SOCLENOW-AI

Ensemble-Nowcasting von Einstrahlung/Wolken für Solarenergie mit neuartigen Werkzeugen für maschinelles Lernen – kann Künstliche Intelligenz die Physik schlagen?

Kurzbeschreibung

Ausgangssituation / Motivation

Der Umstieg auf vermehrte Nutzung erneuerbarer Energiequellen ist eine logische Konsequenz angesichts der limitierten Menge an fossiler Brennstoffe und anderer umweltschädlicher Brennstoffe. Vor allem vor dem Hintergedanken der Reduktion des Anthropogenen Klimawandels.

Allerdings haben fossile Brennstoffe einen großen Vorteil: ihr Einsatz ist leicht zu planen da sie nicht von externen Bedingungen wie dem Wetter oder standortbezogener Charakteristika abhängig sind.

Erneuerbare Energien sind allerdings stark abhängig von den vorherrschenden Wetter- und Klimabedingungen welche die Stromproduktion auf vielen verschiedenen Skalen beeinflussen, von Kurzfrist- bis Langfristskalen. Vor allem in der Solarenergieproduktion sind die meteorologischen Einflüsse wie Bewölkungsverlagerung nahezu unmittelbar in der Leistung erkennbar. Diese Fluktuationen in der Leistung haben direkten Einfluss auf die Einspeisungsleistung und die Netzstabilität.

Um also die Netzstabilität zu gewährleisten werden genaue und verlässliche Kurzfristvorhersagen inklusive einer Unsicherheitsbandbreite benötigt. Diese Vorhersagen müssen folgende Vorgaben erfüllen:

  1. in Nahe-Echtzeit verfügbar,
  2. mit einer hohen zeitlichen Vorhersagefrequenz,
  3. mit einer hohen räumlichen Ausdehnung und Auflösung, sowie
  4. so genau wie möglich inklusive der Unsicherheitsbandbreite. 

In der Solarenergieproduktion sind vor allem folgende Parameter essentiell um die Produktion abschätzen zu können: 

  • Bewölkung,
  • Bewölkungsverlagerung, und 
  • Globalstrahlung.

Um Ensemble Kurzfristvorhersagen zu erzeugen werden vor allem Beobachtungen benötigt (Satelliten-, Meteorologische, Leistungsdaten). Existierende Ansätze nützen oft NWP Daten welche meist veraltet sind wenn ein Event passiert oder kombinieren nur eine kleine Auswahl an verfügbaren Daten.

In Anbetracht der Heterogenität und Nicht-Konformität der Zeitreihendaten sind neue und schnelle Ansätze gefragt.

Inhalte und Zielsetzungen

Im Rahmen des Sondierungsprojekts sollen neue Machine Learning Methoden untersucht warden in Hinsicht ihrer Eignung in zeitlich und räumlich hochaufgelöstem (sub-km, sub-stündlich) Nowcasting und ob sie besser als traditionelle Methoden sind.

Methodische Vorgehensweise

Hierzu sollen Graph (convolutional) neural networks, neural ordinary differential equations und nLASSO implementiert werden. Als Datenquellen dienen Satellitenprodukte (Copernicus, Nowcasting SAF, CAMS, und weitere), meteorologische Beobachtungen, topographische Daten und Kovariablen sowie PV Data.

Weiters wird untersucht ob ein Ensemble Post-Prozessing Algorithmus für Nowcasting adaptiert werden kann basierend auf nur Beobachtungen und ob er ebenfalls besser als die traditionellen Methoden ist.

Projektbeteiligte

Projektleitung

ZAMG-Zentralanstalt für Meteorologie und Geodynamik

Projektpartner:innen

  • Department of Computer Science, Aalto University
  • VERBUND Energy4Business GmbH

Kontaktadresse

ZAMG-Zentralanstalt für Meteorologie und Geodynamik
Mag. Dr. Irene Schicker
Hohe Warte 38
A-1190 Wien