Meteorological data and Sky Images meets Neural Models for Photovoltaic Power Forecasting

Diese Studie entwickelt einen hybriden multimodalen Ansatz, der Himmelsbilder mit meteorologischen Daten und neuronalen Modellen kombiniert, um die Genauigkeit der Photovoltaik-Leistungsprognose, insbesondere bei Wolken und für Rampenereignisse, zu verbessern und so das Netzmanagement zu optimieren.

Das Wesentliche

Wetter, Wolken und KI: Wie ein neuer Algorithmus die Solarstrom-Vorhersage revolutioniert

Stellen Sie sich vor, Sie sind ein Koch, der ein riesiges Festmahl für eine ganze Stadt zubereitet. Ihr Hauptzutatenlieferant ist die Sonne. Das Problem? Die Sonne ist ein sehr unzuverlässiger Lieferant. Manchmal scheint sie hell und klar, manchmal ziehen dicke Wolken vorbei und verdecken sie, und manchmal regnet es. Wenn Sie nicht genau wissen, wann welche Menge an Sonnenlicht ankommt, können Sie entweder zu viel Essen zubereiten (und es wird verschwendet) oder zu wenig (und die Gäste gehen hungrig).

Genau dieses Problem haben die Forscher Inés Montoya-Espinagosa und Antonio Agudo angepackt. Sie wollen wissen: Wie viel Strom wird eine Solaranlage in den nächsten Minuten oder Stunden produzieren?

Hier ist die einfache Erklärung ihrer Lösung, aufgeteilt in drei Teile:

1. Das alte Problem: Nur ein Auge ist nicht genug

Früher haben Computer versucht, den Solarstrom vorherzusagen, indem sie nur auf Himmelsbilder schauten (wie eine Überwachungskamera, die in den Himmel blickt) oder nur auf Zahlen (Wetterdaten wie Windgeschwindigkeit).

• Das Bild allein: Ist wie ein Mensch, der nur durch ein Fernglas schaut. Er sieht die Wolken, aber er weiß nicht, wie stark der Wind weht, der die Wolken bewegt, oder wie viel Wärme in der Luft steckt.
• Die Zahlen allein: Sind wie ein Meteorologe, der nur Statistiken liest, aber die Wolken nicht wirklich sieht.

Beide Methoden haben Schwächen, besonders wenn das Wetter schnell umschlägt (z. B. wenn eine dicke Wolke plötzlich die Sonne verdeckt). Das nennt man „Rampen-Ereignisse" – plötzliche, steile Änderungen in der Stromproduktion, die das Stromnetz durcheinanderbringen können.

2. Die neue Lösung: Ein Super-Team aus drei Experten

Die Forscher haben einen neuen Ansatz entwickelt, den sie „Multimodal" nennen. Das klingt kompliziert, ist aber eigentlich wie ein Traum-Team aus drei Experten, die gemeinsam in einem Raum sitzen und den Himmel beobachten:

1. Der Fotograf (Die Kamera): Er macht alle paar Sekunden ein Foto vom Himmel. Er sieht genau, wo die Wolken sind und wie dunkel sie sind.
2. Der Wetter-Experte (Die Daten): Er hat einen riesigen Datenkoffer mit Informationen wie Windgeschwindigkeit, Luftdruck und wie viel Wärme von der Erde zurück in den Himmel strahlt (das ist wie ein unsichtbarer Wärmesensor).
3. Der Astronom (Die Sonnenposition): Er weiß exakt, wo die Sonne gerade steht und wo sie gleich sein wird. Er hilft dem Team zu verstehen, ob ein Schatten von einer Wolke kommt oder einfach nur von der Tageszeit.

Die Magie passiert, wenn diese drei zusammenarbeiten.
Die Forscher haben eine künstliche Intelligenz (ein neuronales Netzwerk) gebaut, die alle drei Informationen gleichzeitig verarbeitet. Stellen Sie sich vor, die KI ist wie ein Dirigent, der die Kamera, den Wettermann und den Astronomen dirigiert. Wenn der Fotograf eine dunkle Wolke sieht, schaut der Wettermann sofort nach, ob der Wind stark ist (was die Wolke schnell wegpusten könnte). Der Astronom sagt: „Aber die Sonne steht gerade tief, also wird der Schatten länger sein."

3. Was bringt das? (Die Ergebnisse)

Die Ergebnisse sind beeindruckend, besonders an trüben Tagen:

• Bessere Vorhersagen bei Wolken: An sonnigen Tagen war es schon relativ einfach vorherzusagen. Aber an bewölkten Tagen, wo es chaotisch ist, hat das neue System die Fehler deutlich reduziert. Es ist wie ein erfahrener Kapitän, der auch bei stürmischer See den Kurs hält, während andere nur bei ruhigem Wasser navigieren können.
• Das Geheimnis der Wärme: Eine besonders interessante Entdeckung war, dass Daten über die Wärmestrahlung (wie viel Wärme von der Erde zurück in den Himmel strahlt) sehr wichtig sind. Das hilft der KI zu verstehen, wie dicht die Wolken sind, noch bevor sie die Sonne komplett verdecken.
• Stromnetz-Sicherheit: Wenn wir genau wissen, wann die Sonne ausfällt, können die Stromversorger besser planen. Sie müssen nicht mehr so viel Reserve-Strom aus Kohle oder Gas bereithalten, nur weil sie unsicher sind. Das macht das Stromnetz stabiler und grüner.

Zusammenfassung in einer Metapher

Früher war die Solarstrom-Vorhersage wie Schach spielen mit verbundenen Augen: Man wusste nur grob, wo die Figuren waren, aber nicht genau, was als Nächstes passiert.

Dieser neue Ansatz ist wie Schach spielen mit einem Team von Großmeistern, die alle Informationen haben: Sie sehen den gesamten Brettzustand (die Wolken), kennen die Regeln der Physik (die Wetterdaten) und wissen, wie die Gegner denken (die Sonnenbewegung).

Das Fazit: Durch das Kombinieren von Bildern, Wetterdaten und der Position der Sonne haben die Forscher ein System geschaffen, das Solarstrom viel zuverlässiger vorhersagen kann. Das ist ein großer Schritt hin zu einer Welt, in der wir uns mehr auf saubere Energie verlassen können, ohne Angst vor plötzlichen Stromausfällen zu haben.

Technische Zusammenfassung

1. Problemstellung

Die Integration von Photovoltaik (PV) in das Stromnetz wird durch die hohe Variabilität der Solarenergie, verursacht durch die dynamische Bewegung von Wolken, erschwert. Diese Unvorhersehbarkeit führt zu schnellen Schwankungen in der Einstrahlung (sogenannte „Ramp Events"), was die Netzstabilität gefährdet und eine präzise Lastprognose schwierig macht.
Bestehende Ansätze, die entweder rein auf numerischen/statistischen Modellen oder auf reinen Himmelsbildern basieren, weisen folgende Grenzen auf:

• Schwierigkeiten bei der Vorhersage plötzlicher Leistungsschwankungen (Ramp Events).
• Geringe Robustheit bei bewölkten Wetterbedingungen.
• Mangelnde Interpretierbarkeit und Schwierigkeiten bei der Identifizierung von Wolkenmustern in komplexen Szenarien (z. B. Nebel oder starke Bewölkung).

Das Ziel dieser Arbeit ist es, eine hybride, multimodale Methode zu entwickeln, die die Genauigkeit der Kurz- (Nowcasting) und Langzeitprognose (Forecasting) verbessert, insbesondere bei Bewölkung, und die Netzstabilität durch bessere Vorhersagen unterstützt.

2. Methodik

Die Autoren schlagen einen hybriden Ansatz vor, der visuelle Daten (Himmelsbilder) mit physikalischen meteorologischen Daten und einer analytischen Sonnenpositionsbestimmung kombiniert.

Datenquellen:

• Visuelle Daten: Der SKIPP'D-Datensatz, der 360-Grad-Fischauge-Bilder (2048x2048 Pixel, heruntergerechnet auf 64x64) mit einer Frequenz von 1 Minute enthält. Zusätzlich liegen PV-Leistungsdaten vor. Es wurden 20 Tage (10 sonnig, 10 bewölkt) analysiert.
• Meteorologische Daten: ERA5-Reanalysedaten des ECMWF. Es wurden 10 Schlüsselvariablen extrahiert, darunter:
  • Analyse-Variablen: Gesamtwolkenbedeckung (tcc), Oberflächendruck (sp), Windkomponenten (100u, 100v).
  • Vorhersage-Variablen: Windböen (i10fg) und Strahlungsflüsse (z. B. Strahlung nach unten: ssrd, strd, str, tsr, fdir).
  • Die Daten wurden von vier Gitterpunkten um die Kamera (Stanford University) extrahiert und auf 1-Minuten-Auflösung interpoliert.
• Sonnenposition: Eine analytische Berechnung der Sonnenazimut- und Elevationswinkel mittels pvlib. Diese wird in Bildkoordinaten (x, y) umgewandelt, um Lichtmuster und atmosphärische Bedingungen im Kontext des Sonnenzyklus zu berücksichtigen.

Neuronale Architekturen:
Es wurden zwei Deep-Learning-Modelle entwickelt, die auf einem ähnlichen Backbone basieren (Convolutional Neural Networks mit 3x3 Filtern, Batch Normalization, ReLU und Max-Pooling), sich aber in den Eingabedaten unterscheiden:

1. Nowcasting-Modell ($f_N$): Nimmt ein einzelnes aktuelles Himmelsbild ($I_i$) und aktuelle meteorologische Daten ($M_i$) zur sofortigen Leistungsprognose ($P_i$).
2. Forecasting-Modell ($f_F$): Nutzt eine Sequenz von 16 Bildern und den zugehörigen PV-Leistungswerten der letzten 15 Minuten, um die Leistung 15 Minuten in die Zukunft vorherzusagen.

Fusion der Daten:
Ein zentrales Merkmal ist die Fusion der Daten: Die flachgelegten Bildmerkmale werden mit den meteorologischen Variablen (als Vektoren für einzelne oder multiple Variablen) und den normalisierten Sonnenkoordinaten verkettet. Diese physikalischen Informationen werden direkt in den latenten Merkmalsraum des neuronalen Netzes eingeführt.

3. Wichtige Beiträge

• Multimodale Fusion: Erstmalige systematische Kombination von Himmelsbildern, historischen PV-Daten, meteorologischen Reanalysedaten und einer analytischen Sonnenposition in einem einzigen neuronalen Modell für PV-Prognosen.
• Verbesserte Robustheit bei Bewölkung: Der Ansatz adressiert spezifisch die Schwäche bestehender Modelle bei schnellen Wolkenwechseln und bewölkten Tagen.
• Physikalische Interpretierbarkeit: Durch die Einbindung physikalischer Variablen (wie Strahlung und Wind) wird das Modell weniger eine „Black Box" und liefert physikalisch fundierte Prognosen.
• Analyse von Variablenkombinationen: Detaillierte Untersuchung, welche meteorologischen Variablen (z. B. langwellige Strahlung nach unten vs. Wind) in welchen Szenarien (sonnig vs. bewölkt) den größten Mehrwert bieten.

4. Ergebnisse

Die Modelle wurden mit den Metriken RMSE (Root Mean Squared Error) und MAE (Mean Absolute Error) bewertet und mit State-of-the-Art-Modellen (SUNSET [17], RSUNSET [27]) verglichen.

• Allgemeine Leistung: Die Einbeziehung meteorologischer Daten verbessert die Vorhersagegenauigkeit signifikant, besonders bei bewölkten Tagen, wo die Unsicherheit am höchsten ist.
• Nowcasting-Ergebnisse:
  • Die Kombination aus Winddaten (i10fg, Wind100) und Sonnenposition führte zu den besten Ergebnissen und übertraf die konkurrierenden Methoden.
  • Die Variable „Surface Thermal Radiation Downwards" (strd) zeigte sich als besonders effektiv für sonnige Tage.
  • Interessanterweise verbesserte die Variable „Top Net Solar Radiation" (tsr) die Vorhersage bei bewölkten Tagen, was auf die Fähigkeit des Modells hindeutet, atmosphärische Abschwächung als Indikator für Wolken zu nutzen.
• Forecasting-Ergebnisse:
  • Das Baseline-Modell (nur Bilder) zeigte bei bewölkten Tagen bereits gute Ergebnisse, wurde aber durch die Hinzunahme von meteorologischen Daten weiter verbessert.
  • Die Kombination aus Wind und Sonnenposition verbesserte die Vorhersage bei bewölkten Bedingungen, während bei sonnigen Tagen andere Kombinationen (wie strd) besser funktionierten.
  • Die Reduktion des RMSE (im Vergleich zu MAE) zeigt, dass das Modell erfolgreich extreme Fehler (große Abweichungen bei Ramp Events) minimiert hat.

Wichtigste Erkenntnis: Die Kombination aus Oberflächen-Langwellenstrahlung nach unten (strd), Windparametern und der Sonnenposition liefert die konsistentesten Verbesserungen für beide Aufgaben (Nowcasting und Forecasting).

5. Bedeutung und Ausblick

Diese Studie unterstreicht, dass die reine Nutzung von Bildverarbeitung für die PV-Prognose nicht ausreicht, um die Komplexität von Wetterphänomenen vollständig abzubilden. Durch die Integration diverser Datenquellen (Multimodalität) können:

• Die Zuverlässigkeit von Solarprognosen erhöht werden.
• Die Netzstabilität durch präzisere Vorhersagen von Leistungsschwankungen verbessert werden.
• Ein effizienteres Management erneuerbarer Energien ermöglicht werden.

Der vorgestellte Ansatz ebnet den Weg für adaptive, datengesteuerte Prognosesysteme, die physikalisches Wissen und Deep Learning synergistisch verbinden, um die Herausforderungen der volatilen Solarenergiebewirtschaftung zu meistern.