Selbstlernende Systeme sollen Windenergie-Prognosen verbessern

Stuttgart – Mit neuen intelligenten und selbstlernenden Systemen aus der Informatik-Forschung sollen die Prognose-Tools für die Windenergie-Leistung deutlich genauer werden. Das würde auch die Kosten für die Energiewende senken. Diese Idee hat auch die Bundesreguerung überzeugt.

Das Zentrum für Sonnenenergie- und Wasserstoff-Forschung Baden-Württemberg (ZSW) in Stuttgart und die Karlsruher European Weather Consult (EWC) nutzen künftig die meteorologischen Vorhersagen zahlreicher Wettermodelle, um mithilfe maschineller Lernverfahren eine deutlich verbesserte Prognose der Windstromeinspeisung zu berechnen. Das Bundeswirtschaftsministerium fördert das Projekt.

Kombination von bis zu zehn Wettermodellen

Im Rahmen des Projekts „Windsage“ sollen die Herausforderungen beim Ausbau fluktuierender Energiequellen gemeistert werden. Vorhersagen dieser Quellen sind wichtig, falls witterungsbedingt weniger Strom aus Wind- oder Solarenergie produziert wird als vorhergesagt. Denn in diesen Fällen muss teure Regelleistung beschafft werden. Im Rahmen von „Windsage“ bringen die Karlsruher Wetterexperten vom EWC umfangreiches Know-How zur Prognoseerstellung sowie Messdaten-Verarbeitung ein. Die ZSW-Forscherstellen ihre langjährigen Erfahrungen beim maschinellen Lernen und in der Meteorologie zur Verfügung. Dies schaffe die optimalen Voraussetzungen für die Kombination von bis zu zehn Wettermodellen. So könne die Windeinspeisungsprognose entscheidend verbessert werden, erklärte das ZSW.

Ähnlich wie Gesichts- und Spracherkennung

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.

Neuronale Netze lernen wie Kinder

„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 zwei bis drei Jahre berechnen. Dazu haben wir ein sehr großes Archiv mit historischen Prognosen angelegt“, so Jon Meis, Geschäftsführer bei EWC. 

Wie Kaifel zudem erklärt, sind diese historischen Prognosen sehr wichtig, da neuronale Netze wie Kinder aus Beispielsituationen lernen. Je mehr historische Daten als Beispiele zur Verfügung stehen, desto besser.

Auch für Solarprognosen geeignet

Ziel sei es, mit dem so gewonnenen System Übertragungs- und Verteilnetzbetreiber mit besseren Prognosen zu beliefern als bisher. Aber das System sei auch flexibel aus anderen Anforderungen anzupassen, etwa jene eines Direktvermarkters oder Verteilnetzbetreibers. Zudem gehen die Projektpartner davon aus, dass ein ähnliches System ebenso erfolgreich Solarleistungsprognosen verbessern kann. Das Projekt wird vom Bundesministerium für Wirtschaft und Energie (BMWi) mit 420.000 Euro gefördert.

Weitere News und Informationen zum Thema:

© IWR, 2015