Wettermodelle – Big Data für gute Prognosen

Eine wichtige Basis für die Prognose der Leistung von Windkraft- und PV-Anlagen sind Datensätze von Wettermodellen verschiedener meteorologischer Institute. Diese Wettermodelle, auch NWP (Numerical weather prediction) genannt, berechnen anhand von numerischen Gleichungen die zukünftige Wettersituation. Damit ist es mitunter möglich für Positionen auf der ganzen Welt für die nächsten Tage und Wochen eine Vorhersage vieler meteorologischer Parameter treffen zu können.

 

Wettermodell-Temperatur-Global-Forecast-System

 

Hierbei bedienen sich die Hersteller solcher Wetterprognosen an einer Vielzahl an Daten um einen Ausgangszustand für das Wettermodell zu ermitteln. Diese Datenbasis bilden zum Teil Messungen von Satelliten, Radarstationen und bodengestützte Einrichtungen (Wetterstationen). Es werden aber auch Daten z.B. von Schifffahrt, dem Flugverkehr oder Wetterballons verwendet.

 

Aus diesen Daten wird in einem nächsten Schritt, auch Datenassimilation genannt, ein Ausgangszustand errechnet, von welchem beginnend das Wettermodell nun die Zukunft prognostiziert.

 

Die nachfolgende Abbildung zeigt beispielhaft die Temperatur für einen Zeitschritt aus den Prognosen eines unserer verwendeten Wettermodelle, dem GFS (Global Forecast System).

 

Vielfältige Wettermodelle

 

Die enercast bezieht eine Vielzahl an unterschiedlichen Wettermodellen um verschiedenen Anwendungsszenarien gerecht zu werden. Ein wichtiger Anwendungsfall sind hierbei globale Wettermodelle, welche es uns ermöglichen weltweite Entwicklungen verfolgen zu können. Des Weiteren stehen auch Wettermodelle, welche für einen bestimmten geografischen Bereich Wetterprognosen mit einer höheren Präzision berechnen, zur Verfügung. Darüber hinaus gibt es auch Wettermodelle für hoch spezialisierte Einsatzzwecke wie für z.B. die Seefahrt.

 

Zur Veranschaulichung dieses Prinzips eignet sich ein Auszug aus dem Portfolio des DWD (Deutscher Wetterdienst):

Das Globalmodell ICON berechnet die Entwicklung des Wetters über eine Woche in die Zukunft voraus, welches mehrmals am Tag aktualisiert wird. Mit COSMO-EU verfügt der DWD über ein Modell für den europäischen Raum, welches mit höherer Auflösung für die nächsten 3 Tage rechnet. Wetterprognosen mit noch höherer Auflösung werden für den deutschen Raum mit COSMO-DE bereitgestellt. Dieses Modell wird im Laufe eines Tages häufiger neu berechnet, als die anderen Modelle. Außerdem verfügt es aus ökonomischen Gründen über eine Prognosereichweite von ca. einem Tag.

 

Große Datenmengen

 

Die Wettermodelle werden in der Regel auf großen Verbünden von Computern, Großrechner oder so  genannten Supercomputern genannt, berechnet. Dies sind Lagerhaus füllende Rechensysteme mit sehr großer Rechenleistung.

 

Um die Größe der Datenmengen verdeutlichen zu können, stellt einer unserer Zulieferer von Wetterprognosen seine Zahlen zur Verfügung. Hierbei handelt es sich um das ECMWF (European Centre for Medium-Range Weather Forecasts):

 

Die Supercomputer verfügen über zehntausende Rechenkerne und können gigantische Datenmengen, welche durch die Wettermodelle anfallen, berechnen. Der archivierte Datenbestand wächst hierbei um 130 TB (Terabyte) pro Tag, insgesamt stehen über 125 PB (Petabyte) Daten zur Verfügung.

 

Die Wetterparameter, welche von einem Wettermodell berechnet werden, reichen hierbei von gängigen Größen wie etwa Temperatur, Luftdruck und Windgeschwindigkeit bis hin zu Parametern wie Strahlenbelastung, Luftverschmutzung oder Pollenflug.

 

Effiziente Datenbereitstellung als Fundament

 

Die enercast bezieht verschiedenartige meteorologische Daten um die breit gefächerten Anforderungen unserer Kunden erfüllen zu können. Zu diesen Daten gehören bestimmte Wetterparameter unterschiedlicher Wettermodelle. Aber auch zusätzliche Datenquellen wie etwa Satellitendaten oder in Echtzeit übermittelte Einspeisezeitreihen fließen in unsere Algorithmen.

 

Allerdings benötigen wir für unsere Geschäftsprozesse den Zugriff auf mehrere Jahre weitreichende, meteorologische Datensätze. Diese müssen nicht nur bei uns archiviert, sondern auch für den schnellen Zugriff zur Verfügung gestellt werden.

 

Damit zum Beispiel Analysen auf diesen Datensätzen angewendet werden können, müssen diese speziell organisiert werden. Dazu verwendet enercast aus dem Big Data Bereich bekannte Datenhaltungsformen.

 

Fortschritt durch intelligente Technologien

 

Um nun mit Hilfe der meteorologischen Daten eine Leistungsprognose erstellen zu können verwendet enercast fortgeschrittene und aufwendige Verfahren.

 

Eines der von enercast eingesetzten Verfahren um Leistungsprognosen für eine Anlage zu erstellen ist hierbei das KNN (Künstliches Neuronales Netzwerk). Dieses Verfahren ist dem biologischen Vorbild eines Gehirns nachempfunden. Die neuronalen Netzwerke lernen für eine Anlage den Zusammenhang zwischen den Leistungsdaten und den Wetterprognosen. Der Prozess wird auch „Training“ genannt. Nach dem Lernvorgang können diese trainierten neuronalen Netze für zukünftige Prognosen eingesetzten werden, indem diese sich an das Gelernte „erinnern“. Dabei hat das KNN während dem Training eine Vielzahl an Informationen über die Anlage erlernt. Darunter zählen zum Beispiel unterschiedliche Besonderheiten jeder Anlage oder Einflüsse durch die Umgebung des Standortes.

 

Desto mehr Daten dem KNN während dem Training zur Verfügung stehen desto mehr Informationen und unterschiedliche Szenarien kann es erlernen.

 

Ein weiteres, von der enercast eingesetztes, Verfahren sind physikalische Modelle um Leistungsprognosen zu erstellen. Diese bilden die verschiedenen Anlagentypen physikalisch nach und errechnen aus den Wettermodellen die Leistungsprognosen.

 

Ensembling verspricht zuverlässige Leistungsprognosen

 

Jedes Wettermodell verfügt über Stärken und Schwächen. Bedingt durch diesen Umstand weichen die Wetterprognosen zwischen den Wettermodellen ab. Dieses Verhalten schlägt sich auch teilweise in den daraus erstellten Leistungsprognosen nieder. Um diesem Effekt entgegen zu wirken und die Prognosegüte zu verbessern wird das sogenannte „Ensemble-Verfahren“ eingesetzt. In diesem Verfahren wird individuell für jede Anlage eine Bewertung von jedem Wettermodell durchgeführt um die Stärken einzelner Wettermodelle hervorzuheben und die Schwächen zu reduzieren.