Two-Stage Photovoltaic Forecasting: Separating Weather Prediction from Plant-Characteristics

Dit artikel presenteert een tweestapsvoorspellingsmodel voor fotovoltaïsche energie dat weersvoorspellingen en plantkarakteristieken scheidt, waarbij wordt aangetoond dat het gebruik van weersvoorspellingen in plaats van satellietgebaseerde waarnemingen de fouten significant verhoogt en dat forecastfouten goed worden gemodelleerd door veralgemeende hyperbolische en Student's t-verdelingen.

De kern

Stel je voor dat je een zonne-energiecentrale runt. Je wilt precies weten hoeveel stroom je morgen gaat opwekken, zodat je die stroom kunt verkopen of kunt opslaan in batterijen. Maar het weer is onvoorspelbaar, en dat maakt het lastig.

Deze paper van Philipp Danner en Hermann de Meer uit de Universiteit van Passau pakt dit probleem op een slimme manier aan. Ze zeggen: "Laten we de voorspelling niet als één grote, rommelige brij zien, maar splitsen we het op in twee duidelijke stappen."

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het Probleem: De "Grote Brij"

Meestal proberen mensen één groot computerprogramma te maken dat het weer én de zonnepanelen tegelijk voorspelt. Het probleem is: als de voorspelling fout is, weet je niet of het komt omdat het weer verkeerd voorspeld was, of omdat de panelen niet goed werken.

• De analogie: Stel je voor dat je een taart bakt en die is niet lekker. Is het de fault van de bakker (jij) of van de ingrediënten (het meel)? Als je ze niet scheidt, kun je de volgende keer niet weten wat je moet verbeteren.

2. De Oplossing: Twee Stappen (Het Kookboek en De Bakker)

De auteurs splitsen het proces op in twee aparte modellen:

Stap A: Het Weermodel (De "Weerprofeet")

Dit model kijkt alleen naar het weer: hoeveel zon schijnt er, hoe warm is het?

• Hoe het werkt: Ze gebruiken een supergeavanceerd computermodel (HRRR) dat het weer voor de hele VS voorspelt.
• De beperking: Dit model is niet perfect. Het is alsof een weerprofeet een beetje "in de war" is. Soms zegt hij dat de zon fel schijnt, terwijl er eigenlijk een wolkje voorbij trekt.
• De ontdekking: Ze ontdekten dat dit weermodel systematisch iets te optimistisch is. Het zegt vaak: "Het wordt heel zonnig!" terwijl het in werkelijkheid iets minder is. Dit noemen ze een bias (een vaste afwijking).

Stap B: Het Plantenmodel (De "Specifieke Bakker")

Dit model kijkt alleen naar de zonnepanelen zelf.

• Wat doet het? Het weet hoe de panelen zijn geplaatst (naar het zuiden, schuin of plat), of er bomen voor staan die schaduw werpen, en hoe warm de panelen worden.
• De truc: Ze trainen dit model met perfecte weergegevens (gemeten door satellieten, niet door het computermodel). Zo leert het model puur hoe de panelen reageren op het echte weer, zonder de "verwarring" van het weermodel.
• Het resultaat: Dit model is heel goed in het omzetten van "zonneschijn" naar "stroom". Het maakt nauwelijks fouten als het het juiste weer krijgt.

3. Wat gebeurt er als je ze samenvoegt?

Nu komen ze de twee modellen samen. Ze laten het "Bakker"-model werken met de "voorspellingen" van het "Weerprofeet"-model.

• Het effect: Omdat het weerprofeet iets te optimistisch is (te veel zon voorspelt), denkt de bakker dat er meer stroom komt dan er echt is.
• De cijfers: Voor het ene zonnepark nam de fout toe met 11%, maar voor het andere (waar het weermodel slechter presteerde) nam de fout zelfs toe met 68%.
• De les: De fout zit hem dus niet in de bakker (de panelen), maar in de weersvoorspelling. Als je het weermodel niet corrigeert, wordt je hele stroomvoorspelling onnauwkeurig.

4. De Vorm van de Fouten (Niet altijd een Glockenkurve)

In de wetenschap denken veel mensen dat fouten altijd een "klokvorm" hebben (de meeste fouten zijn klein, extreme fouten zijn zeldzaam).

• De ontdekking: De auteurs ontdekten dat de fouten bij zonne-energie er anders uitzien. Ze hebben een "dikke staart". Dat betekent dat er vaker grote, onverwachte fouten voorkomen dan je zou denken.
• De analogie: Het is alsof je gokt op het weer. Meestal is het een beetje regen of een beetje zon (normaal), maar soms is er plotseling een enorme storm of een perfect blauwe lucht die niemand zag aankomen. Die "extremen" zijn belangrijker dan je denkt.
• De oplossing: Ze ontdekten dat wiskundige modellen genaamd "Student's t" en "Generalized Hyperbolic" deze fouten veel beter beschrijven dan de standaard klokvorm.

5. Waarom is dit belangrijk?

Voor bedrijven die energie verhandelen of batterijen beheren, is het cruciaal om te weten hoe de fouten eruit zien, niet alleen hoeveel ze zijn.

• Als je denkt dat fouten altijd klein zijn (normale verdeling), kun je te optimistisch zijn en geld verliezen.
• Door te weten dat er "dikke staarten" zijn (grote risico's), kun je beter plannen en meer batterijen opslaan als een risico.

Samenvatting in één zin

De auteurs zeggen: "Scheid het weer van de zonnepanelen, leer van de fouten van het weermodel, en gebruik slimme wiskunde om de onzekerheid beter te begrijpen, zodat je niet verrast wordt door de zon (of het gebrek daaraan)."

Dit helpt energieleveranciers om slimmer te plannen, minder geld te verliezen door straffen voor verkeerde voorspellingen, en de zonnestroom beter te benutten.

Technische samenvatting

Probleemstelling

Veel energiebeheertoepassingen, zoals dag-tot-dag elektriciteitsmarktbiedingen en microgrid-operatie, zijn afhankelijk van nauwkeurige voorspellingen van fotovoltaïsche (PV) opwekking. Bestaande methoden hebben echter twee belangrijke tekortkomingen:

1. Beperkte foutmetrieken: Veelgebruikte schaalmetrieken zoals de gemiddelde absolute fout (MAE) of de wortel-gemiddelde-kwadratische fout (RMSE) geven wel de algehele nauwkeurigheid weer, maar verwerpen cruciale informatie over de verdeling van de fouten (zoals scheefheid, staartgedrag en temporale afhankelijkheid). Deze informatie is echter essentieel voor stochastische optimalisatie en risicobeheer.
2. Gebrek aan bronanalyse: Veel benaderingen gebruiken weersvoorspellingen als input zonder de oorsprong van de voorspellingfout te analyseren. Het is onduidelijk hoeveel fouten voortkomen uit de weersvoorspelling zelf versus de modellering van de specifieke PV-installatie.

Methodologie

De auteurs introduceren een tweestaps-voorspellingsframework om deze gaten te dichten door de voorspellingsketen te ontleden in twee interpreteerbare componenten:

1. Plant Characteristic Model (Installatie-specifiek model):

   • Dit model mapt weersomstandigheden naar de daadwerkelijke stroomproductie van een specifieke locatie.
   • Het vangt installatie-specifieke parameters op: paneeloriëntatie, schaduwvorming, oppervlakte-albedo, temperatuureffecten en historische stroomverloop.
   • Techniek: Een ensemble van Multi-Layer Perceptrons (MLP's) (feed-forward neurale netwerken).
   • Training: Het model wordt getraind op historische stroomdata met satellietgebaseerde weersobservaties (Solcast) als "perfecte" waarheid. Hierdoor leert het model puur de relatie tussen weer en stroom, zonder beïnvloeding door fouten in Numerieke Weersvoorspellingen (NWP).
   • Input: Historische stroomdata (lags), zonnestand (solar elevation) en weerparameters (GHI, temperatuur).

2. Weather Forecast Model (Weersvoorspellingsmodel):

   • Dit model levert de input voor het plant-model: meteorologische variabelen zoals zonne-irradiantie (GHI) en luchttemperatuur.
   • Techniek: Het gebruik van het HRRRv4 (High-Resolution Rapid Refresh) model, een state-of-the-art NWP-systeem voor de VS, dat als een "black box" wordt behandeld.
   • Validatie: De fouten van dit model worden geanalyseerd door de NWP-voorspellingen te vergelijken met satellietobservaties (Solcast) en grondmetingen (SOLRAD-netwerk).

3. Foutanalyse:

   • De auteurs analyseren de verdeling van de voorspellingfouten per lead-time (voorspellingshorizon).
   • Er worden parametrische verdelingen getest (Normaal, Student's t, Generalized Hyperbolic) om te zien welke het beste past bij de empirische foutdata.
   • Temporale autocorrelatie van de fouten wordt onderzocht.

Kernbijdragen

• Decompositie van foutbronnen: Het artikel isoleert de fouten die voortkomen uit de weersvoorspelling van die welke voortkomen uit de modellering van de installatie. Dit biedt inzicht in waar verbetering nodig is.
• Empirische karakterisering van foutverdelingen: In plaats van te vertrouwen op de standaard aanname van een Gaussische (normale) verdeling, worden de werkelijke foutverdelingen geanalyseerd.
• Validatie van NWP-fouten: Het kwantificeert de systematische bias en de ruimtelijke variatie in fouten van het HRRRv4-model voor GHI en temperatuur.
• Aanbeveling voor stochastische modellen: Het biedt onderbouwde richtlijnen voor het kiezen van probabilistische modellen voor optimalisatie.

Resultaten

• Prestatie van het Plant-model: Bij gebruik van perfecte weersdata (satelliet) heeft het ensemble-model een MAE van ongeveer 2,8% van het piekvermogen (≈28 W/kWp) voor beide geteste systemen. De foutverdeling is unimodaal, licht scheef en leptokurtisch (zware staarten).
• Prestatie van het Weer-model:
  • Het HRRRv4-model vertoont een systematische positieve bias (overestimatie) in GHI-voorspellingen (gemiddeld +11,75 W/m²).
  • De temperatuurvoorspellingen tonen een grote regionale variatie in bias.
  • De foutverdeling is scherp gepiekt rond nul maar heeft zware staarten (hoge kurtosis).
• Gecombineerde prestatie: Wanneer het plant-model wordt gevoed met NWP-voorspellingen in plaats van satellietdata:
  • De MAE neemt toe met 11% voor het ene systeem en 68% voor het andere. Dit toont aan dat de nauwkeurigheid van de weersvoorspelling een aanzienlijke impact heeft op de totale PV-voorspelling.
  • De systematische bias van de NWP (overestimatie van zon) compenseert de negatieve bias van het plant-model voor één van de systemen, wat resulteert in een andere totale foutprofiel.
• Verdelingsfit: De Generalized Hyperbolic en Student's t verdelingen passen de foutdata aanzienlijk beter dan de standaard Normale verdeling, vooral voor latere voorspellingshorizonten.
• Temporale correlatie: Er is een sterke temporale autocorrelatie in de fouten (bijv. als het om 13:00 foutloos is, is het om 14:00 ook waarschijnlijk foutloos). Deze correlatie neemt af naarmate het tijdsverschil groter wordt.

Significantie en Conclusie

De studie benadrukt dat het aannemen van Gaussische fouten en het negeren van de oorsprong van fouten leidt tot suboptimale beslissingen in stochastische optimalisatie. Door de voorspelling op te splitsen in weer en installatie-eigenschappen, kunnen beheerders beter begrijpen waar onzekerheid vandaan komt.

• Voor optimalisatie: Stochastische modellen moeten gebruikmaken van verdelingen met zwaardere staarten (zoals Student's t) en rekening houden met temporale autocorrelatie tussen voorspellingsstappen.
• Voor toekomstig werk: Het wordt aanbevolen om ensemble-methoden voor NWP te gebruiken of statistische tussenlagen in te voeren om de systematische bias in GHI-voorspellingen te corrigeren voordat deze worden gebruikt in PV-voorspellingen.

Deze aanpak biedt een robuustere basis voor risicobewust energiebeheer en marktdeelneming in een omgeving met een toenemend aandeel hernieuwbare energie.