Solarstromprognosen helfen Netzbetreibern dabei, das Stromnetz vorausschauend zu regeln und den Solarstrom zu vermarkten. Für die Prognosen ist eine möglichst genaue Vorhersage der solaren Einstrahlung erforderlich. Wissenschaftlerinnen und Wissenschaftler des Fraunhofer-Instituts für Solare Energiesysteme ISE haben ein neues, KI-basiertes Verfahren entwickelt, um Wolkenentwicklung in Satellitenbildern besser vorherzusagen. Mit dieser Methode lassen sich Fehler bei der kurzfristigen Einstrahlungsprognose im Durchschnitt um elf Prozent verringern. Bindet man zusätzlich Infrarot-Aufnahmen ein, kann die Vorhersagegenauigkeit insbesondere am frühen Morgen nochmals deutlich verbessert werden.

In Deutschland nutzen Netzbetreiber hauptsächlich Solarstromprognosen, die auf numerischen Wettervorhersagen basieren, um den Anteil an Photovoltaik-Strom in ihren Netzen abzuschätzen. Die Prognose findet meist einen Tag im Voraus statt. Kurzfristige Präzisierungen der Prognose – 15 Minuten bis zu ein paar Stunden im Voraus – für eine Vermarktung des Solarstroms auf dem Intra-Day-Markt oder für das Netzlastmanagement werden auf Basis von Echtzeitmesswerten der PV-Einspeisung sowie Vorhersagen der solaren Einstrahlung aus Satellitenbildern errechnet.

Um die Vorhersage der solaren Einstrahlung für diese kurzfristigen Zeiträume weiter zu optimieren, entwickelten Wissenschaftlerinnen und Wissenschaftler des Fraunhofer ISE eine KI-basierte Methode. Diese sagt die Wolkenentwicklung in Satellitenbildern vorher und wertet sie gegen ein konventionelles Verfahren auf Basis von Wolkenzugsvektoren aus.

»Mit Hilfe des neuen Verfahrens konnten wir Vorhersagefehler gegenüber dem Referenzmodell auf allen untersuchten Vorhersagehorizonten – von 0 bis 4 Stunden je in 15 Minuten Auflösungsintervallen – deutlich reduzieren«, resümiert Nils Straub, Doktorand am Fraunhofer ISE und Hauptautor der Methode. »Im Durchschnitt waren die Vorhersagefehler 11 Prozent geringer.«

Ein Schwachpunkt von Vorhersagen basierend auf Satellitenbildern aus dem sichtbaren Spektralbereich sind die frühen Morgenstunden. Die Qualität der Bilder ist bei niedrigen Sonnenständen beeinträcht

igt und vor Sonnenaufgang sind sie komplett schwarz, so dass man in diesen Stunden keine Vorhersagen berechnen kann.

Das Forschungsteam adressierte dieses Problem, indem sie den sichtbaren Bildern zwei zusätzliche Infrarotkanäle hinzufügten. Diese sind nicht auf direktes Sonnenlicht angewiesen und funktionieren so auch im Dunkeln. »Gegenüber einem Modell das allein Bilder aus dem sichtbaren Spektrum nutzt wird, konnten wir die Vorhersageverfügbarkeit so deutlich steigern«, ergänzt Straub. »In Deutschland im Verlauf eines Jahres vor 8 Uhr von circa 22 auf bis zu 100 Prozent. Auch eine deutliche Verbesserung der Prognosen tagsüber war ein erfreuliches Nebenprodukt.« Die Aufgabe der KI in der Methode ist, die Wolkenentwicklung vorherzusagen und in Sonnenaufgangssituationen Infrarotkanäle für die Strahlungsvorhersage nutzbar zu machen.

»PV-Prognosesysteme spielen eine wichtige Rolle für den Handel mit Solarstrom, für das Netzmanagement und bei der Einsatzplanung von Kraftwerken«, erklärt Dr. Elke Lorenz, Gruppenleiterin für Solare Energiemeteorologie am Fraunhofer ISE. »Je mehr der Ausbau der fluktuierenden Erneuerbaren Energien voranschreitet, umso hilfreicher sind sie. Zwar übernehmen Speicher auch mehr und mehr eine stabilisierende Rolle für das Stromnetz ein, aber auch hier können PV-Einspeiseprognosen für einen kosteneffizienten Einsatz sorgen.«

Neben dem tages- und jahreszyklischen Strahlungsprofil, das sich aus der Sonnen/Erdkonstellation relativ einfach und mit hoher Genauigkeit berechnen lässt, haben Wolken den größten Einfluss auf die Strahlung am Boden und sind sehr viel schwieriger vorherzusagen. Daher ist die Strahlungsvorhersage eng mit der Vorhersage zukünftiger Wolkensituationen verknüpft. Aus den vorhergesagten Wolkensituationen werden anschließend solare Strahlungskarten für die nächsten Stunden berechnet.

Weitere Informationen auf: www.ise.fraunhofer.de

Quelle: Fraunhofer ISE