Forschungsprojekt Windsage gestartet

Mit dem Ausbau fluktuierender Energiequellen kommt es vor, dass weniger Wind- oder Solarstrom produziert wird als vorhergesagt. Dann muss zum Ausgleich Regelenergie beschafft werden. Das Forschungsprojekt Windsage soll Abhilfe schaffen. Das Zentrum für Sonnenenergie- und Wasserstoff-Forschung und EWC Weather Consult arbeiten an verbesserten Prognosen für die Windstromeinspeisung.

04. Februar 2015

Verbessert werden soll die Berechnung mithilfe maschineller Lernverfahren. Als Basis nutzen die Partner künftig die meteorologischen Vorhersagen zahlreicher Wettermodelle. Es sollen bis zu zehn Wettermodelle kombiniert werden. Im Rahmen des Projekts bringen die Wetterexperten von EWC Know-how zur Prognoseerstellung sowie Messdaten-Verarbeitung ein, die ZSW-Forscher ihre Erfahrungen beim maschinellen Lernen und in der Meteorologie.

Die maschinellen Lernverfahren stammen aus der aktuellen Informatik-Forschung und werden in ähnlicher Weise etwa 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.

»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«, sagt Jon Meis. Aber das System sei auch flexibel auf andere Anforderungen anzupassen, etwa für jene eines Direktvermarkters oder Verteilnetzbetreibers.

Das Bundeswirtschaftsministerium fördert das Projekt.