Leistungsprognosen für beispielsweise Windkraft- und Solaranlagen – das bietet die Enercast GmbH. Welche Leistung bringt etwa eine Photovoltaik-Anlage bei bestimmten Wetterverhältnissen? Um hierfür eine präzise Prognose vorherzusagen, sind spezielle Algorithmen von Nöten. Jene können durch Machine-Learning-Verfahren mit Hilfe vergangener Leistungs- und Wetterdaten zukünftige Verhältnisse bestimmen.

Forschung und Entwicklung

An dieser Stelle setzen die Forschungen von Vitali Pankraz an. Der Informatik-Student der Uni Kassel verfasst derzeit seine Master-Arbeit mit dem Thema „Entwicklung eines Analogie-basierten Vorhersagesystems für wetterabhängige erneuerbare Energien“ bei Enercast. „Wir bieten Studierenden die Möglichkeit, industrienahe Abschluss- oder Forschungsarbeiten in unserem Unternehmen zu schreiben. Der Vorteil: Hier finden Sie interessante und zukunftsweisende Themen, die wir individuell an das Studienziel anpassen. So arbeiten Sie praxisnah an neuen Wegen zur Integration erneuerbarer Energien in die Stromversorgung mit“, erläutert Thomas Landgraf, Geschäftsführer der enercast.

Die beiden Pfeile „NWP“ und „Messdaten“ repräsentieren einen zeitlichen Verlauf von Wetterdaten und Messdaten. t=0 ist der aktuelle Zeitpunkt. Wetterdaten aus dem Prognosefenster „F“ werden mit historischen Wettersituationen aus „H“ verglichen und es werden vier ähnliche Wettersituationen (blaue Kästen) identifiziert. Die vier ähnlichen Wettersituationen aus dem historischen Bereich „H“ haben korrespondierende Messwerte bzw. Leistungsdaten (oliv-farbene Kästen). Diese werden im Baustein „Ens“ zu einer Prognose verarbeitet, welche als grüner Kasten darstellt ist.

Zukünftiges durch Vergangenes bestimmen

Pankraz arbeitet bereits seit 2012 mit Enercast zusammen und entwickelt Verfahren zur Vorhersage für Leistungsprognosen. Sein Ansatz basiert auf dem Analog-Verfahren, welches mit historischen Daten arbeitet.

Ausgehend von einem historischen Datenbestand, der Wetterdaten sowie Leistungsmessungen beinhaltet, sollen Prognosen für erneuerbare Energien für einen zukünftigen Zeitraum (das sogenannte Prognosefenster) bereitgestellt werden. Dazu wird eine Wettervorhersage für das zu untersuchende Prognosefenster erfasst und mit solchen aus der Vergangenheit verglichen.

Können dort ähnliche historische Wetterverhältnisse identifiziert werden, werden die korrespondierenden historischen Messwerte verwendet, um eine Leistungsvorhersage für das Prognosefenster zu berechnen. Aus dieser Grundidee heraus werden drei Forschungsfragen entwickelt:

• Woran lässt sich ein analoger Fall identifizieren bzw. mit welchem Maß lässt er sich bestimmen?
• Wie viele analoge Fälle sind für eine Prognoseerzeugung optimal?
• Wie lassen sich die analogen Fälle geeignet zu einer Prognose verarbeiten?

Voraussetzung für die Anwendung des entwickelten Verfahrens ist lediglich eine Abhängigkeit zwischen Wetterdaten und Messwerten. Jene werden in der Regel von externen Dienstleistern eingekauft. Korrespondierende Messwerte werden hierbei von Anlagenbetreibern zur Verfügung gestellt. Die Prognosegüte steigt dabei mit der Menge der historischen Daten: Je mehr Daten verglichen werden, desto höher ist die Wahrscheinlichkeit, eine besonders ähnliche historische Wettersituation zu finden. „Exakt gleiche Verhältnisse findet man nicht, aber viele ähnliche“, erklärt Pankraz seine Weiterentwicklung des Analog-Verfahrens.

Wer profitiert davon?

Kunden des Vorhersagesystems sind beispielsweise Netzbetreiber, welche Prognosen benötigen, um die Stabilität eines Stromnetzes gewährleisten zu können. Auch Direktvermarkter fluktuierender erneuerbarer Energien sind auf Leistungsvorhersagen angewiesen, um am Strommarkt Handel zu treiben. Der Informatik-Student setzte den Schwerpunkt seiner Arbeit zwar auf das Szenario von Solarleistungsprognosen, allerdings ist die Methode universell in zahlreichen Anwendungsfällen einsetzbar. „Das Modell ist auch auf andere Bereiche wie etwa die Vorhersage von Windkraft oder Verbrauchsprognosen für Kühlanlagen anwendbar“, versichert er.