Um eine sichere und günstige Stromversorgung zu gewährleisten, muss die zukünftige Stromproduktion möglichst genau prognostiziert werden. Die rasante Veränderung des Energiesektors mit dem steigenden Ausbau der Erneuerbaren Energien und der dadurch immer variabler werdenden Stromproduktion erschwert dies jedoch zunehmend.

Unterstützt vom Bundesministerium für Wirtschaft und Energie mit einem Budget von über einer Million Euro forschte das Entwicklerteam der enercast in den letzten Jahren gemeinsam mit dem Fraunhofer-Institut für Energiewirtschaft und Energiesystemtechnik (IEE) sowie der Universität Kassel daher im Forschungsprojekt „Prophesy“ mit dem Schwerpunkt „Prognoseunsicherheiten für Windenergie und Photovoltaik in zukünftigen Stromversorgungssystemen“. Das Projekt wurde Ende 2020 erfolgreich abgeschlossen.

Werkzeug simuliert die Entwicklung zukünftiger Prognosefehler

Eine große Rolle spielten die Vorhersageunsicherheiten von Wind- und Solarenergie in den Stromversorgungssystemen. Daher wurde im Rahmen des Projekts ein Simulationstool entwickelt, welches für verschiedene Szenarien die zu erwartende Einspeisung, Prognosen– sowie Prognosefehlerwerte für den Strom aus Photovoltaik- und Windkraftanlagen berechnet. Dabei berücksichtigten die Forscher erstmals auch die Entwicklung von Fehlern für Zeiträume in der Zukunft, ahmten diese nach und analysierten sie schließlich.  

Basierend auf tatsächlich gemessenen Einspeisungen, berechneten Prognosen und dem Prognosefehler als Differenz zwischen Prognose und Einspeisung wurde ein Simulationswerkzeug entwickelt, mit dem durch Simulation derselben Größen die Prognoseunsicherheit für zukünftige Szenarien untersucht werden kann.

Identifikation der Einflussfaktoren ermöglicht effiziente Simulation  

Mittels einer umfangreichen Analyse von physikalischen und Machine-Learning-Verfahren für die Leistungsprognose wurden wesentliche Einflussfaktoren für die Simulation des Prognosefehlers identifiziert. Dies sind neben der Windgeschwindigkeit und dem Geländetyp bei Windanlagen, der Neigungswinkel und mögliche Verschattungen bei PV–Anlagen. Hinzu kommen die generelle Datenverfügbarkeit und die verwendeten Wettermodelle. Es hat sich außerdem gezeigt, dass der Fehler mit dem Tages– und Jahresverlauf zusammenhängt. 

Referenz für zukünftige Planungsstudien 

Die gewonnenen Erkenntnisse ermöglichen eine effiziente Simulation von Prognosefehlerzeitreihen für verschiedene Standorte, Regionen und Zeitbereiche, welche anschließend z.B. für die Planung zukünftiger Stromnetze, die Einbindung der Elektromobilität oder zur Optimierung der Nutzung und Vermarktung bereits installierter Anlagen herangezogen werden können.  

Die Analyseergebnisse über die Genauigkeit der verschiedenen Verfahren zur Anlagensimulation bilden eine Grundlage für die weitere Entwicklung von Produkten zur Wirtschaftlichkeitsbewertung von neuen oder im Detail unbekannten Anlagen sowie zur Analyse von Energiesystemen. Während der Projektarbeit wurde zudem eine umfassende Datenbasis von Vorhersageverfahren aufgebaut, welche als Referenz für zukünftige Planungsstudien dient.

In unserem neuen Forschungsprojekt „TRANSFER“ erforschen wir Transfer Learning als essenzielles Werkzeug für die Energiewende, um die Prognosequalität bei neuen Anlagen zu verbessern. Zum Artikel