Complex-Valued Time Series Based Solar Irradiance Forecast

Diese Studie stellt ein einfaches, ressourcenschonendes komplexwertiges Autoregressionsmodell vor, das zur kurzfristigen probabilistischen Vorhersage der globalen Solarstrahlung auf Korsika eingesetzt wird und dabei sowohl deterministische als auch probabilistische Ergebnisse liefert, die in ihrer Genauigkeit oft klassische Methoden wie Gauß-Prozesse oder Quantilregression übertreffen.

Das Wesentliche

Die Wettervorhersage für die Sonne: Eine Reise in die Welt der "Zweifarben-Zahlen"

Stellen Sie sich vor, Sie wollen vorhersagen, wie viel Sonnenlicht morgen auf Ihre Solaranlage fällt. Das ist für Stromversorger extrem wichtig, denn die Sonne ist ein launischer Gast: Manchmal scheint sie hell, manchmal zieht eine Wolke vorbei und die Leistung bricht plötzlich ein.

Die Forscher aus Korsika haben eine neue Methode entwickelt, um dieses "Wackeln" der Sonnenstrahlung besser vorherzusagen. Statt nur eine einzige Zahl zu raten, nutzen sie einen cleveren Trick mit komplexen Zahlen.

1. Das Problem: Nicht nur die Zahl, sondern das Zittern

Normalerweise schauen Vorhersagemodelle nur auf den Durchschnittswert (die reale Zahl). Das ist, als würden Sie sagen: "Morgen wird es 20 Grad warm." Aber das sagt nichts darüber aus, ob es dann plötzlich stürmt oder die Sonne durch Wolken bricht.

Die Forscher sagen: "Wir brauchen mehr!"

• Der reelle Teil (Die Zahl): Das ist der vorhergesagte Wert der Sonnenstrahlung.
• Der imaginäre Teil (Das Zittern): Das ist die Volatilität. Stellen Sie sich das wie das "Zittern" oder die Unsicherheit vor. Wenn die Wolken schnell hin und her ziehen, ist das Zittern hoch. Wenn der Himmel klar ist, ist es ruhig.

2. Die Lösung: Ein Tanz in zwei Farben

Statt zwei separate Modelle zu bauen (eines für den Wert, eines für das Zittern), haben die Wissenschaftler diese beiden Informationen in eine einzige komplexe Zahl gepackt.

• Die Analogie: Stellen Sie sich vor, Sie beschreiben einen Tanz.
  • Die Bewegung nach vorne (wie weit Sie gehen) ist der reelle Teil (die Sonnenstrahlung).
  • Die Schwingung oder das Wackeln während des Tanzes ist der imaginäre Teil (die Volatilität).

Indem sie diese beiden Aspekte zusammen in einem "komplexen Tanzschritt" (einem komplexen Zeitreihen-Modell) betrachten, können sie das plötzliche Wackeln viel besser einfangen als Modelle, die nur geradeaus laufen.

3. Der Vorteil: Ein sicherer Zaun statt einer einzelnen Linie

Frühere Methoden sagten oft nur eine Linie voraus: "Morgen um 12 Uhr sind es genau 800 Watt." Das ist riskant, weil die Realität selten so genau ist.

Die neue Methode baut einen Zaun um die Vorhersage:

• Sie sagen: "Es wird wahrscheinlich zwischen 700 und 900 Watt liegen."
• Das Besondere: Die Breite dieses Zauns passt sich automatisch an.
  • Ist das Wetter ruhig (wenig Zittern), wird der Zaun eng (sehr genaue Vorhersage).
  • Ist das Wetter chaotisch (viel Zittern), wird der Zaun breit (wir geben zu, dass wir uns nicht sicher sind).

4. Das Ergebnis: Einfach, aber schlau

Die Studie zeigt, dass diese Methode:

• Weniger Rechenpower braucht: Sie ist wie ein einfacher Taschenrechner im Vergleich zu einem Supercomputer.
• Genau ist: Sie liegt oft näher an der Wahrheit als komplizierte KI-Modelle.
• Robust ist: Sie funktioniert auch, wenn Daten fehlen oder die Technik mal hakt.

Zusammenfassend:
Die Forscher haben entdeckt, dass man die Sonne nicht nur als statische Zahl betrachten darf. Man muss auch das "Nervosität" der Wolken mit einbeziehen. Indem sie diese Nervosität als zweite Dimension (die imaginäre Zahl) in ihre Berechnungen einbauen, können sie den Stromfluss aus Solaranlagen viel sicherer planen. Es ist wie ein erfahrener Kapitän, der nicht nur auf den Kompass schaut, sondern auch spürt, wie stark das Schiff im Wellengang wackelt, um den Kurs perfekt zu halten.

Technische Zusammenfassung

Titel: Prognose der Globalstrahlung auf Basis komplexwertiger Zeitreihen

Autoren: Cyril Voyant et al. (Universität Korsika, Universität Réunion, Universität Lothringen)

---

1. Problemstellung

Die Integration von Photovoltaik (PV) in das Stromnetz wird durch die stochastische und variable Natur der Solarressource erschwert. Für ein effektives Lastmanagement und die Netzstabilität sind präzise Kurzzeitvorhersagen (Nowcasting) der Globalstrahlung (Global Horizontal Irradiance, GHI) unerlässlich.

• Herausforderung: Bestehende maschinelle Lernverfahren erfassen oft nur den allgemeinen Trend, scheitern jedoch daran, schnelle Schwankungen (Fluktuationen) der Strahlung zu modellieren.
• Zielkonflikt: Fortgeschrittene nichtparametrische Ansätze, die diese Schwankungen erfassen sollen, neigen oft zu Überanpassung (Overfitting) oder sind für den praktischen Einsatz zu komplex (hoher Rechenaufwand, Datenmangel, Systemausfälle).
• Notwendigkeit: Es wird eine Methode benötigt, die einfach zu implementieren, robust, ressourcenschonend ist und dennoch sowohl deterministische als auch probabilistische Vorhersagen mit hoher Genauigkeit liefert.

2. Methodik

Die Autoren schlagen einen neuen, nichtparametrischen probabilistischen Ansatz vor, der auf der Transformation der Zeitreihe in den komplexen Zahlenraum basiert.

A. Datenvorbereitung und Volatilitätsdefinition

• Datenbasis: Messdaten aus Ajaccio (Korsika) von 2008–2017 (Training) und 2018 (Test).
• Normalisierung: Statt der rohen GHI-Werte wird der Clear-Sky-Index $\kappa(t)$ verwendet:
  $$\kappa(t) = \frac{GHI(t)}{GHI_{CS}(t)}$$
  wobei $GHI_{CS}$ die Strahlung unter klarem Himmel (berechnet mit dem Solis-Modell) ist.
• Volatilität ($\sigma_\tau$): Als imaginärer Teil der komplexen Zeitreihe wird die Volatilität definiert. Sie repräsentiert das Maß an Unsicherheit und schnellen Schwankungen.
  $$\sigma_\tau(t) = \sqrt{\frac{1}{\tau} \sum_{i=0}^{\tau-1} \left( r(t-i) - \bar{r} \right)^2}$$
  wobei $r(t) = \kappa(t) - \kappa(t-1)$ die Rendite ist und $\tau=30$ Stunden als Fenstergröße gewählt wurde.

B. Komplexe Autoregressive Modellierung (AR)

• Komplexe Transformation: Es wird eine skalare komplexwertige Zeitreihe $z(t)$ konstruiert:
  $$z(t) = \kappa(t) + j \cdot \sigma_\tau(t)$$
  wobei $\kappa(t)$ der Realteil (Trend/Strahlung) und $\sigma_\tau(t)$ der Imaginärteil (Volatilität/Risiko) ist.
• Modell: Ein komplexwertiges autoregressives Modell der Ordnung $p$ (AR(p)) wird angewendet:
  $$\hat{z}(t+1) = \sum_{i=0}^{p-1} z(t-i) \cdot \omega_i$$
  Dies erlaubt es, die Vorhersage von $\kappa$ und $\sigma_\tau$ in einer einzigen Gleichung zu koppeln, anstatt zwei separate Systeme zu lösen.
• Parameteroptimierung: Die Koeffizienten $\omega$ werden durch komplexe Kleinste-Quadrate-Optimierung (Least Squares) unter Verwendung der Frobenius-Norm bestimmt. Zur Regularisierung wird eine Ridge-Regression mit einem Lagrange-Multiplikator $\lambda$ eingesetzt (hier $\lambda = 3.74$).

C. Probabilistische Vorhersage (Intervallbildung)

• Aus der komplexen Vorhersage $\hat{z}$ werden der vorhergesagte Wert $\hat{\kappa}$ und die vorhergesagte Volatilität $\hat{\sigma}_\tau$ extrahiert.
• Unter der Annahme einer Normalverteilung (oder durch datengetriebene Korrektur) werden Konfidenzintervalle für die GHI berechnet.
• Die Intervallgrenzen werden durch einen Skalierungsfaktor $\mu_{t+\ell}$ (basierend auf der gewünschten Abdeckungswahrscheinlichkeit) und die Volatilität bestimmt:
  $$\Lambda = [\hat{GHI} - \mu \cdot GHI_{CS} \cdot \hat{\sigma}_\tau, \quad \hat{GHI} + \mu \cdot GHI_{CS} \cdot \hat{\sigma}_\tau]$$
• Ein datengetriebener Ansatz (Lookup-Tables oder exponentielle Anpassung) wird verwendet, um die theoretischen Annahmen (wie die Normalverteilung) zu korrigieren und die Abdeckungswahrscheinlichkeit (PICP) zu optimieren.

3. Wichtige Beiträge

1. Neue mathematische Formulierung: Die Kopplung von Strahlungswert und Volatilität in einer einzigen komplexen Zeitreihe ermöglicht die gleichzeitige Modellierung von Trend und schnellen Fluktuationen.
2. Einfachheit und Effizienz: Das Modell benötigt sehr wenige Parameter (im Fallstudie nur 6 komplexe Zahlen) und ist rechnerisch sehr effizient im Vergleich zu komplexen nichtparametrischen Methoden oder Gaussian Processes.
3. Theoretische Fundierung: Die Arbeit liefert eine theoretische Herleitung, wie die Volatilität (basierend auf der Varianz der Renditen) genutzt werden kann, um Unsicherheitsintervalle zu generieren, und zeigt den Zusammenhang zwischen der Volatilität und den hochfrequenten Schwankungen der Strahlung.
4. Praktische Anwendbarkeit: Die Methode ist so einfach, dass sie potenziell in einer einfachen Tabellenkalkulation implementiert werden kann, was sie für den Einsatz in dezentralen PV-Systemen attraktiv macht.

4. Ergebnisse

Die Methode wurde für Vorhersagehorizonte von 1 bis 6 Stunden mit anderen etablierten Methoden verglichen:

• Vergleichsmethoden: Gaussian Process (Gauss), Bootstrap-Verfahren (Boot), Quantile Regression (Quant).
• Deterministische Genauigkeit (nRMSE): Die komplexe Methode (Compl) erzielt Werte zwischen 0,196 und 0,325 (je nach Horizont), was mit den besten klassischen Methoden (z.B. Quantile Regression) gleichzieht oder diese leicht übertrifft.
• Probabilistische Leistung:
  • PICP (Coverage Probability): Bei einem nominalen Abdeckungsgrad von 80% erreicht die Methode fast exakt 80% (z.B. 80,01% für 1h), während andere Methoden oft abweichen.
  • MIL (Mean Interval Length): Die Methode liefert die kürzesten Intervalle bei gleicher Abdeckungswahrscheinlichkeit. Ein schmaleres Intervall bei gleicher Sicherheit bedeutet eine höhere Vorhersagegüte.
  • CRPS & MSIS: Die Methode zeigt robuste Werte für den Continuous Ranked Probability Score (CRPS) und den Mean Scaled Interval Score (MSIS), wobei sie insbesondere im MSIS (der alle Horizonte zusammenfasst) besser abschneidet als Bootstrap und Gaussian Process.

5. Bedeutung und Ausblick

• Praxisrelevanz: Der Ansatz bietet einen „No Free Lunch"-konformen Weg: Er ist nicht der komplexeste, aber er bietet das beste Verhältnis von Einfachheit, Robustheit und Genauigkeit für den praktischen Einsatz im Smart Grid.
• Übertragbarkeit: Die Methodik ist nicht auf Solarenergie beschränkt. Sie kann auf andere physikalische Zeitreihen angewendet werden, bei denen Trend und Volatilität gleichzeitig modelliert werden müssen.
• Zukunft: Die Autoren schlagen vor, die imaginäre Komponente auch für andere Variablen (z.B. Residuen, exogene Daten) zu nutzen und die Methode auf komplexere ML-Architekturen (Neuronale Netze, Support Vector Regression) zu übertragen.

Fazit: Das Paper demonstriert erfolgreich, dass eine elegante mathematische Transformation (komplexe Zahlen) in Kombination mit einem einfachen AR-Modell eine hochleistungsfähige Alternative zu komplexen Black-Box-Modellen für die solare Strahlungsvorhersage darstellt.