Leistungsprognosen Wind und Solar

News

Verbesserung der Leistungsprognose von Solarkraftanlagen

Wer Solaranlagen besitzt, sieht sich täglich mit der Frage konfrontiert, welche Leistungen selbige erbringen. Eine bewährte Vorgehensweise in der Meteorologie ist es, Prognosen mit Hilfe der Regressionsanalyse zu generieren. Um jene Prognoseverfahren zu erweitern, forscht Informatik-Student der Universität Kassel Nils Raabe in Kooperation mit enercast an einem alternativen Vorhersagemodell.

In seiner Master-Arbeit mit dem Thema „Entwicklung eines Prognosesystems für Leistungsprognosen von Photovoltaikanlagen auf Grundlage von künstlichen neuronalen Netzen“ beschäftigt er sich mit Machine Learning Verfahren, die eine Leistungsprognose von Solarkraftanlagen mit besonderer Güte erzeugen. Raabe ist damit Teil des Forschungsprojekts „Big Energy“, in dem die Fachbereiche „Intelligent Embedded Systems“ und „Software Engineering“ der Universität Kassel zusammen mit enercast arbeiten.

lstm-rectified-linear-unit-physikalisches-modell-ecmwf-enercast

Abgebildet ist eine PV-Anlage in Deutschland. Das physikalische Modell alleine kann die Schneebedeckung nicht optimal abbilden, so dass der Ertrag der PV-Anlage zu hoch prognostiziert wird.

Neuronale Netze prognostizieren zukünftige Verhältnisse

Raabe ergänzt das bisher genutzte physikalische Modell, um maschinelle Lernverfahren, welche auf der Technik des Deep Learnings basieren. Jenes basiert auf neuronalen Netzen, die sich dadurch auszeichnen, dass sie unbekanntes Verhalten in der Zukunft aus historischen Daten vorhersagen können. Das neuronale Netz lernt aus historischen Leistungs- sowie Wetterdaten und erkennt bei der Bestimmung zukünftiger Verhältnisse schon einmal dagewesene, ähnliche Situationen. Dabei nehmen die neuronalen Netze alle wetterabhängigen Effekte auf. Der Vorteil: Auch für den menschlichen Betrachter nicht identifizierbare Phänomene können so erlernt werden.

Hinzu kommt, dass neuronale Netze in der Lage sind zu berechnen, welche der wetterbedingten Parameter zu welchem Anteil in die Prognose einfließen müssen, um eine optimale Energie-Prognose zu erstellen. Je mehr historische Daten für das Training der neuronalen Netze zur Verfügung stehen, desto mehr Wettersituationen werden abgedeckt und können erlernt werden. Raabe, der bereits seit 2013 für enercast tätig ist, legt das Augenmerk in seiner Abschlussarbeit speziell auf die Weiterentwicklung eben jener künstlicher neuronaler Netze, um eine exakte Leistungsprognose von Solarkraftanlagen generieren zu können.

lstm-rectified-linear-unit-tanh-enercast

Mit dem LSTM Rectified Linear Unit Ansatz wird die Leistung der Anlage präziser progostiziert. Insbesondere an ertragsschwachen Tagen (Winter) oder in schwierigen Wettersituationen (z.B. Schneefall) bietet dieser Ansatz eine deutliche Verbesserung der Prognosegüte.

Präzise Vorhersagen durch zweistufiges Prognoseverfahren

Als Referenzgrundlage dient die Leistungsprognose von Solarkraftanlagen aus den Portfolios der enercast. Zunächst werden die einzelnen Wetterprognosen mit Hilfe eines physikalischen Solar-Prognose-Algorithmus berechnet. Hierzu werden Daten aus diversen Wettermodellen genutzt, um eine Vorhersage zu erzeugen. Raabe arbeitet ebenfalls mit selbigen Daten für die Erstellung einer Prognose mit seinem neu entwickelten Verfahren, um eine vergleichbare Basis zu bieten.

Sein Ziel ist es, ein alternatives Prognoseverfahren anzubieten, das eine Ergänzung zu den bisherigen Vorhersagemodellen darstellt. Raabe geht dabei in zwei Schritten vor.

1.     Feature Learning
Alle vorhandenen Wetterparameter werden in das von ihm weiterentwickelte System eingespeist und nach relevanten Kriterien selektiert.

2.     Berechnung

Die reduzierten Informationen werden zu Leistungsprognosen verarbeitet.

So gelingt es, mittels eines alternativen Verfahrens die Leistungsprognose von Solarkraftanlagen durch das Deep Learning Verfahren in bestimmten Fällen noch genauer vorhersagen zu können. Auf diese Weise wissen die Betreiber von Solarkraftanlagen bereits im Voraus, welche Performance sie von ihrer Anlage erwarten können.

Fazit

Besonders an ertragsschwachen Tagen (z.B. im Winter) und bei schwierigen Wettersituationen (z.B. Schneefall und Abrutschen von Schnee) bietet der neue Ansatz eine sinnvolle Ergänzung, um die Prognosegüte von PV-Leistungsprognosen an solchen Tage zu erhöhen.

Keine Kommentare vorhanden

Hinterlassen Sie eine Antwort

News

  • Ausbildung zum Fachinformatiker bei enercast
    Jung, dynamisch und bereit für Neues – seit September dieses... mehr
  • enercast verstärkt Geschäftsführung und erschließt neue Märkte

    Henning Schulze-Lauen wird COO Radmacher: „Schnell skalierbares Geschäft vor großem... mehr
  • Verbesserte Solarleistungsprognosen durch optimierte Schneeerkennung

    Auch wenn die Sonne derzeit noch scheint, kommt der nächste... mehr

Events

  • WindEurope - Conference & Exhibition
    28 Nov
  • 7. Februar 2017 - enercast auf der E-world energy & water 2017

    Besuchen Sie uns auf der E-World in Essen in Halle... mehr
  • 27. September 2016 - Wind Energy Hamburg 2016

    Besuchen Sie uns auf der Wind Energy 2016 vom 27-30.... mehr

Blog

  • Berücksichtigung der Fledermausabschaltung bei Windleistungsprognosen
    enercast bietet eine zusätzliche Funktionalität in Bezug auf Prognosen für... mehr
  • Top 10 Länder in Europa mit der größten neu installierten Solarenergie 2016

    Solarbranche im Wachstum Der Zubau von Photovoltaik-Anlagen in Europa nimmt weiter... mehr
  • Top 10 Länder mit der größten neu installierten Wind-Leistung 2016

    Tendenziell stärkeres Wachstum Zu den am stärksten boomenden Branchen der... mehr

Kontakt

Die enercast GmbH ermöglicht die Einbindung von Windkraft- und Solarenergie in Stromnetze und Energiemärkte durch Wind- und Solarleistungs-Prognosen.