Eine der größten Herausforderungen bei der Leistungsprognose von nahezu vollständig wetterabhängigen erneuerbaren Energiequellen wie Wind und PV ist die Ungenauigkeit der verwendeten Wetterprognosen (Numerical Weather Prediction – NWP). Für den Energiemarkt sind diese Prognosen – insbesondere die Prognosehorizonte 0-4h – essentiell. Unsicherheiten und Prognosefehler reduzieren bei Direktvermarktern die Gewinne oder führen zu Verlusten und gefährden bei Netzdienstleistern unter Umständen die Netzstabilität. 

Auf dem Weg zu einem selbstlernenden Prognosesystem soll die Prognosegüte weiter verbessert werden, indem Kombinationsmethoden vorhandener Prognosen aus verschiedenen NWP getestet und in Echtzeit (re)kalibriert werden. Dazu wird ein zusätzliches Modell (häufige Updates, von IBM) herangezogen und dessen Mehrwert für die Kombination ermittelt. 

Das Projekt ist interessant für:

Direktvermarkter, Netzbetreiber, Stadtwerke

Ziele

  • Untersuchung des Mehrwertes des IBM GRAF Wettermodellblends für unsere Windleistungsprognose 
  • Entwicklung eines continouus-delivery-for-machine-learning (CD4ML) konformen Frameworks zur Kombination verschiedener Windleistungsprognosen durch unterschiedliche Methoden 
  • Passende Kombinationsmethoden auswählen und optimieren 
  • Verbesserung der Prognosegüte 

 

Detaillierte Beschreibung

Es ist bekannt, dass schon eine einfache Kombination von Leistungsprognosen aus verschiedenen NWP (Numerical Weather Predictions) mit statischen Gewichten die Prognosegüte steigert und dadurch den Fehler stark reduziert. Wird die Kombination für den operativen Betrieb stetig angepasst, kann die Prognose möglicherweise noch weiter verbessert werden, da verschiedene Wettersituationen unterschiedlich gut von den jeweiligen Wettermodellen abgebildet werden können.  In die Kombination sollen in dem Projekt GRAF-KoWi Leistungsprognosen basierend auf schon vorhandenen Wettermodellen, sowie zusätzlich des IBM GRAF, eingehen.  

Zudem werden Verfahren verglichen. Dazu sollen folgende Fragen beantwortet werden: 

  • Bietet eine adaptiv vorgenommene Kombination eine bessere Performance als eine statische Kombination? 
  • Sind nicht-lineare Verfahren den linearen Verfahren überlegen? 

Hierzu wird ein Framework aufgebaut, dass die Möglichkeit bereitstellt verschiedene Kombinationsmethoden automatisch gegeneinander zu validieren und die optimale Methode für die jeweilige Situation auszuwählen. Dabei lassen sich neue Ansätze unkompliziert und automatisiert über Änderungen von Konfigurationen einbinden und auf zurückliegenden Zeiträumen simulieren und vergleichen. Dadurch kann der Nutzen einer neuentwickelten Methode schnell analysiert und ausgewertet werden. Gleiches gilt für die Aufnahme neuer Wettermodelle – adaptive Verfahren kommen ohne die Berechnung neuer statischer Gewichte auf langen (anfangs nicht vorhandenen) historischen Zeiträumen aus.  

Das Kombinationsmodul für Windleistungsprognosen ist unter anderem bezüglich seiner Rekalibrierungsfrequenz und zurückliegendem Trainingszeitraums frei konfigurierbar. Deshalb wird das Modul direkt im operativen Betrieb für ebendiese verwendet, ist aber nicht auf die Kombination von Windleistungsprognosen beschränkt. 

Projektpartner

Fraunhofer IEE

Projektmitarbeitende: Alina Herzog, Dr. Axel Braun, Jonas Koch, Jens Hoppe, Vitalij Pankraz, Wolfgang Slaby

Enercity

Mit dem Direktvermarkter Enercity und dem davon getrennt operierenden virtuellen Kraftwerk (EnercityVK) standen den Forschenden Projektpartner zur Seite, die insbesondere durch die Bereitstellung von Daten und ihre fachliche Bewertung aus Anwendersicht unterstützen.  

IBM The Weather Company

IBM The Weather Company erstellt das ‘IBM Global High-Resolution Atmospheric Forecasting System’ (IBM GRAF) und stellte das Modell für dieses Projekt zu Verfügung.  

Projektlaufzeit

April 2021 – Oktober 2021

Jonas Koch

Fraunhofer IEE

+49 (0) 561 7294-1756

Teilen Sie dieses Spotlight in Ihrem Netzwerk.

HeatCast - CO2 Reduktion durch effiziente Prognosen
vertikale LastflußprognosenVertikale Lastprognose: Alles im Fluss