Steigerung der Prognosegüte durch Minimierung der NWV-Modellabweichung

Die Präzision von Leistungsprognosen ist ein entscheidender Faktor für den Erfolg von Windkraft- und Solaranlagen. Die vorhergesagte Menge an erzeugter Energie muss sich in einem möglichst kleinen Fehlerbereich bewegen, um den Anlagenbetreibern und Stromhändlern ein wirtschaftliches Auskommen zu ermöglichen. Verschiedene Faktoren beeinflussen die Präzision von Leistungsprognosen. Einer davon ist die Qualität der Daten aus den numerischen Wettervorhersagemodellen (NWV). Jedes NWV-Modell hat bestimmte Stärken und Schwächen, die von Bedingungen wie Region, Gelände und Prognosehorizont abhängen. Wenn diese Stärken und Schwächen bekannt sind, können fundierte Entscheidungen getroffen werden, die eine höhere Präzision der Leistungsprognosen ermöglichen. Im Gegensatz dazu kann die Prognosequalität sinken, wenn sie übersehen werden. 

NWV-Modelle aus der Vogelperspektive dank Big Data 

Um diese Charakteristik der NWV-Modelle herauszustellen, hat Alexandros Saivanidis, Student der Universität Kassel, im Rahmen seiner Bachelorarbeit mit dem Titel „Monitoring the quality of Numerical Weather Prediction models bei enercast eine Softwarelösung entwickelt, die die von enercast verwendeten NWV-Modelle im großen Maßstab auswertet. 

Das Tool erstellt Analysen von Wetterparametern wie Temperatur, Windgeschwindigkeit oder solarer Einstrahlung und vergleicht dabei die entsprechenden Prognosen der verschiedenen NWV-Modelle mit meteorologischen Stationsmessdaten oder anderen Ist-Werten. Die Analysen können nach Region oder Land, Prognosehorizont (z.B. Intraday– oder Day-Ahead-Prognosen) oder Geländetyp (z.B. Hügel) aufgeschlüsselt werden. Die dafür benötigten Zeitreihen werden aus dem enercast MeteoStore X Repository abgerufen, das 1 Petabyte an Wetterdaten im Schnellzugriff bereitstellt. Das effiziente Verarbeiten dieser Datenmengen, um die gewünschten Fehlerwerte zu erzeugen, war eine der technischen Herausforderungen dieses Projekts. Die Fehlermetriken können dann mittels einer Webanwendung visualisiert werden, z.B. als Histogramm der Fehlerverteilung.  

Die Verteilung des RMSE (Wurzel der mittleren Fehlerquadratsumme) der Temperaturprognose zeigt eine höhere Qualität des NWV-Modells ICON EU-Nest im Vergleich zu GFS für 124 Standorte in hügeligem Gelände in Deutschland (Prognosehorizont: 3 Stunden in die Zukunft, Auswertungszeitraum: Juni bis August 2020).

 

Bestmögliche Qualität durch Anpassung an spezifische Kundenanforderungen 

Dank der von Alexandros Saivanidis entwickelten Lösung steht der Produktentwicklung bei enercast nun ein Werkzeug zur Verfügung, mit dem sehr schnell die Qualität der NWV-Modelle im globalen Maßstab ausgewertet werden kann. Dadurch kann die Prognosequalität gesteigert werden, insbesondere für Anlagen, bei denen noch keine Daten für eine standortspezifische Auswertung und Optimierung vorliegen. Außerdem ermöglicht die Software die Überwachung von Veränderungen der Charakteristik der Modelle. Da das Design der Software die Vielfältigkeit der Kundenanforderungen berücksichtigt, ist eine Anpassung der Auswertungsparameter oder eine Erweiterung um neue Fehlermaße jederzeit möglich. 

Nach dem erfolgreichen Abschluss seines Bachelorstudiums ist Alexandros Saivanidis nun Anwendungsentwickler bei enercast. Wir heißen ihn herzlich in unserem Team willkommen! 

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.