Short-Term Forecasting of Energy Production and Consumption Using Extreme Learning Machine: A Comprehensive MIMO based ELM Approach

Diese Studie stellt eine neuartige MIMO-basierte Extreme- Learning-Machine-Methode zur kurzfristigen Vorhersage von Energieerzeugung und -verbrauch vor, die mit sechs Jahren stündlicher Daten aus Korsika eine hohe Genauigkeit bei geringem Rechenaufwand für Echtzeitanwendungen erreicht.

Das Wesentliche

🌤️ Der Wetterbericht für den Strom: Eine neue Art, die Zukunft zu sehen

Stellen Sie sich die Insel Korsika wie einen riesigen, komplexen Kochtopf vor. In diesem Topf werden verschiedene Zutaten gemischt, um den Strom für alle Bewohner zu erzeugen:

• Die Sonne (Solar),
• Der Wind (Windkraft),
• Das Wasser (Hydro),
• Der Öl- und Gas-Dampf (Thermisch),
• Und sogar Strom, der von außen hereinkommt (Import).

Das Problem ist: Der Koch (das Stromnetz) muss genau wissen, wie viel von jeder Zutat in den nächsten Stunden im Topf sein wird. Wenn die Sonne plötzlich hinter einer Wolke verschwindet oder der Wind nachlässt, muss der Koch schnell reagieren, sonst wird das Essen (der Strom) nicht warm genug oder der Topf kocht über.

Bisher haben die Köche oft nur geschaut: "Was war gerade eben? Dann wird es wohl auch in einer Stunde so sein." Das nennt man die "Persistenz-Methode". Aber das funktioniert nicht gut, wenn sich das Wetter schnell ändert.

🧠 Die neue Lösung: Der "Super-Koch-Assistent" (ELM)

Die Autoren dieses Papiers haben einen neuen, sehr schnellen Assistenten entwickelt, der Extreme Learning Machine (ELM) heißt. Man kann sich das wie einen genialen Kochlehrling vorstellen, der nicht Jahre braucht, um zu lernen, sondern in Sekunden blitzschnell lernt.

Hier ist, wie er funktioniert, ganz einfach erklärt:

1. Der Blick in die Vergangenheit (Sliding Window):
   Der Assistent schaut sich nicht nur den aktuellen Moment an. Er nimmt sich einen "Blickfenster" von den letzten 48 Stunden und betrachtet alles auf einmal. Wie ein Film, bei dem er die letzten Szenen analysiert, um zu erraten, was als Nächstes kommt.

2. Der "MIMO"-Trick (Alles auf einen Schlag):
   Früher hat man für jede Zutat einen eigenen Assistenten gehabt (einen für Sonne, einen für Wind, einen für Wasser). Das war ineffizient.
   Dieser neue Assistent nutzt eine MIMO-Strategie (Multiple Input, Multiple Output). Das ist, als würde ein einzelner, sehr schlauer Koch gleichzeitig alle Zutaten im Auge behalten. Er weiß: "Aha, wenn der Wind stark wird, wird die Sonne vielleicht schwächer, und dann muss ich mehr Wasser nutzen." Er erkennt die Zusammenhänge zwischen allen Zutaten auf einmal.

3. Warum er so schnell ist:
   Andere moderne Assistenten (wie die sogenannten "Deep Learning"-Modelle oder LSTMs) sind wie riesige, komplexe Maschinen, die stundenlang üben müssen, bevor sie arbeiten können. Sie sind schwerfällig.
   Unser ELM-Assistent ist wie ein Schuss aus dem Revolver. Er braucht keine stundenlange Übung. Er wirft die Daten in sein Gehirn, berechnet die Lösung mathematisch in einem Schritt und ist sofort einsatzbereit. Das ist perfekt für Situationen, in denen man sofort handeln muss (Echtzeit).

📊 Was hat er herausgefunden?

Die Forscher haben den Assistenten mit echten Daten von Korsica getestet (6 Jahre lang!). Hier sind die Ergebnisse, übersetzt in Alltagssprache:

• Er ist ein Meister im Vorhersagen: Für die nächsten 1 bis 5 Stunden trifft er die Menge an Strom, die produziert wird, extrem genau.
  • Beispiel: Bei der Sonne und dem thermischen Strom (Öl/Gas) ist er fast unfehlbar. Er ist viel besser als die alten Methoden.
• Der Wind ist tricky: Wind ist wie ein unruhiges Kind. Man kann nicht genau sagen, was es als Nächstes macht. Hier ist der Assistent gut, aber nicht perfekt. Aber immer noch besser als das Raten.
• Bioenergie ist schwierig: Bei kleinen Mengen an Bioenergie (wie Biogas) war der Assistent manchmal sogar etwas ungenauer als das einfache Raten. Das liegt daran, dass diese Quelle sehr klein und unvorhersehbar ist.
• Der Vergleich mit den "Schweren": Der Assistent war nicht nur schneller, sondern auch genauer als die riesigen, komplexen Deep-Learning-Modelle. Er hat die gleichen Ergebnisse geliefert, aber in einem Bruchteil der Zeit und ohne den riesigen Rechenbedarf.

🚀 Warum ist das wichtig?

Stellen Sie sich vor, Sie sind der Netzmanager. Sie müssen entscheiden: "Soll ich jetzt den Diesel-Generator anwerfen oder warten, bis die Sonne wieder scheint?"

Mit diesem neuen Assistenten können Sie:

• Sicherer sein: Sie wissen, wann Strom fehlt, bevor es passiert.
• Geld sparen: Sie müssen weniger teure Reservekraftwerke anwerfen.
• Umweltschonender arbeiten: Sie können mehr Sonnen- und Windstrom nutzen, weil Sie genau wissen, wann er kommt.

🎯 Das Fazit in einem Satz

Die Autoren haben einen ultraschnellen, schlauen Assistenten gebaut, der wie ein erfahrener Koch alle Zutaten des Stromnetzes gleichzeitig beobachtet, um den Strombedarf der nächsten Stunden vorherzusagen – und das viel schneller und oft genauer als die bisherigen, schwerfälligen Methoden.

Es ist wie der Unterschied zwischen einem alten, mürrischen Wetterbericht, der nur sagt "heute ist es warm", und einem modernen, hochpräzisen Radar, das Ihnen genau sagt, wann die Wolke kommt, damit Sie den Regenschirm rechtzeitig packen können.

Technische Zusammenfassung

Technische Zusammenfassung: Kurzfristige Prognose der Energieerzeugung und -nachfrage mittels Extreme Learning Machine (ELM)

Titel: Short-Term Forecasting of Energy Production and Consumption Using Extreme Learning Machine: A Comprehensive MIMO based ELM Approach
Autoren: Cyril Voyant et al.
Veröffentlicht: September 2025 (Preprint)

---

1. Problemstellung und Motivation

Die Integration erneuerbarer Energien (EE) wie Solar und Wind in Stromnetze stellt eine große Herausforderung dar, da diese wetterabhängig und volatil sind. Dies führt zu Unsicherheiten bei der Angebot-Nachfrage-Balance, insbesondere in Inselnetzen wie Korsika, die durch begrenzte Interkonnektoren und geringe Trägheit gekennzeichnet sind.

• Herausforderungen: Traditionelle statistische Methoden scheitern oft an den nicht-stationären und nicht-linearen Wechselwirkungen in multi-quelligen Energiesystemen.
• Lücken in der Forschung: Es fehlte bisher an einem Ansatz, der gleichzeitig die Produktion aller Energiequellen (Solar, Wind, Wasser, Thermal, Bioenergie, Importe) und den Gesamtverbrauch in einem einzigen Modell prognostiziert.
• Ziel: Entwicklung einer effizienten, genauen und rechenleistungssparenden Methode zur kurzfristigen Vorhersage (1–10 Stunden im Voraus), die als Entscheidungsunterstützung für Netzbetreiber dient, ohne auf komplexe Deep-Learning-Architekturen angewiesen zu sein.

2. Methodik

Datengrundlage

• Quelle: Stündliche Daten (2018–2023) von der Insel Korsika, bereitgestellt von EDF.
• Volumen: 368.256 Datenpunkte.
• Variablen: Gesamtnachfrage, Solar, Wind, Wasserkraft, Thermal, Bioenergie und Importe.
• Besonderheit: Die Daten umfassen sowohl konventionelle als auch erneuerbare Quellen sowie Importe, die eng mit der Nachfrage korrelieren.

Vorverarbeitung und Feature-Engineering

• Sliding Window: Ein Fenster von 48 Stunden (2 Tage) wird verwendet, um zeitliche Abhängigkeiten zu erfassen.
• Zeitkodierung: Zyklische Merkmale werden durch Sinus- und Cosinus-Funktionen ($\sin(2\pi t/24)$, $\cos(2\pi t/24)$) kodiert, um die Tagesrhythmik zu erhalten.
• Mutual Information (MI): Zur Analyse der Abhängigkeiten zwischen den Variablen wurde die normalisierte gegenseitige Information berechnet, um die Relevanz eines MIMO-Ansatzes zu untermauern (starke Abhängigkeiten zwischen Thermal, Hydro und Importen wurden festgestellt).

Modellarchitektur: Extreme Learning Machine (ELM) im MIMO-Modus

Das Kernstück der Studie ist ein Multi-Input Multi-Output (MIMO) Ansatz basierend auf der Extreme Learning Machine (ELM).

• Prinzip: Im Gegensatz zu herkömmlichen neuronalen Netzen (Backpropagation) werden die Eingangs-Gewichte zufällig initialisiert und nicht trainiert. Nur die Ausgangsgewichte werden analytisch (über die Moore-Penrose-Pseudoinverse) berechnet.
• Architektur:
  • Eingabe: 338 Features (7 Energievariablen $\times$ 48 Zeitstufen + 2 Zeitindizes).
  • Versteckte Schicht: 4096 Neuronen mit ReLU-Aktivierung.
  • Ausgabe: 7 Vorhersagen (die 7 Energievariablen für den Zielhorizont $h$).
• Vorteil: Dies ermöglicht eine "geschlossene Lösung" (closed-form solution) ohne iterative Optimierung, was die Trainingszeit drastisch reduziert.

Vergleichsmodelle

• Persistence-Modell: Als Baseline (Annahme: der nächste Wert ist gleich dem aktuellen).
• LSTM (Long Short-Term Memory): Ein komplexes Deep-Learning-Modell zum Vergleich der Genauigkeit und Rechenzeit.
• SISO (Single-Input Single-Output): Zum Vergleich mit dem MIMO-Ansatz (separate Modelle für jede Variable).

3. Key Contributions (Hauptbeiträge)

1. Pionierarbeit im MIMO-Kontext: Erstmalige simultane Vorhersage aller Energiequellen und des Gesamtverbrauchs in einem einzigen Modell für ein regionales Netz.
2. Effizienz vs. Komplexität: Demonstration, dass ein einfaches ELM-Modell Deep-Learning-Modelle (LSTM) in Bezug auf Trainingsgeschwindigkeit und Interpretierbarkeit übertrifft, ohne signifikant an Genauigkeit zu verlieren.
3. Robustheit bei Nicht-Stationarität: Der Ansatz benötigt keine strenge Stationarisierung der Daten, da zyklische Muster direkt in die Architektur integriert sind.
4. Echtzeit-Tauglichkeit: Durch die geringe Rechenkomplexität ist das Modell ideal für Online-Learning und Echtzeit-Anwendungen in Smart Grids geeignet.

4. Ergebnisse

Die Modelle wurden mit Metriken wie normalisiertem RMSE (nRMSE), MAE (nMAE) und $R^2$ bewertet.

• Genauigkeit (1-Stunden-Horizont):
  • Gesamtverbrauch: $R^2 > 0.99$, nRMSE $\approx$ 2,2 %.
  • Thermal: $R^2 \approx 0,98$, nRMSE $\approx$ 5,1 %.
  • Solar: $R^2 \approx 0,98$, nRMSE $\approx$ 17,9 %.
  • Wind: Schwieriger zu prognostizieren ($R^2 \approx 0,92$, nRMSE $\approx$ 42 %), was der hohen Volatilität geschuldet ist.
• Vergleich mit Persistence:
  • Der ELM-Modell zeigt signifikante Verbesserungen (Gain $G > 0$) gegenüber dem Persistence-Modell für fast alle Quellen.
  • Der größte Gewinn wurde bei der Gesamtprognose (bis zu 81 % Fehlerreduktion bei 7 Stunden Vorhersage) und bei Solar erreicht.
  • Bioenergie zeigte negative Gewinne, da die geringe installierte Leistung und hohe Variabilität das Modell überfordern.
• Vergleich ELM vs. LSTM:
  • Genauigkeit: ELM war dem LSTM überlegen (LSTM hatte bei 5 Stunden Vorhersage einen nRMSE von 17,2 % für den Gesamtverbrauch vs. 4,6 % bei ELM).
  • Rechenzeit: ELM benötigte ca. 104 Sekunden für das Training, während LSTM ca. 2652 Sekunden (ca. 25-mal länger) benötigte.
  • Interpretierbarkeit: ELM bietet eine lineare, nachvollziehbare Lösung, während LSTM ein "Black Box"-Modell ist.
• MIMO vs. SISO:
  • Der MIMO-Ansatz war leicht genauer als SISO (insbesondere bei Hydro und Solar, Fehlerreduktion bis zu 4 %), da er Korrelationen zwischen den Quellen nutzt.
  • Der Rechenaufwand für MIMO war jedoch geringer als für 7 separate SISO-Modelle.

5. Signifikanz und Implikationen

• Entscheidungsunterstützung: Die Methode bietet Netzbetreibern ein Werkzeug zur Optimierung des Dispatchings, zur Integration erneuerbarer Energien und zur Vermeidung von Netzinstabilitäten.
• Praktische Anwendbarkeit: Aufgrund der geringen Rechenanforderungen ist das Modell für den Einsatz auf Standard-Hardware und in Echtzeit-Systemen (z. B. Microgrids) geeignet.
• Zukunftsausblick: Die Studie zeigt, dass komplexe Deep-Learning-Modelle nicht immer notwendig sind. Für kurzfristige Prognosen können einfache, aber gut strukturierte lineare Modelle (wie ELM) effizienter und robuster sein.
• Limitationen: Die Prognosegenauigkeit nimmt bei längeren Horizonten (> 5 Stunden) und bei stark volatilen Quellen (Wind) ab. Operative Einschränkungen (Wartung, Staus) werden noch nicht explizit modelliert.

Fazit: Die Studie etabliert die MIMO-basierte ELM als hochwirksame, schnelle und präzise Alternative zu komplexen Deep-Learning-Ansätzen für das Energiemanagement in multi-quelligen Systemen.