Vorhersage der Einspeiseleistung lokaler Photovoltaikanlagen mit Methoden des Maschinellen Lernens für das Lademanagement von Elektrofahrzeugen

Abstract

Der Ausbau von PV-Anlagen und die Elektrifizierung des Wärme- und Verkehrssektors bedingen einen Ausbau der Verteilnetze. Da dieser zu langsam voranschreitet, wächst der Bedarf an intelligent koordinierten Energiesystemen auf Basis von lokalen PV-Erzeugungsprognosen. Jedoch fehlt es in Deutschland wegen des geringen Smart-Meter-Anteils an PV-Leistungsmessdaten. Das Ziel dieser Arbeit ist die Entwicklung und Untersuchung eines zweistufigen PV-Prognosemodells, bestehend aus einer PV-Leistungsprognose für einen Prognosehorizont von 24 Stunden und einem Korrekturmodell zur Reduzierung von Prognosefehlern. Die PV-Prognose kombiniert eine Vorhersage der Bestrahlungsstärke auf Basis einer Wettervorhersage mithilfe eines Künstlichen Neuronalen Netzes und ein physikalisches PV-Modell, das die PV-Leistung anhand der Bestrahlungsstärke anlagenspezifisch berechnet. Die PV-Prognose ist dadurch im ersten Schritt für verschiedene PV-Anlagen anwendbar und benötigt keine PV-Leistungsmessdaten. Im zweiten Schritt reduziert ein Stacking-Ensemble als Korrekturmodell Prognosefehler, indem es Leistungsmessdaten berücksichtigt. Die Nutzung ausschließlich frei verfügbarer Wetterdaten gewährleistet die Praktikabilität der Methode. Die Korrektur ist durch die geringe Anzahl an PV-Leistungsmessdaten, die direkt in der Anwendung gesammelt werden können, möglich. Die Validierung des zweistufigen PV-Prognosemodells erfolgt anhand einer realen PV-Anlage. Bei einer Day-Ahead-Prognose der PV-Leistung beträgt der Prognosefehler 9,33 % für einen Testzeitraum von 629 Tagen. Eine stündliche Aktualisierung der Prognose führt zu einer leichten Reduzierung des Fehlers. Das Korrekturmodell reduziert den Prognosefehler auf 7,67 % im Vergleich zu 8,76 % bei einer PV-Prognose ohne Korrektur für einen Testzeitraum von 231 Tagen. Die Wirksamkeit des Korrekturmodells zeigt sich insbesondere in einer Winterwoche, in der die PV-Anlage teilweise verschattet ist. Das Modell identifiziert den wiederkehrenden Fehler durch Verschattung und reduziert ihn. Prognosefehler, die durch die Wettervorhersage bedingt sind, sind aufgrund ihres zufälligen Charakters schwerer durch das Korrekturmodell zu identifizieren. Bereits etwas mehr als sechs Monate chronologisch gesammelter PV-Leistungsmessdaten für das Training des Korrekturmodells reichen aus, um die Prognose für verschiedene Wetterbedingungen zu optimieren. Der Nutzen der PV-Prognose wird durch ihre Anwendung im Lademanagement von Elektrofahrzeugen demonstriert, wobei eine Optimierung auf Grundlage der PV-Prognose erfolgt.