Bild: zurich.co.uk
Ein internationales Forschungsteam unter Leitung der Hong Kong Polytechnic University hat ein neues Modell zur ultra-kurzfristigen Prognose von Solarstrom entwickelt. Die Methode kombiniert ein Convolutional Neural Network (CNN) mit einem bidirektionalen Long Short-Term Memory (BiLSTM), einem Attention-Mechanismus sowie dem Machine-Learning-Verfahren Natural Gradient Boosting (NGBoost). Ziel ist es, die Leistung von PV-Anlagen fünf Minuten im Voraus möglichst genau und probabilistisch vorherzusagen.
Modellstruktur und Vergleich
- Modellarchitektur: CNN + BiLSTM + Attention + NGBoost
- Vorhersagetypen:
- Deterministisch: exakte Leistung in fünf Minuten
- Probabilistisch: Bandbreite möglicher Werte mit Eintrittswahrscheinlichkeiten
- Vergleichsmodelle:
- Quantile Regression (QR)
- QR-basierte Deep-Learning-Modelle: QCNN, QLSTM, QBiLSTM, QGRU
- Einzelnes NGBoost-Modell
- Teststandorte:
- DKASC-7 (6,96 kW, CdTe-Module)
- DKASC-9A (5,2 kW, CIGS-Module)
- DKASC-13 (5,25 kW, monokristallin)
Starke Performance durch Kombination mehrerer KI-Techniken
Das neu entwickelte Modell verarbeitet meteorologische Messdaten und historische PV-Leistungen, um präzise Vorhersagen zu generieren. Das CNN erkennt kurzfristige Trends, das BiLSTM analysiert langfristige Muster, während der Attention-Mechanismus die wichtigsten Zeitpunkte hervorhebt. Diese abstrahierten Merkmale werden an NGBoost weitergegeben, das sowohl Punkt- als auch Wahrscheinlichkeitsprognosen erstellt.
Die Ergebnisse sprechen für sich: Mit einem durchschnittlichen Normalized Mean Absolute Error (NMAE) von ca. 5 % und einem Forecast Skill Score (SS) von rund 60 % übertraf das Modell alle Vergleichsansätze deutlich. Die Fehlerreduktion im Vergleich zu bestehenden Methoden liegt je nach Kennzahl zwischen 15 % und über 60 %.
Mehr Sicherheit für Energiemärkte und Netzmanagement
Probabilistische Prognosen gewinnen zunehmend an Bedeutung für Netzbetreiber, Energieversorger und Märkte. Sie liefern nicht nur einen erwarteten Leistungswert, sondern auch die Bandbreite möglicher Abweichungen – inklusive deren Eintrittswahrscheinlichkeiten. Das Modell erzielte z. B. beim Continuous Ranked Probability Score (CRPS) Werte von nur 0,0710 bis 0,0898 kW – eine Verbesserung von bis zu 42 % im Vergleich zu etablierten Verfahren.
Auch bei weiteren Metriken wie Prediction Interval Coverage Probability (PICP), Prediction Interval Normalized Average Width (PINAW) und Winkler Score (WS) schnitt das Modell durchweg besser ab. Die Forschung wurde unter dem Titel „Probabilistic ultra-short-term solar photovoltaic power forecasting using natural gradient boosting with attention-enhanced neural networks“ in der Fachzeitschrift Energy and AI veröffentlicht. Beteiligt waren Wissenschaftler:innen aus Hongkong und Dänemark.