Der Prognostiker: Einsatz von maschinellem Lernen zur Vorhersage von Energieverbrauch und -erzeugung

"Es ist schwer, Vorhersagen zu treffen - vor allem über die Zukunft." - Robert Storm Petersen

Die Zukunft vorherzusagen, mag schwierig sein, aber es ist oft notwendig, um das Geschäft zu führen. Energieprognosen sind für das tägliche Marktgeschehen von größter Bedeutung. Kurzfristige Prognosen umfassen in der Regel Vorhersagehorizonte, die von wenigen Minuten bis zu einigen Tagen im Voraus reichen. Energieversorger und Verteilernetzbetreiber profitieren von genauen Vorhersagen der Stromnachfrage und -erzeugung, da sie ihre flexiblen Anlagen optimal einsetzen können, um ihre Geschäftsziele zu erreichen.

Das Forecaster-Modul von Hive Platform berechnet kurzfristige stochastische Prognosen des aggregierten Energieverbrauchs und der PV-Erzeugung unter Verwendung der fortschrittlichsten verfügbaren Methoden des maschinellen Lernens. Stochastisch bedeutet, dass wir nicht nur die "Form" der Lastkurve im Laufe der Zeit vorhersagen, sondern auch Konfidenzintervalle um diese Kurve berechnen. Vorhersageintervalle sind für Anwendungen des Risikomanagements von entscheidender Bedeutung, z. B. für die Vorhersage des täglichen oder monatlichen Spitzenverbrauchs und für die effiziente Aktivierung von Mechanismen zur Spitzenlastreduzierung.

Wie funktioniert das?

Eine Kristallkugel gibt es (leider) nicht. Stattdessen sagt der Forecaster der Hive-Plattform den künftigen Verbrauch und die Erzeugung voraus, indem er aus der Vergangenheit lernt und Informationen aus der Zukunft nutzt. Der Forecaster besteht aus einem Ensemble von Modellen des maschinellen Lernens, die auf einem umfangreichen Datensatz trainiert und ständig neu informiert werden.

Zu den Daten, die in diese Modelle eingespeist werden, gehören das Stromsignal selbst, numerische Wettervorhersagen (Temperatur, Sonneneinstrahlung, Windgeschwindigkeit und -richtung, Luftfeuchtigkeit und eine Vielzahl anderer Parameter), Informationen über die Jahreszeit (Tageszeit, Wochentag, Monat usw.), Feiertage, Schulferien und besondere Ereignisse (Schließungen, weiße Nächte, Großveranstaltungen, religiöse Ereignisse usw.).

Das Wetter ist König

Das Wetter ist bei weitem der wichtigste externe Faktor, der den Energieverbrauch und die Energieerzeugung beeinflusst. Aus diesem Grund beschloss Hive Power, eine interne Forschungsstudie durchzuführen, um den leistungsfähigsten Anbieter von numerischen Wettervorhersagen zu prüfen und auszuwählen. Ein wichtiges Kriterium war dabei die Verfügbarkeit von historischen Wettervorhersagen. Viele Wetterdienstleister archivieren und speichern ihre Vorhersagen nicht. Historische Wettervorhersagen sind jedoch von entscheidender Bedeutung für das Training eines Energievorhersagemodells. Um robust und zuverlässig zu sein, sollte ein Modell auf derselben Art von Daten trainiert werden, die zum Zeitpunkt der Inferenz verwendet werden. Um diesen Punkt zu verstehen, stellen Sie sich Folgendes vor. Wenn wir das Modell anhand tatsächlicher Wetterbeobachtungen trainieren würden, würde das Modell lernen, den Wettersignalen bis zu einem gewissen Grad zu vertrauen. Bei der Verwendung dieses Modells zur Vorhersage der Zukunft müssten wir die Wetterbeobachtungen durch Wettervorhersagen ersetzen, die per Definition der Vorhersage nicht 100%ig genau sind. Daher wird das Modell den Wettervorhersagen zu viel Gewicht beimessen und sich selbst in die Irre führen. Wenn wir dagegen das Modell anhand von Wettervorhersagen trainieren, wird es lernen, den Wetterparametern weniger zu vertrauen und weniger Fehler bei der Inferenz zu machen. Immer noch skeptisch? Probieren Sie es selbst aus. Einige unserer skeptischsten Wissenschaftler haben dies getan und genau das gefunden, was erwartet wurde.

Wettervorhersage-Benchmark

Wir haben uns etwa ein Dutzend verschiedener Anbieter angesehen, diejenigen herausgefiltert, die unsere Anforderungen nicht erfüllten, und sind schließlich auf fünf Finalisten gestoßen. Dann baten wir sie um eine Stichprobe ihrer Daten, um einen Benchmark zu erstellen. Wir baten sie um stündliche Vorhersagen der bodennahen Temperatur und der Sonneneinstrahlung für ein Jahr, die für einen einzigen Ort gegen Mitternacht erstellt wurden und einen Zeitraum von 24 bis 48 Stunden abdecken, was dem typischen Vorhersagehorizont unserer Energievorhersagemodelle entspricht. Wir haben diese Vorhersagen mit den tatsächlichen Beobachtungen vor Ort verglichen und waren erstaunt über die überlegene Leistung von Meteomatics. In den folgenden Abbildungen zeigen wir einige Ergebnisse. In Abbildung 1 haben wir die Verteilung der Diskrepanz zwischen beobachteter und vorhergesagter Temperatur aufgetragen. In Abbildung 2 überlagern wir die fünf Verteilungen, um einen besseren Vergleich zu ermöglichen. Eine ähnliche Situation ergab sich für die Parameter der Sonneneinstrahlung. Es war für uns klar, dass die numerischen Wettervorhersagen von Meteomatics die genauesten und am besten kalibrierten sind.

Abbildung 1 - Verteilung der Diskrepanz zwischen beobachteter und vorhergesagter Bodentemperatur für fünf verschiedene Wetterdienstleister. Die vertikalen gestrichelten Linien geben den Mittelwert jeder Verteilung an (nur der mittlere Fehler von Meteomatics ist auf Null zentriert). Der mittlere absolute Fehler (Mean Absolute Error, MAE) ist in jedem Diagramm angegeben (je niedriger, desto besser).

Abbildung 2 - Dieselben Fehlerverteilungen wie in Abbildung 1 (nach der Schätzung ihrer Kernel-Dichte) überlagert. Die Kurve von Meteomatics ist die schmalste und die einzige, die im Nullpunkt liegt.

Der Beginn einer strategischen Partnerschaft

"Wir waren auf der Suche nach einer zentralen Anlaufstelle, die uns mit aktuellen und detaillierten Wetterdaten für Europa versorgen kann, die bequem über eine RESTful API verfügbar sein sollten. Wir haben eine ganze Weile gebraucht, um mehrere Anbieter von numerischen Wettervorhersagen zu bewerten. Die Wahl fiel uns aufgrund unserer anspruchsvollen Kriterienliste nicht leicht, aber Meteomatics erfüllte alle Kriterien und übertraf unsere Erwartungen. Wir waren auf der Suche nach einem Anbieter, der die ganze Welt abdeckt, mit einem Schwerpunkt auf Europa und insbesondere den Alpen, einer Region, die für hochauflösende Wettervorhersagen eine Herausforderung darstellt. Bei unserem eigenen Vorhersage-Benchmarking wurde deutlich, dass Meteomatics der genaueste Wettervorhersager ist, insbesondere auf kurze Sicht. Wir waren erfreut, die Fülle an Standard- und erweiterten Wetterparametern zu entdecken, die Meteomatics' API bietet. Wir sind begeistert, dass wir zu Meteomatics als unserem bevorzugten Wetterdatenanbieter gewechselt haben, und wir sehen eine lange und fruchtbare Partnerschaft mit ihnen voraus", sagte Gianluca Corbellini, Geschäftsführer von Hive Power.

Mehr darüber erfahren Sie in der neuesten Pressemitteilung von Meteomatics: https://www.meteomatics.com/en/meteomatics-and-hive-power-agree-strategic-partnership/. Bleiben Sie dran für ein kommendes Webinar (26. Oktober 2021), in dem Hive Power und Meteomatics Ihnen einen detaillierten Einblick geben werden, wie numerische Wettervorhersagen in Energievorhersagemodelle einfließen.