• Methoden der Künstlichen Intelligenz
• Unbekannte Phänomene können erlernt werden
• Steigerung der Prognosegüte je länger und aktueller die neuronalen Netze lernen

Die Berechnungen basieren auf der genauen Kenntnis des Anlagenbestands sowie auf Auswertungen meteorologischer Daten und Prognosen. Zum Einsatz kommen dabei Methoden der künstlichen Intelligenz, beispielsweise künstliche neuronale Netze, die aus Erfahrungen der Vergangenheit Schlüsse über den Zusammenhang von Wetterprognosen und zukünftiger eingespeister Leistung herstellen können.

Neuronale Netze bei enercast

Die zu beantwortende Frage ist: Welche Leistung erbringt die Windenergie- oder PV-Anlage bei welcher Wettersituation? Neuronale Netze zeichnen sich dadurch aus, dass unbekanntes Verhalten fluktuierender Einspeiser in der Zukunft durch erlernte Erfahrungen aus der Vergangenheit prognostiziert werden kann.

Die neuronalen Netze nehmen dabei sowohl wetter- als auch standortabhängige Effekte auf. Befindet sich beispielsweise in westlicher Himmelsrichtung einer Anlage eine Erhebung oder eine andere Windenergieanlage, lernt das System, dass bei Wind aus westlicher Richtung eine Verschattung der Anlage eintritt. Diese Verschattung muss nicht explizit aufgenommen oder modelliert werden, sondern wird implizit durch die Zusammenhänge, die durch die historischen Daten repräsentiert werden, erlernt. Der Vorteil hierbei ist, dass keine detaillierte Modellierung der Umgebungsparameter notwendig ist und somit auch unbekannte Phänomene erlernt werden können.
Je länger und aktueller die Zeiträume sind, die den neuronalen Netzen zum Lernen zur Verfügung gestellt werden, desto genauer bilden die Berechnungsergebnisse die Realität ab. Während ein physikalisch modelliertes System an einem Punkt stehen bleibt und aufwändig manuell auf den neuesten Stand gebracht werden müsste, können neuronale Netze mittels Neukalibrierung durch Daten der nahen Vergangenheit in einem automatisierten Prozess aktualisiert werden.

Vorteil neuronaler Netze im Überblick:

• Betrachtung der Realität statt eines von Menschen geschaffenen abstrakten Modells, welches detaillierte Informationen über möglichst viele lokale Eigenschaften benötigt
• keine Modellierungsfehler
• Steigerung der Prognosegüte je länger und aktueller die neuronalen Netze lernen