Intelligente Ertragsprognose für Solar- und Windenergie

Der von Wind- und Solaranlagen gelieferte Strom muss für die nähere Zukunft relativ genau vorhergesagt werden, nur so ist ein stabiler Betrieb des Stromnetzes möglich. Anlagenbetreiber, die ihren Strom an der Leipziger Strombörse direkt vermarkten, haben auch ein wirtschaftliches Interesse an möglichst präzisen Ertragsprognosen. Sie sind verpflichtet, möglichst genaue Prognosen abzugeben, um Strafzahlungen zu vermeiden.

Neuronale Netze als neuer Ansatz für die Ertragsprognose

Grundlage aller Ertragsprognosen ist eine zuverlässige Wettervorhersage, anhand derer die Sonneneinstrahlung und die Windstärke lokal prognostiziert werden können. Bisherige Prognosen basieren auf einer möglichst genauen Modellierung der tatsächlichen physikalischen Verhältnisse. Ob ein Windrad beispielsweise bei speziellen Windrichtungen in einem Windschatten steht, musste in diesen Modellen berücksichtigt werden. Eine Photovoltaikanlage kann einem unterschiedlich starkem Schattenwurf ausgesetzt sein, abhängig von der Tageszeit, zu der die Wetterbedingungen besonders günstig sind. Zu allem Überfluss können sich diese Rahmenbedingungen im Laufe der Zeit ändern, beispielsweise durch eine veränderte Bebauung in der Umgebung der Anlage. Die Modelle müssen also ständig aktualisiert werden. Weicht die Prognose regelmäßig von der tatsächlichen Stromerzeugung ab, muss darüber hinaus eine detaillierte Fehleranalyse der Modelle vorgenommen werden. In einem gemeinsamen Projekt mit dem Fraunhofer Institut für Windenergie und Energiesystemtechnik hat die enercast GmbH ein neues Verfahren für Ertragsprognosen entwickelt, das diese Probleme vermeidet. Dabei erstellen neuronale Netze eine Ertragsprognose ausschließlich anhand der Inputparameter der Wetterprognose, ohne dazu ein detailliertes physikalisches Modell zu nutzen.

Menschliches Vorgehen

Die Grundidee neuronaler Netze besteht darin, die Funktionen des menschlichen Gehirns zumindest rudimentär nachzubilden. Im Zentrum steht dabei die Fähigkeit, selbständig aus Erfahrungen zu lernen. Daher verwundert es nicht, dass die Arbeitsweise eines neuronalen Netzes in gewissem Sinne menschlich anmutet. Aus den Daten der Vergangenheit wird ein Zusammenhang zwischen den Wetterbedingungen und der Stromerzeugung ermittelt. Für die Prognose wird zunächst von diesem Zusammenhang ausgegangen. Weicht die tatsächliche Stromerzeugung von der Prognose ab, wird mit anderen Gewichtungen der Eingabeparameter experimentiert. Steigert beispielsweise eine Gewitterfront mit starkem Wind den Stromoutput eines Windrades weniger stark als vermutet, wird diese Information künftig weniger stark gewichtet. Dieser Lernvorgang wird nach jeder Prognose wiederholt, wodurch sich die Ergebnisse ständig verbessern. Der immense Vorteil dieses Verfahrens besteht darin, dass der Lernprozess ausschließlich aufgrund realer Wetterdaten und realer Outputdaten der Solar- und Windanlagen erfolgt. Es wird nicht versucht, physikalische Gründe für den gefundenen Zusammenhang zu ermitteln. Das Credo lautet also „Hauptsache es klappt“. Kaum ein Autofahrer ist in der Lage, den Bremsweg abhängig von der Geschwindigkeit, der Neigung der Straße, dem Straßenbelag und den Wetterverhältnissen zu berechnen. Das neuronale Netz im Kopf hat dafür aus Erfahrungen andere Lösungen erlernt.