Eine von der spanischen Polytechnischen Universität Valencia geleitete Forschungsgruppe hat eine neuartige einparametrige Methode zur Leistungsprognose für Photovoltaikanlagen auf Wohngebäuden entwickelt.
Der vorgeschlagene Ansatz definiere Intervallvorhersagedaten statt absoluter Zahlen, sagten die Wissenschaftler und wiesen darauf hin, dass er die natürliche Variabilität bei der Stromerzeugung durch Photovoltaik anerkenne und transparent kommuniziere.
„Die Entscheidung für ein einparameterorientiertes Modell war eine strategische Entscheidung, die darauf abzielte, den Prognoseprozess zu vereinfachen“, betonte die Forschungsgruppe. „Während mehrparameterorientierte Modelle differenziertere Erkenntnisse bieten, sind sie häufig mit einer höheren Rechenkomplexität und einem höheren Ressourcenbedarf verbunden. Unser optimiertes Modell verspricht eine einfache Integration und Benutzerfreundlichkeit, die für Privathaushalte und kleine PV-Anlagen von entscheidender Bedeutung ist.“
Der Kernaspekt der neuen Methode besteht in der Auswahl ähnlicher Tage in der Vergangenheit hinsichtlich der direkten Strahlung, um die Stromerzeugung eines bestimmten Tages vorherzusagen. Für jede Vorhersage wird ein Konfidenzniveau von 80% und insgesamt 10 ähnliche Tage ausgewählt. Nach der Identifizierung ähnlicher Tage verwendet die Methode einen quantilbasierten Ansatz, um die Vorhersageintervalle festzulegen und eine Ober- und Untergrenze festzulegen. In der Statistik werden Quantile verwendet, um den Bereich einer Wahrscheinlichkeitsverteilung in kontinuierliche Intervalle mit gleichen Wahrscheinlichkeiten zu unterteilen.
Das System wurde anhand einer Fallstudie einer Wohnanlage in Spanien trainiert und getestet. Diese besteht aus 12.450-W-Panels und einem 5-kW-Wechselrichter für den Eigenverbrauch, die alle im Jahr 2018 installiert wurden. Die stündliche PV-Erzeugung wurde in den Jahren 2019, 2020, 2021 und 2022 aufgezeichnet. Stündliche Wetterdaten für das Gebiet wurden aus der Datenbank Open Meteo bezogen.
Die Prognosetechnik wurde verwendet, um die PV-Stromerzeugung im Jahr 2020 vorherzusagen. Sie basiert auf dem Algorithmus, der immer innerhalb eines Zeitraums von zwei Jahren vor dem Zieltag nach ähnlichen Tagen sucht. Im selben Zeitraum wurde sie mit vier klassischen Prognosemethoden verglichen: lineares Regressionsmodell (Alt1); Gradient-Boosting-Regressor (Alt2); Gradient-Boosting mit Verzögerungen (Alt3); und Long-Short-Term-Memory-Netzwerk (LSTM) (Alt4).
„Die Leistung der Modelle wurde anhand von Key Performance Indicators (KPIs) wie Vorhersagegenauigkeit, Vorhersageintervallbreite, tatsächlichem Konfidenzniveau und mittlerem Fehler bewertet. Dieser gründliche Ansatz gewährleistete eine ausgewogene Bewertung, bei der die Stärken und Schwächen jeder Methode hervorgehoben wurden“, so die Forscher.
Die vorgeschlagene Methode erreichte einen mittleren absoluten Fehler (MAE) von 0,1490 kW, einen mittleren quadratischen Fehler (MSE) von 0,0917 kW2, einen mittleren quadratischen Fehler (RMSE) von 0,3029 kW, eine durchschnittliche Intervallbreite (AWI) von 0,3365 kW, eine Abdeckungswahrscheinlichkeit (CP) von 91,55% und einen Gesamtintervallfehler (OIE) von 0,3789 kW. Alt1 zeigte einen MAE von 0,3374 kW, einen MSE von 0,2428 kW2, einen RMSE von 0,4928 kW, einen AWI von 0,9312 kW, einen CP von 78,69% und einen OIE von 0,4117 kW.
Alt2 hatte einen MAE von 0,2558 kW, einen MSE von 0,2044 kW2, einen RMSE von 0,4521 kW, einen AWI von 0,7464 kW, einen CP von 80,12% und einen OIE von 0,4031 kW. Alt3 verzeichnete einen MAE von 0,1379 kW, einen MSE von 0,0768 kW2, einen RMSE von 0,2771 kW, einen AWI von 0,4890 kW, einen CP von 91,72% und einen OIE von 0,2355 kW. Alt4 zeigte einen MAE von 0,1282 kW, einen MSE von 0,0684 kW2, einen RMSE von 0,2616 kW, einen AWI von 0,3522 kW, einen CP von 80,72% und einen OIE von 0,2642 kW.
Nach der Analyse der Zahlenergebnisse überprüften die Forscher, wie der vorgeschlagene Ansatz den Besitzern von PV-Anlagen dabei helfen könnte, Energie zu sparen. Ihren Ergebnissen zufolge sank die durchschnittliche monatliche Energierechnung von 44,3 € ($47,96) auf 37,48 €, da der aus dem Netz importierte Strom um 45,79 kWh sank, von 278 kWh auf 232,21 kWh.
„Indem sie die Betriebszeiten des Filtersystems des Pools, der Waschmaschine und des Geschirrspülers einfach an die Zeiten der höchsten Solarstromproduktion anpassten, konnten Hausbesitzer mehr Solarenergie nutzen, ihre Abhängigkeit vom Stromnetz verringern und die Gesamtenergiekosten senken“, schlussfolgerten sie. „Mit Fortschritten in der Hausautomationstechnologie können sogar noch bessere Ergebnisse erzielt werden.“
Ihre Ergebnisse wurden in „Interval-based solar photovoltaic energy predictions: A single-parameter approach with direct radiation focus“ vorgestellt, erschienen am Erneuerbare EnergienDie Gruppe bestand aus Wissenschaftlern der spanischen Polytechnischen Universität Valencia, der Universität Valencia und der Politecnica Salesiana University aus Ecuador.