Funktionsweise der enercast Plattform

enercast stellt präzise Hochrechnungs- und Prognosedaten kostengünstig und einfach bereit. Bei enercast laufen alle Daten, also Mess-, Strahlungs- und Wetterprognosedaten zusammen. Damit berechnet enercast die Hochrechnungen und Prognosen und liefert die Daten zuverlässig und schnell in die Systeme von Verteil- und Übertragungsnetzbetreibern sowie Stromhändlern.

Die Plattform wird von enercast als Web-Service betrieben und erfordert keine Installation oder Anpassung beim Netzbetreiber. Sie ersetzt teure Softwareinstallationen durch ein intelligentes und kostengünstiges Internetportal.

Neuronale Netze

Neuronale Netze bei der Leistungsprognose für Wind und Solar

Neuronale Netze zeichnen sich dadurch aus, dass unbekanntes Verhalten in der Zukunft durch die neuronalen Netze aus dem Erlernten der Vergangenheit vorhergesehen werden kann.

Künstliche Intelligenz

Über 15 Jahre Erfahrung besitzt das Fraunhofer IWES in der Prognose von volatilen Energieproduzenten. Seit 2011 entwickelt enercast gemeinsam mit dem Fraunhofer IWES in einem Kooperationsprojekt zuverlässige und genaue Leistungsprognosen sowie Hochrechnungen für Wind- und Photovoltaikanlagen. Das besondere bei den Berechnungen ist, dass diese auf künstlicher Intelligenz – durch den Einsatz von neuronalen Netzen – beruhen. Sämtliche Daten werden durch einen Algorithmus verarbeitet. Die künstlichen neuronalen Netze ziehen aus den komplexen Zusammenhängen von Wetterdaten und der Stromproduktion der Anlagen über Erfahrungen aus der Vergangenheit Schlüsse für die zu erwartende Energie-Einspeisung.

Neuronale Netze bei enercastshutterstock_156298181

Neuronale Netze zeichnen sich dadurch aus, dass unbekanntes Verhalten in der Zukunft durch die neuronalen Netze aus dem Erlernten der Vergangenheit vorhergesehen werden kann.

Die Frage bei enercast ist: Welche Leistung erbringt die Windkraft- oder PV-Anlage bei welchem Wetter?

Das neuronale Netz lernt aus den Leistungs- und Wetterdaten der Vergangenheit und erinnert sich bei der Bestimmung der zukünftigen Verhältnisse an eine ähnliche Situation. Die neuroanlen Netze nehmen dabei alle wetterabhängigen Effekte auf.

Wenn sich in westlicher Himmelsrichtung einer Anlage beispielsweise eine Erhebung befindet oder eine andere Windkraftanlage, lernt das System, dass bei Wind aus westlicher Richtung eine Verschattung der Anlage eintrifft. Die Verschattung einer solchen Anlage (bspw. durch einen Berg oder eine weitere Anlage) muss nicht explizit aufgenommen oder modelliert werden, sondern sie wird auf Grund der Erfahrungen, die das System macht, erlernt.

Der Vorteil hierbei ist, dass auch unbekannte Phänomene erlernt werden. Lerneffekte können beispielsweise sein:

  • Temperatur bei x Grad = schwächere Leistung
  • Luftfeuchtigkeit bei Höhe x = schwächere Leistung
  • Wind aus Westen = schwächere Leistung

Hinzu kommt, dass die neuronalen Netze berechnen können, welcher der zahlreichen wetterbedingten Parameter zu wie viel Prozent in die Leistungsprognose jeder einzelnen Anlage einfließen muss, um eine optimale Energie-Prognose zu gewährleisten.

Je länger die neuronalen Netze Daten erhalten, desto intelligenter werden diese. Während ein modelliertes System in der Vergangenheit stehen bleibt und manuell auf den neuesten Stand gebracht werden muss, entwickeln sich die neuronalen Netze mit der Realität weiter.

Vorteil neuronale Netze im Überblick:

  • Betrachtung der Realität statt eines von Menschen geschaffenen abstrakten Modells
  • keine Modellierungsfehler
  • Steigerung der Prognosegüte je länger die neuronalen Netze lernen

enercast ensemble engine – e3

Kombination der Wettermodelle sorgt für präzise Leistungsprognosen und Hochrechnungen für Windkraft- und Solaranlagen

Vorteile der e3 auf einen Blick:

  • bessere Prognosegüte durch Kombinieren der geeigneten Wettermodelle
  • Unabhängigkeit von Lieferqualität eines einzelnen Wetterdienstes
  • Entlastung bei Auswahl des besten Wettermodells

Welches Wetter erwartet uns heute? Aus welcher Richtung weht der Wind? Wie viel Sonnenstunden beschert uns der morgige Tag? Und wie viel Niederschlag? Wettermodelle berechnen das Wetter der kommenden Stunden und Tage. enercast nutzt die Wettermodelle der Wetterdienste, um Leistungsprognosen und Hochrechnungen für Windkraft- und Solaranlagen zu erstellen. Da die Wettermodelle jedoch unterschiedliche Ergebnisse für einen Ort liefern, arbeitet enercast mit vielen verschiedenen Wettermodellen. Sogenannte Ensembles helfen, eine möglichst präzise Prognose zu erhalten. Die enercast ensemble engine, kurz e3, kombiniert dabei die Informationen der Wettermodelle – Stärken der einzelnen Modelle werden genutzt, während Schwächen ausgeblendet werden.

Vorteil der e3 ist die kluge Kombination der relevanten Wettermodelle für eine bessere Prognosegüte. Aufgrund von Daten aus der Vergangenheit kann enercast für jede Windkraft- oder Solaranlage feststellen, welches Wettermodell bei welchen Bedingungen den besten, präzisesten Beitrag geleistet hat. So kann es sein, dass sich ein Wettermodell bei einer Photovoltaikanlage bei hoher Luftfeuchtigkeit bewährt hat, während ein anderes Modell bei derselben Anlage bei starker Sonneneinstrahlung bessere Ergebnisse liefert. Das System wird mit den historischen Wetterdaten der Anlage und des Standortes eingelernt, um Prognosen exakt berechnen zu können und damit einen optimalen Ertrag der Anlage zu erzielen. Ändert ein Wetterdienst sein Wettermodell, kalibriert enercast die ensemble engine neu, so dass die hohe Detailgenauigkeit der e3 weiterhin gewährleistet ist. Insbesondere bei starken Abfällen oder Anstiegen von Energie hat sich das System bewährt.

Die ensemble engine enercast wählt die Wettermodelle aus, die die beste Leistung für eine bestimmte Anlage unter bestimmten Wetterkonditionen erbracht haben. Andere Wettermodelle, die hinsichtlich der Anlage und der Wetterbedingung Schwächen gezeigt haben, berücksichtigt das System weniger stark. Um die geeigneten Wettermodelle zu bestimmen, wird auf die bereits gesammelten Daten der Vergangenheit zurückgegriffen.

Mit der e3 macht enercast Anlagen- und Netzbetreiber, Energieversorger sowie Direktvermarkter unabhängig von der Lieferqualität eines einzelnen Wetterdienstes. Ist es einem Wetterdienst nicht möglich, Wetterdaten zu liefern, verwendet das System die nächstbeste Information, so dass jederzeit ausreichend Daten für eine zuverlässige und genaue Prognose verfügbar sind.

Systemische Prognosegüte-Verbesserung

Zu Beginn des Prognoseprozesses werden Anlagedaten, wie beispielsweise die Nennleistung, der Typ und der Standort, aufgenommen. Zusätzlich nimmt enercast ähnliche Anlagen als Referenz. Um dem Kunden eine bestmögliche Prognose zu liefern, ist enercast in der Lage mit historischen Leistungsdaten die zukünftigen Prognosen zu kalibrieren. Denn das Verhalten, das eine Anlage in der Vergangenheit bei bestimmten Wetterlagen zeigte, wird sie auch in Zukunft zeigen.

kvp_linie

Kontinuierliche Senkung des Prognosefehlers

Je mehr historische Daten vorliegen oder je länger das enercast System weiß, wie sich die Anlage bei den unterschiedlichen Wetterlagen verhält, desto besser wird die Prognosegüte.

Enercast Prognosen basieren auf von enercast und dem Fraunhofer IWES optimierten Algorithmen, die dem Kunden hochwertige Prognosen liefern. Zudem sind die Algorithmen in der Lage in Zusammenarbeit mit dem Kunden das individuelle Verhalten der spezifischen Anlagen und Parks zu lernen und somit die Prognosegüte stetig über die Laufzeit zu verbessern. Ein kontinuierlicher Verbesserungsprozess, der vollautomatisch beste Ergebnisse generiert.

prognoseverb_kvp_pfeile_nl

Veraltete Daten werden nicht mehr verwendet

Die historischen Daten werden mit einem Zeithorizont von maximal drei Jahren für die Trainings herangezogen. Veraltete Daten werden nicht mehr für die Prognosen verwendet, da unter Umständen längst vergangene Effekte darin enthalten sind, die aktuell nicht mehr auftreten. Somit stellt enercast sicher, dass aktuelle Verhalten mehr berücksichtigt werden als ältere Verhalten. Ein aktuelles Fenster mit ausreichenden Informationen wird hinterhergezogen.

Fazit: Je länger die neuronalen Netze Daten erhalten, desto genauer bilden diese die Realität ab – und zwar detailreich. Während ein modelliertes System in der Vergangenheit stehen bleibt und manuell auf den neuesten Stand gebracht werden muss, entwickeln sich die neuronalen Netze mit der aktuellen Realität weiter.

 

Forschungsergebnisse vom Fraunhofer-IWES

enercast verfügt auf Grund der Kooperation mit dem Fraunhofer IWES als einziger Prognosedienstleister über die aktuellen Fraunhofer-Forschungsergebnisse im Bereich Energieprognosen, die exklusiv in den enercast-Algorithmen verwendet werden.

Das Fraunhofer-Institut für Windenergie und Energiesystemtechnik IWES gehört mit seinen mittlerweile über 400 Mitarbeitern zu den führenden Forschungseinrichtungen im Bereich erneuerbare Energien. Hervorgegangen aus dem Fraunhofer-Center für Windenergie und Meerestechnik CWMT und dem Institut für Solare Energieversorgungstechnik ISET e. V. bündelt das Institut über 20 Jahre Know-how und hat sich als „nationales Kompetenzzentrum“ in Sachen moderne Energietechnik bundesweit und international einen Namen gemacht.

Das Fraunhofer IWES verfügt als ein Pionier in diesem Bereich über mehr als 20 Jahre Erfahrung bei der Hochrechnung und Prognose der Einspeisung von erneuerbaren Energien in Übertragungsnetze auf Basis von Referenzanlagedaten und Hochrechnungsverfahren und besitzt die anerkannt besten Algorithmen.

Wissenschaftliche Basis

Forschungsergebnisse vom Fraunhofer-IWES und der enercast GmbH

In diesem Paper finden Sie die Grundlage beschrieben, auf der die Algorithmen und die präzisen Hochrechnungen von enercast basieren. Die Ausführungen darin gründen auf den Erkenntnissen von Dipl.-Ing. M.Sc. Yves-Marie Saint-Drenan (Fraunhofer IWES), Stefan Bofinger (Fraunhofer IWES), Bernhard Ernst (SMA Technology AG), Thomas Landgraf (enercast GmbH) und Kurt Rohrig (Fraunhofer IWES).

Paper „Regional nowcasting of the solar power production“

Zentrale Merkmale des vom Fraunhofer-IWES entwickleten Algorithmus:

  • Kombinierte Nutzung von Messdaten und Satellitendaten für eine bestmögliche Genauigkeit
  • Hohe Verfügbarkeit (Redundanz)
  • Hochrechnung auch für kleine Gebiete möglich
  • Berücksichtigung der Anlageneigenschaften (Modulausrichtung, Modul- und Wechselrichterkennlinien)
  • Verfahren validiert mit den EEG-Bewegungsdaten
  • Berücksichtigung vom eigenen Messnetz möglich
  • Erkennung und Filterung von unplausiblen Messdaten (z.B. Stringausfall)
  • Erkennung von Schnee und Nebel

Hochrechnung und Prognose

Hochrechnung (Nowcasting)

Die Hochrechnung liefert zuverlässige Aussagen über die aktuelle Einspeisung in Verteil- oder Übertragungsnetze im 15-minütigen Rhythmus. Damit lässt sich der Fahrplan zuverlässiger einhalten und Kosten für Ausgleichsenergie werden minimiert. Die aktuelle Einspeisung wird auf Basis von zeitnah gemessenen Leistungsdaten aus dem über ganz Deutschland verteilten enercast PV-Messnetz und eines vom Fraunhofer IWES entwickelten Hochrechnungsverfahrens berechnet, das dazu auf die aktuellen EEG-Anlage- und -Einspeisedaten für Photovoltaikanlagen zugreift.

Durch die Berücksichtigung von Strahlungsdaten, die von EUMETSAT auf Basis von Satellitenmessungen bereitgestellt werden, kann die Hochrechnung optimiert werden. Daraus können Einspeisemengen für Anlagen berechnet werden, auch wenn diese über keine Messtechnik verfügen.

Prognose der zu erwartenden Einspeisung

Nicht nur die aktuelle Einspeisung wird von enercast ermittelt. Auf Basis von mehrmals täglich aktualisierten Wetterprognosedaten des Deutschen Wetterdienstes stellt enercast auch eine zuverlässige Prognose für die Einspeisung bis zu 72h in die Zukunft bereit. Dazu wird die Solarstromeinspeisung mit einem vom Fraunhofer IWES entwickelten Verfahren berechnet — dabei werden nicht nur die Einstrahlung sondern auch weitere Parameter wie Temperatur und Schneebedeckung berücksichtigt.

Für die Kurzfristprognose können zudem aktuelle, gemessene Leistungsdaten und Satelliten-Einstrahlungsdaten berücksichtigt werden, mit denen die Qualität der Prognose auf kurze Zeiträume deutlich verbessert werden kann. Betreibt der Netzbetreiber eine Ensemble-Hochrechnung bzw. -prognose oder benötigt längere Prognosen über längere Zeiträume, kann enercast auch mit anderen Wetterprognosedaten betrieben werden.

enercast_Hochrechnung_Prognose_1_15x7_rgb_150dpi

 

Solide Datengrundlage

Enercast Grafiken 06I12

Wetterdaten von Wetterdiensten

Bei enercast sind für die Erstellung von Prognosen und Hochrechnungen zahlreiche Wettermodelle integriert. Enercast konzentriert sich dabei auf eine Auswahl von Wettermodellen, die sich als Maßstab setzend für die Erstellung von Leistungsprognosen für Wind und Solar herausgestellt haben.

Die Forschungs- und Entwicklungsabteilung der enercast evaluiert die Güte der einzelnen Wettermodelle ständig neu, so dass die Stärken der wichtigsten Modelle in den Ensemble-Prognosen der enercast optimal integriert sind.

EUMETSAT Satellitendaten zur realen Sonneneinstrahlung

EUMETSAT ermittelt viertelstündlich und flächendeckend die Sonneneinstrahlung auf Deutschland. Auf enercast.de sorgen diese satellitengestützten Daten alle 15 Minuten für eine „Ist“-Präzisierung der gelieferten Leistungsprognose.

Referenzdaten aus dem enercast PV-Messnetz

Deutschlandweit sind insgesamt 37,8 GWp (Stand November 2014) installiert. enercast verfügt mit seinen Kooperationspartnern über ein flächendeckendes und qualitativ hochwertiges PV-Messnetz in Deutschland, das Leistungsdaten von leistungsgemessenen Anlagen auswertet und verlässliche Statistiken über das gesamtdeutsche Solarkraftaufkommen ermöglicht. Auf enercast.de entstehen daraus präzise Leistungsprognosen für Photovoltaikanlagen.

Das enercast Referenzmessverfahren erfüllt die Vorgaben der Bundesnetzagentur


Termin vereinbaren