Wann liefert eine Photovoltaikanlage Strom? Natürlich dann, wenn die Sonne scheint. Den Betreibern der Anlagen und den Energieversorgern genügt diese Antwort freilich nicht. Um Angebot und Nachfrage zu steuern, um die Auslastung zu planen und um Energiespeicher möglichst effizient zu nutzen, benötigen sie genauere Angaben und Vorhersagen.

Inzwischen gibt es einen eigenen Forschungszweig namens Energiemeteorologie, der sich unter anderem mit PV-Prognosesystemen beschäftigt. Dabei geht es darum, Wetterdaten und Beobachtungssysteme so zu optimieren, dass man möglichst genau vorhersagen kann, wann zu welchem Zeitpunkt wie viel Solarstrahlung auf eine bestimmte Anlage trifft. Wie in der täglichen Wettervorhersage, wird auch im Bereich des sogenannten Solar Power Forecasting derzeit viel mit künstlicher Intelligenz experimentiert.

Unter anderem am Karlsruher Institut für Technologie (KIT). Dort hat ein Team von Forscherinnen und Forschern untersucht, wie sich die Solarleistungsvorhersagen durch maschinelles Lernen verbessern lassen. Die von unabhängigen Expertinnen und Experten geprüfte Studie ist vor Kurzem im Fachmagazin Advances in Atmospheric Sciences erschienen.

Traditionell basieren die Wettervorhersagen auf numerischen Wettermodellen (NMW), die von verschiedenen Institutionen und Wetterdiensten entwickelt werden. Sie verwenden zahlreiche Daten verschiedener Messstationen, um mithilfe komplexer Gleichungen zu berechnen, wie sich etwa Temperatur, Luftdruck, Dichte, Windrichtung und Windgeschwindigkeit in der Atmosphäre im Verlauf der Zeit verändern. Mit sogenannten Ensemble-Vorhersagen werden gleichzeitig, ausgehend von mehreren leicht unterschiedlichen Anfangszuständen, mehrere Modellrechnungen durchgeführt, wodurch eine probabilistische Vorhersage entsteht.

Für die PV-Prognose ist dabei vor allem die globale horizontale Bestrahlungsstärke (GHI) interessant: Sie beschreibt in Watt pro Quadratmeter, wie viel Sonne auf eine Fläche fällt, die horizontal zur Erdoberfläche liegt. Auf Basis der GHI lässt sich schließlich, unter Zuhilfenahme der technischen Spezifikationen einer Anlage deren Output prognostizieren.

Aber: „Wettervorhersagen sind nicht perfekt, und diese Fehler fließen in die Vorhersagen für die Solarenergie ein“, sagt Nina Horat, Forscherin am KIT und Hauptautorin der Studie. Sie und ihre Kolleginnen haben untersucht, wie sich die Vorhersagen der numerischen Wettermodelle durch nachträgliche Bearbeitung, etwa durch zusätzliche statistische Methoden oder maschinelles Lernen optimieren lassen, um die Vorhersage der Solarenergieproduktion zu verbessern.

Konkret hat das Team untersucht, an welcher Stelle der Vorhersage welche Art von Nachbearbeitung das beste Ergebnis liefert. Die Grundlage der Studie waren Daten des Solarparks Jacumba in Kalifornien, der 2017 in Betrieb ging. Die Jahre zwischen 2017 und 2019 nahmen sie als Trainingsdaten, die Daten aus dem Jahr 2020 dienten zur Kontrolle, um herauszufinden, wie die Prognosen im Vergleich mit den tatsächlich vor Ort gemessenen Werten abschnitten.

„Unsere Ergebnisse zeigen, dass die Nachbearbeitung die Vorhersage zur Solarstromerzeugung erheblich verbessert“, schreiben die Forschenden. Das gelte insbesondere dann, wenn die Nachbearbeitung erst später auf die Leistungsvorhersagen angewendet wird und nicht schon zu Beginn auf die Wetterdaten. Die Methoden des maschinellen Lernens übertrafen in Sachen Genauigkeit die statistischen Methoden, wenn auch nur leicht.

Allerdings war es mithilfe des KI-Algorithmus möglich, die Solarleistung direkt aus den Wetterdaten vorherzusagen. Die direkte Prognose lieferte dabei im Test ähnlich gute Ergebnisse wie Post-Processing-Methoden. „Das Direktprognosemodell hat den Vorteil, dass es allgemein anwendbar ist und keine spezifischen Kenntnisse über die Auslegung und die technischen Spezifikationen der einzelnen Solaranlage benötigt“, heißt es in der Studie. Allerdings benötigt es dafür möglichst genaue, historische Trainingsdaten.

Außerdem fand das Team des KIT heraus, dass die Einbeziehung der Tageszeit die Vorhersage der Solarleistung noch genauer machte. „Wir sahen erhebliche Verbesserungen, wenn wir separate Modelle für jede Stunde des Tages trainierten oder die Zeit direkt in die Algorithmen einspeisten“, sagt Co-Autor Sebastian Lerch.

Obwohl die Arbeit letztlich nur eine einzige Solaranlage analysiert, zeigt sie das Potenzial von KI-Modellen und Optimierungsmethoden für PV-Prognosesysteme. Denn sicher ist: Je stärker die erneuerbaren Energien wachsen, desto wichtiger wird es für die Anlagen- und Netzbetreiber, deren Leistung schon im Voraus berechnen zu können.