Exaktere Windleistungsprognosen sollen Kosten für Energiewende senken

Das Zentrum für Sonnenenergie- und Wasserstoff-Forschung Baden-Württemberg (ZSW) in Stuttgart und die Karlsruher EWC Weather Consult GmbH nutzen künftig die meteorologischen Vorhersagen zahlreicher Wettermodelle, um mithilfe Maschineller Lernverfahren eine deutlich verbesserte Prognose der Windstromeinspeisung zu berechnen. So sollen die Kosten für die Energiewende deutlich gesenkt werden. Das Bundeswirtschaftsministerium fördert das entsprechende Projekt „WindSage“.

Mit dem Ausbau fluktuierender Energiequellen in Deutschland kommt es mitunter vor, dass witterungsbedingt weniger Wind- oder Solarstrom produziert wird als vorhergesagt. Dann muss zum Ausgleich teure Regelenergie beschafft werden.

Das Projekt „WindSage“ soll Abhilfe schaffen. In dessen Rahmen bringen die Karlsruher Wetterexperten von EWC umfangreiches Know-how zur Prognoseerstellung sowie Messdaten-Verarbeitung ein, die ZSW-Forscher ihre langjährigen Erfahrungen beim Maschinellen Lernen und in der Meteorologie. Dies schafft die optimalen Voraussetzungen für die Kombination von bis zu zehn Wettermodellen. So kann die Windeinspeisungsprognose entscheidend verbessert werden.

Die Maschinellen Lernverfahren stammen aus der aktuellen Informatik-Forschung und werden in ähnlicher Weise z.B. für Gesichts- und Spracherkennung eingesetzt. Die Verfahren orientieren sich dabei an menschlichen Lernprozessen: So wie ein Kleinkind die Bedeutung von Sprache und Bildern lernt, eignen sich neuronale Netze die Bedeutung von Daten an. Mit der am ZSW entwickelten Software Learn-O-Matic bewerten die Wissenschaftler unzählige Wettermodelldaten und wählen die optimale Kombination und Gewichtung aus. „Tiefe neuronale Netze zusammen mit neuen Methoden des Verstärkungslernens sind das Mittel der Wahl. Sie werden auf Hochleistungsrechnern eingesetzt, um herauszufinden, welche Kombination von Prognosen und Bodenmessdaten die beste Vorhersage für Windeinspeisungen liefert“, erklärt Anton Kaifel, Leiter der Arbeitsgruppe „Simulation und Optimierung“ am ZSW. Damit so ein System wirklich auch lernen kann, sind zahlreiche Voraussetzungen zu schaffen. „Bei EWC werden wir für jedes Wettermodell Prognosen der letzten 2 bis 3 Jahre berechnen. Dazu haben wir ein sehr großes Archiv mit historischen Prognosen angelegt“, so Jon Meis, Geschäftsführer bei EWC.

„Diese historischen Prognosen sind sehr wichtig, denn neuronale Netze lernen wie Kinder aus Beispielsituationen. Je mehr historische Daten als Beispiele zur Verfügung stehen, desto besser lernen sie“, ergänzt Anton Kaifel. Nach dem Training können die neuronalen Netze direkt in einem operationellen System eingesetzt werden, das seine Windprognosen stündlich aktualisiert.

Das Ziel des so gewonnenen Systems ist, Übertragungs- und Verteilnetzbetreiber mit besseren Prognosen zu beliefern als bisher. „Durch genauere Prognosen können die Regelenergiekapazitäten reduziert werden. Damit sinken die Kosten für alle Teilnehmer, die Strom beziehen – Konzerne wie Privathaushalte“, sagt Jon Meis. Aber das System sei auch flexibel auf andere Anforderungen anzupassen, etwa für jene eines Direktvermarkters oder Verteilnetzbetreibers. Zudem gehen die Projektpartner auf Basis erster Anwendungen in der Direktvermarktung davon aus, dass ein ähnliches System ebenso erfolgreich Solarleistungsprognosen verbessern kann.