NC-State-Forschende erzielen mit Ensemble-Methoden eine Verbesserung der Day-Ahead-Solarprognosen um bis zu 13%
Wichtige Erkenntnisse
- •Die Studie testete sieben Prognosemodelle aus statistischen Methoden und Ansätzen auf Basis künstlicher neuronaler Netze mit Daten aus den Jahren 2019 bis 2022.
- •Die Modelle wurden mit Wetter- und Solarerzeugungsdaten des Imperial Irrigation District und des Los Angeles Department of Water and Power ausgewertet.
- •BiLSTM diente als Basislinie, weil es das konstant stärkste Einzelmodell war, doch kein einzelnes Modell war in jedem Fall am besten.
- •Gewichtetes Mitteln verbesserte die Prognosen beim Imperial Irrigation District um bis zu 11%, während die Multi-Input-Methode die Prognosen beim Los Angeles Department of Water and Power um bis zu 13% verbesserte.
- •Die Forschenden betonten, dass Prognosemethoden an regionale Bedingungen angepasst werden müssen, statt als universelle Lösung zu dienen.
Forschende der North Carolina State University haben Techniken demonstriert, die Day-Ahead-Prognosen für Solarstrom im Vergleich zum am konstantesten leistungsstarken einzelnen Prognosemodell um bis zu 13% verbessern können. Day-Ahead-Prognosen sind für Netzbetreiber besonders wichtig, da sie Marktplanung und Unit-Commitment-Entscheidungen informieren — also den Prozess, mit dem Kraftwerke 24 Stunden im Voraus zur Deckung der erwarteten Nachfrage zum Einsatz vorgesehen werden. Die in der Journal of Cleaner Production veröffentlichten Ergebnisse unterstreichen zudem die entscheidende Rolle regionaler Variablen bei der Entwicklung genauer Prognosemodelle.
"As solar penetration continues to increase, forecasting uncertainty becomes a key consideration for energy planners and grid operators that need to balance supply and demand," said Anderson De Queiroz, associate professor of civil, construction and environmental engineering at NC State and co-author of the paper. "Our results demonstrate that combining multiple machine learning-based models can provide more robust predictions and help improve the reliability of solar integration into power systems."
Das Forschungsteam betrachtete zunächst zwei breite Kategorien von Prognosemodellen: statistische Modelle, die historische Muster erkennen, und auf künstlichen neuronalen Netzen basierende Ansätze, die besser geeignet sind, nichtlineare zeitliche Zusammenhänge zu erfassen. Aus diesen Kategorien wählte das Team sieben Modelle für Tests aus.
Die Modelle wurden mit Wetter- und Solarerzeugungsdaten aus den Jahren 2019 bis 2022 getestet, die von zwei kalifornischen Versorgern stammten: dem Imperial Irrigation District (IID) und dem Los Angeles Department of Water and Power (LADWP). Kalifornien führt die Vereinigten Staaten bei der installierten Solarleistung an und ist daher ein besonders relevanter Kontext für die Untersuchung von Prognoseherausforderungen im Zusammenhang mit hoher Solardurchdringung.
"We wanted to use the models to find the relationship between weather data and solar power generation," said Yen-Hsi Chou, a postdoctoral research scholar at NC State and corresponding author of the paper. "But the most interesting result was that no single model performed best in every case. We chose the most consistently performing model, BiLSTM, as a baseline and saw that by combining the forecasts from different individual models, we could further improve forecasting performance by over 10% in some cases, which was pretty impressive."
Die Forschenden testeten zwei Ensemble-Ansätze. Der erste, gewichtetes Mitteln, kombiniert Prognosen separat trainierter, standortspezifischer Modelle und gewichtet leistungsstärkere Modelle höher. Der zweite, Multi-Input genannt, ermöglicht es jedem Modell, Wetterdaten aus mehreren geografischen Standorten einzubeziehen.
Die Ergebnisse variierten deutlich je nach Region. Gewichtetes Mitteln brachte beim IID Verbesserungen von bis zu 11%, während der Multi-Input-Ansatz beim LADWP Prognoseverbesserungen von bis zu 13% erzielte.
"One of the key takeaways from this work is that there is no universal forecasting strategy that will perform equally well everywhere," De Queiroz said. "Understanding the characteristics of each region and leveraging information from multiple models and locations is extremely important for developing forecasting tools that are both accurate and useful to support decision-making associated with real-world grid operations."
"Overall, our findings indicate that ensemble methods do have the potential to further enhance predictions compared to an individual model, but the methods need to be tested and fine-tuned for the specific region where they will be used," Chou said.
Die Arbeit erscheint im Journal of Cleaner Production und wurde teilweise von der National Science Foundation unterstützt. Weitere NC-State-Beteiligte an der Studie waren Arundhuti Haldar, eine Doktorandin am Department of Electrical and Computer Engineering, sowie Shubh Nisar, ein ehemaliger Masterabsolvent in Computer Science.
Der vollständige Artikel ist im Journal of Cleaner Production über ScienceDirect verfügbar.
