«Big Data» für Solarprognosen

Heutige Vorhersagen zur Photovoltaik-Produktion basieren in der Regel auf numerischen Wettervorhersagemodellen. Diese haben jedoch eine sehr begrenzte räumliche und zeitliche Auflösung und können die künftigen Wetterbedingungen an einem Ort deshalb nur ungenau abbilden. Entsprechend ungenau sind auch die Produktionsvorhersagen. PV-Anlagen hingegen sind räumlich sehr fein verteilt und deren Produktionsdaten spiegeln das lokale Wetter sehr genau. Die Forschenden des CSEM haben sich deshalb zum Ziel gesetzt, aus den vergangenen Produktionsdaten von PV-Anlagen die künftige Produktion vorherzusagen – in einem grossen Gebiet und zeitlich fein aufgelöst. Dazu griffen sie auf Methoden des maschinellen Lernens zurück und modellierten, wie die Produktionsdaten an den unterschiedlichsten Standorten räumlich und zeitlich korrelieren. So kann der Algorithmus aufgrund der Messdaten zum Beispiel Wolkenbewegungen aus vergangenen Produktionsdaten ableiten und vorhersagen.

Allerdings sind die Daten, vor allem aus kleineren PV-Anlagen, häufig durch Rauschen verunreinigt oder sie weisen Lücken auf. Die Herausforderung war, einen Algorithmus zu entwickeln, der fehlerhafte Daten rekonstruieren kann. Das Projektteam verglich dazu verschiedene Methoden, die auf künstlichen neuronalen Netzen basieren. Dabei handelt es sich um Algorithmen, die der Funktionsweise des menschlichen Gehirns nachempfunden sind

Die Algorithmen wurden mit realen Produktionsdaten vergangener Jahre trainiert und anschliessend an grossen Datensätzen getestet – von mehr als 300 realen PV-Anlagen, die über die Schweiz verteilt sind, und 1000 synthetischen Systemen, die nach Grösse, Ausrichtung und Standort den Schweizer Anlagenpark abbilden. Alle untersuchten Methoden erwiesen sich als robust gegen Datenlücken und die Produktionsvorhersagen für drei Stunden waren besser als solche, die auf Wetterdaten beruhen – teilweise sogar für bis zu sechs Stunden.

Sollen solche Algorithmen künftig eingesetzt werden, um die Stromnetze schweizweit vorausschauend zu regeln und Lasten zu steuern, müssen die Algorithmen deutlich mehr Daten verarbeiten können. Eine weitere Herausforderung ist, Echtzeitdaten online einzubinden statt wie bisher offline vergangene Messwerte zu verarbeiten. Daran arbeiten die Projektpartner nun weiter.