuulivoimatuotantoennusteiden virheisiin.

Miten saadaan parempia tuulivoimaennusteita?

Tuulivoima on tärkeä osa Suomen energiajärjestelmää. Suomen Uusiutuvien mukaan vuoden 2025 lopussa tuulivoimatuotannon kokonaiskapasiteetti oli 9433 MW, ja vuonna 2025 tuulivoima tuotti hieman yli neljäsosan Suomen sähköstä Energiateollisuuden sähkötilastojen mukaan. Luonnollisesti vaihtelevat sääolosuhteet tekevät tuulivoimatuotantoennusteista tärkeitä. Mitä parempi ymmärrys meillä on sään vaikutuksesta tuulivoimatuotantoon, sitä helpompi on tutkia miten voimme parantaa tuulivoimatuotantoennusteita. Tässä tekstissä olemme kuvanneet tilanteita talven ajalta, jotka näyttävät, että tuulivoimatuotantoennusteissa on parannettavaa.

Ilmatieteen laitoksella on jäätämisennustemalli, jonka avulla on mahdollista arvioida, onko jäätäminen todennäköistä tietyllä paikalla, mutta on vielä tutkittavaa, miten otettaan huomioon jäätämisen vaikutusta tuulivoimatuotantoennusteisiin. Myös sääennusteiden epävarmuus vaihtelee, mutta parviennusteiden avulla on mahdollista kvantifioida ennusteiden epävarmuutta todennäköisyyksien avulla. Käyttämällä sään todennäköisyysennusteita tuulivoimatuotantoennusteiden laatimisessa, voimme myös kuvata tuulivoimatuotantoennusteiden epävarmuutta. Tämä on yksi tutkimusaiheemme FAME-lippulaivaprojektissa.

Kirjoittaja Madeleine Ekblom on tutkija Ilmatieteen laitoksen Meteorologiset tutkimussovellukset -ryhmässä.

Datalähteet

Lähde Fingrid / data.fingrid.fi, lisenssi CC 4.0 BY

Ilmatieteen laitoksen tuulivoimatuotantomallin tuorein ennuste: Aurinko- ja tuulivoimaennuste (ilmatieteenlaitos.fi)

Jäätämisluokitteludata perustuu Ilmatieteen laitoksen ceilometri-mittauksiin ja GDAS lämpötilaprofiilitietoihin