Um dauerhaft das bestmögliche Ergebnis bei der Prognosedienstleistung zu erzielen, müssen kontinuierlich die Prognosequalität  überwacht und Prognosemodelle aktualisiert werden. Dadurch können auch Probleme mit den zugrundeliegenden Daten oder mit der Anlage selbst aufgedeckt werden.

Auf die Frage „Wie gut ist diese Prognose“ gibt es jedoch leider keine einfache Antwort, denn je nach Anwendungszweck und Umständen der Prognoseberechnung kann die Beurteilung exakt desselben Algorithmus sehr unterschiedlich ausfallen. Daher ist es entscheidend, die verschiedenen Techniken zur Messung der Prognosequalität zu verstehen und von Beginn an diejenigen auszuwählen, die für Ihre geschäftlichen Anforderungen geeignet sind.

Auswahl relevanter Kennzahlen für die Prognosequalität 

Die Differenz zwischen Prognose und tatsächlicher Leistung (sog. Ist-Wert) wird Prognosefehler genannt. Bei Leistungsprognosen für erneuerbare Energien wird sie in der Regel für jedes relevante Zeitintervall (z.B. 15 oder 60 Minuten) berechnet und anschließend aggregiert. Eine Kennzahl für die Prognosequalität muss normiert werden – etwa auf die installierte Leistung oder die produzierte Energie –, um eine Vergleichbarkeit über Assets hinweg zu ermöglichen. 

Während der normierte RMSE eine weit verbreitete Kennzahl bei der Ausweitung von Leistungsprognosen für Erneuerbare Energien ist, können je nach Anwendung andere Kennzahlen relevant sein und sollten dementsprechend klar spezifiziert sein.

Mittlerer Fehler (Bias) 

Der normierte Bias ist der Mittelwert des Prognosefehlers, normiert auf die installierte Leistung. Da sich hierbei positive und negative Fehler gegenseitig aufheben, wird der nBias bei einer hinreichend großen Stichprobe in der Regel nahe null. Anderenfalls deutet dies auf einen systematischen Fehler der Prognose hin. 

Mittlerer absoluter Fehler (MAE) 

Der normierte Mittlere absolute Fehler (nMAE) stellt den Mittelwert des Absolutbetrags des Prognosefehlers dar. Da sich hieraus Kosten für Ausgleichsenergie ableiten lassen, ist der nMAE gut geeignet für Wirtschaftlichkeitsberechnungen.

Root Mean Square Error (RMSE) 

Der normierte RMSE (nRMSE) berechnet sich aus der Wurzel der Quadrate des Prognosefehlers je Zeitintervall. Im Gegensatz zum nMAE werden hierbei größere Fehlern gegenüber kleineren Abweichungen stärker gewichtet. In den Bereichen Meteorologie und Energiemeteorologie ist der nRMSE die vorherrschende Kennzahl. 

Anwendungsspezifische KPIs 

Je nach Anwendung können weitere, spezifische Kennzahlen berechnet werden, die das gewünschte Verhalten der Prognose oder die mit dem Prognosefehler einhergehenden Kosten, z.B. für Strafzahlungen oder Ausgleichsenergie, repräsentieren.

In einer umfassenden Qualitätsauswertung werden verschiedene Qualitätsmaße verglichen und kombiniert. Die Verfügbarkeiten der Anlage sind kritische Eingabedaten für die Auswertung, da sie oft nicht vorhersagbar sind.

Aussagekräftige und vergleichbare Kennzahlen

Kennzahlen für die Prognosequalität sind nur für die zugrundeliegenden Daten gültig, werden jedoch für die Zukunft betreffende Entscheidungen verwendet. Dies bring unvermeidbar ein gewisses Maß an Unsicherheit mit sich. Aussagekräftige und vergleichbare Kennzahlen können jedoch gewonnen werden, wenn einige wichtige Faktoren berücksichtigt werden.

Auswertungszeitraum 

Wenn die Leistugngsfähigkeit eines Prognosemodells beurteilt werden soll, sollte der Auswertungszeitraum repräsentativ für alle Jahreszeiten sein, z.B. indem ein ganzes Jahr abgedeckt wird. 

Beim Vergleich verschiedener Prognosemodelle muss dies in jedem Fall mit exakt denselben Ist-Werten und demselben Auswertungszeitraum erfolgen.

Prognosehorizonte und Aktualisierungszeiten 

Da der Prognosefehler mit zunehmendem Prognosehorizont größer wird, müssen die Aktualisierungszeiten und Vorlaufzeiten beim Vergleich verschiedener Prognosemodelle übereinstimmen. 

Nicht prognostizierbare Einflussfaktoren 

Die tatsächliche Leistung einer Windkraft- oder Solaranlage wird von einer Reihe nicht wetterbedingter, sondern anlagenspezifischer Faktoren beeinflusst. Nicht vorhersagbare Einflussfaktoren sollten aus der Auswertung herausgenommen oder gesondert berücksichtigt werden.

Dazu gehören z.B. die vorübergehende Nichtverfügbarkeit eines Teils oder der gesamten Anlage, ebenso wie Umweltschutzmaßnahmen. Da die verfügbare Leistung die Grundlage der Prognose ist und in der Regel für die Berechnung normierter Metriken verwendet wird, wirken sich diese Änderungen direkt auf die Auswertungsergebnisse aus. Daher sollten Informationen zum Anlagenstatus und Betriebsmodi bereitgestellt und bei der Auswertung berücksichtigt werden.

Erfahren Sie mehr in unserem Whitepaper

Lesen Sie unser Whitepaper: Accurate Power Forecasts for Variable Renewable Energy Using enercast e³ Technology (auf Englisch), um mehr darüber zu erfahren, wie Ihr Unternehmen durch konsistente Auswertungen den größtmöglichen Nutzen aus den Prognosen ziehen kann und welche Fallstricke Sie vermeiden können.