| Bildquelle:

Stuttgart/ Karlsruhe:

Deutlichere Prognosen für Windkraft dank moderner Technik

Stand: 04.02.15 17:58 Uhr

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 seien das Mittel der Wahl. Sie würden auf Hochleistungsrechnern eingesetzt, um herauszufinden, welche Kombination von Prognosen und Bodenmessdaten die beste Vorhersage für Windeinspeisungen liefere, 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 würden wir für jedes Wettermodell Prognosen der letzten 2 bis 3 Jahre berechnet, so Jon Meis, Geschäftsführer bei EWC. Dazu hätte wir ein sehr großes Archiv mit historischen Prognosen angelegt.

Diese historischen Prognosen seien sehr wichtig, denn neuronale Netze lwürden wie Kinder aus Beispielsituationen lernen. Je mehr historische Daten als Beispiele zur Verfügung stünden desto besser sei der Lerneffekt, ergänzt Anton Kaifel. Nach dem Training könnten die neuronalen Netze direkt in einem operationellen System eingesetzt werden, das seine Windprognosen stündlich aktualisiert.

Das Ziel des so gewonnenen Systems sei Übertragungs- und Verteilnetzbetreiber mit besseren Prognosen zu beliefern als bisher. Durch genauere Prognosen könnten die Regelenergiekapazitäten reduziert werden. Das senke 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 gingen die Projektpartner auf Basis erster Anwendungen in der Direktvermarktung davon aus, dass ein ähnliches System ebenso erfolgreich Solarleistungsprognosen verbessern könne.

WERBUNG:



Seitenanzeige: