Photovoltaik-Leistungsprognose: enercast verwendet Methoden der künstlichen Intelligenz bei der Vorhersage der Solarstrom-Einspeisung

25.03.2012 / Archiv / Photovoltaik

Das Fraunhofer Institut für Windenergie und Energiesystemtechnik (IWES) entwickelt seit zwei Jahren zusammen mit der enercast GmbH (Kassel) zuverlässige und genaue Leistungsprognosen für Windkraftwerke und Photovoltaik-Anlagen, berichtet enercast in einer Pressemitteilung.Das Institut hat bereits über 15 Jahre Erfahrung in der Prognose von Strom aus volatilen Quellen wie Wind und Sonne.

Meteorologische Daten fließen in die Prognosen mit ein

Um zu berechnen, welche Leistung eine Windenergie- oder Photovoltaik-Anlage bei einer bestimmten Wettersituation erbringt, sind eine genaue Kenntnis der Anlage sowie Auswertungen meteorologischer Daten notwendig.

enercast verwendet dabei Methoden der künstlichen Intelligenz, beispielsweise künstliche neuronale Netze, die aus Erfahrungen der Vergangenheit Schlüsse über den Zusammenhang von Wetterprognosen und zukünftiger eingespeister Leistung herstellen können.

Neuronale Netze: Lernen durch Erfahrungen in der Vergangenheit

Neuronale Netze zeichnen sich dadurch aus, dass unbekanntes Verhalten schwankender Einspeiser in der Zukunft durch erlernte Erfahrungen aus der Vergangenheit vorhergesagt werden kann. Die neuronalen Netze nehmen dabei sowohl wetter- als auch standortabhängige Effekte auf.

Befinde sich beispielsweise in westlicher Himmelsrichtung einer Anlage eine Erhebung oder eine andere Windenergieanlage, lerne das System, dass bei Wind aus westlicher Richtung eine Verschattung der Anlage eintritt. Der Vorteil hierbei sei, dass keine detaillierte Modellierung der Umgebungsparameter notwendig ist und somit auch unbekannte Phänomene erlernt werden können.

Je länger das Lernen, desto genauer die Prognosen

Je länger und aktueller die Zeiträume sind, die den neuronalen Netzen zum Lernen zur Verfügung gestellt werden, desto genauer bilden die Berechnungsergebnisse die Realität ab.

Während ein physikalisch modelliertes System an einem Punkt stehen bleibe und aufwändig manuell auf den neuesten Stand gebracht werden müsse, könnten neuronale Netze mittels Neukalibrierung durch Daten der nahen Vergangenheit in einem automatisierten Prozess aktualisiert werden, betont enercast.