de.wedoany.com-Bericht: Ein Forschungsteam der North Carolina State University (NC State) hat durch die Integration mehrerer Prognosemodelle die Leistung der Day-Ahead-Solarprognose im Vergleich zum stabilsten Einzelmodell um bis zu 13 % verbessert und festgestellt, dass die regionale Anpassungsfähigkeit der Prognosemodelle deren tatsächliche Wirksamkeit erheblich beeinflusst.
Solarenergie entwickelt sich aufgrund ihrer Erneuerbarkeit und weiten Verbreitung rasant, doch ihre Erzeugung unterliegt Schwankungen, da sie von der Sonneneinstrahlung abhängt, was die Balance zwischen Stromangebot und -nachfrage vor Herausforderungen stellt. Versorgungsunternehmen benötigen genaue Day-Ahead-Prognosen, um ihre Stromerzeugungspläne vorab festzulegen. Der korrespondierende Autor der Studie, Yen-Hsi Chou, Postdoktorand an der North Carolina State University, erklärte, dass die zunehmende Verbreitung von Solarenergie die Prognose von Angebot und Nachfrage erschwere, da die Verfügbarkeit von Sonnenlicht nicht immer stabil sei. Anderson De Queiroz, Mitautor der Studie und außerordentlicher Professor für Bau-, Umwelt- und Infrastrukturtechnik an der Universität, wies darauf hin, dass mit steigender Solar-Durchdringung die Prognoseunsicherheit zu einem entscheidenden Faktor für Energieplaner und Netzbetreiber bei der Balance von Angebot und Nachfrage geworden sei; die Kombination mehrerer maschineller Lernmodelle könne robustere Prognosen liefern und dazu beitragen, die Zuverlässigkeit der Integration von Solarenergie in das Stromnetz zu verbessern.
Das Forschungsteam untersuchte zwei Arten von Modellierungsansätzen: statistische Modelle, die historische Muster erkennen, sowie künstliche neuronale Netze, die sich zum Verständnis nichtlinearer zeitlicher Beziehungen eignen. Das Team wählte sieben Modelle für Tests aus und validierte diese mit Wetter- und Stromdaten von zwei Versorgungsunternehmen in Kalifornien – dem Imperial Irrigation District (IID) und dem Los Angeles Department of Water and Power (LADWP) – aus den Jahren 2019 bis 2022.
Die Analyseergebnisse zeigten, dass kein einzelnes Modell in allen Szenarien die beste Leistung erbrachte. Das Team wählte das am stabilsten laufende BiLSTM-Modell als Basislinie und verbesserte die Leistung durch die Integration der Prognosen mehrerer Einzelmodelle, wobei die Verbesserung in einigen Fällen über 10 % lag. Die Integrationsmethoden waren zweierlei: Bei der gewichteten Durchschnittsmethode wurden die Prognosen von Modellen, die separat für verschiedene Standorte trainiert wurden, kombiniert, wobei besser abschneidende Modelle ein höheres Gewicht erhielten; die Multi-Input-Methode erlaubte es jedem Modell, Wetterdaten von mehreren Standorten zu nutzen.
Die beiden Integrationsmethoden zeigten unterschiedliche Ergebnisse in verschiedenen Regionen: Die gewichtete Durchschnittsmethode verbesserte die Prognoseleistung für IID um bis zu 11 %, während die Multi-Input-Methode für LADWP eine Verbesserung von bis zu 13 % erzielte.
De Queiroz erklärte, es gebe keine universelle Prognosestrategie, die in allen Regionen gleich gut funktioniere; das Verständnis der Merkmale jeder Region und die Nutzung von Informationen aus mehreren Modellen und Standorten seien entscheidend für die Entwicklung von Prognoseinstrumenten, die sowohl Genauigkeit gewährleisten als auch Entscheidungen im Netzbetrieb unterstützen könnten. Chou ergänzte, dass Integrationsmethoden im Vergleich zu Einzelmodellen tatsächlich das Potenzial zur weiteren Optimierung von Prognosen böten, jedoch für den jeweiligen Einsatzbereich getestet und feinjustiert werden müssten.
Die Studie wurde im Journal of Cleaner Production veröffentlicht und teilweise von der National Science Foundation unter der Fördernummer 2412711 unterstützt. Weitere Mitwirkende sind Arundhuti Haldar, Doktorandin in der Abteilung für Elektro- und Computertechnik, sowie Shubh Nisar, ehemaliger Absolvent der Informatikabteilung.
