ALPRO – Selbstlernende Algorithmen zur Leistungsprognose für PV-Anlagen als Instrument zum dezentralen Energiemanagement

Laufzeit: September 2016 - August 2019
Auftraggeber / Zuwendungsgeber:
Bundesministerium für Wirtschaft und Energie (BMWi)
Kooperationspartner: innogy SE
Projektfokus:
Solarstrahlungsprognosen (rot) mit Unsicherheitsbereich (grau) im Vergleich zu Messwerten der Solarstrahlung (blau).
© Fraunhofer ISE

Solarstrahlungsprognosen (rot) mit Unsicherheitsbereich (grau) im Vergleich zu Messwerten der Solarstrahlung (blau). Die Abbildung illustriert eine geringe Vorhersageunsischerheit an Tagen mit klarem Himmel und an bedeckten Tagen und eine hohe Unsicherheit an Tagen mit variabler Wolken. Datengrundlage: Vorhersagen auf Basis numerischer Wettermodelle für den jeweils nächsten Tag.

Ziel des Vorhabens ist die Bereitstellung von Algorithmen zur Generierung von adaptiven, auf das spezifische PV-System und dessen Standort optimierten intra-day und day-ahead Prognosen der PV-Erzeugungsleistung. Die zu entwickelnden Algorithmen sollen die Wirtschaftlichkeit von dezentralen Energiemanagementsystemen im Hinblick auf eine oder mehrere vorgegebene Zielgrößen erhöhen, bspw. die Maximierung des Eigenverbrauchs, die Vermeidung von Abregelungsverlusten, die Netzdienlichkeit, die Spitzenlastreserve oder die Speicherauslegung.

Anwendungsfeld des dezentralen Energiemanagements sind netzgekoppelte PV-Systeme von Privat- und Gewerbekunden in der Leistungsklasse von einigen kW bis einigen hundert KW, mit integriertem Speicher und perspektivisch mit Lastverschiebungsoptionen.

PV-Leistungsprognosen umfassen zwei Elemente. Am Anfang stehen Wetter- und Einstrahlungsprognosen am Standort der Anlage. Im Projekt wird die Zuverlässigkeit verschiedener Prognoseansätze im Hinblick auf die im Fokus stehende Anwendung ausgewertet. Durch probabilistische Ansätze soll insbesondere die Unsicherheit der Prognosen quantifiziert werden. Dies dient zum einen der Auswahl, Optimierung und ggf. Kombination von Modellen. Zum anderen soll der probabilistische Ansatz zusätzliche Daten für die wirtschaftliche Optimierung des Energiemanagements zu liefern. So kann das System z.B. in Situationen mit erhöhter Prognoseunsicherheit mehr Reserven bereithalten.

Das zweite Element stellt den Übergang von der lokalen Einstrahlung zur erzeugten Leistung des PV-Systems dar. Ziel des Vorhabens ist hier die Entwicklung von Algorithmen, die ohne eine aufwändige lokale Parametrisierung auskommen, da im Anwendungsfall insbesondere bei kleinen Anlagen nicht alle ertragsrelevanten Parameter mit vertretbarem Aufwand individuell analytisch erfasst und modelliert werden können. Beide Modellierungsschritte erfolgen in dem Projekt durch adaptives Lernen anhand von PV-Messwerten.

Die zu entwickelnden Algorithmen werden im Vergleich zu Feldmessungen an PV Anlagen von Innogy SE und Fraunhofer ISE validiert und in ihrer Prognosegenauigkeit mit nicht-adaptiven Verfahren nach dem Stand der Technik verglichen. Zusätzlich wird das wirtschaftliche Potential der Methode über die Modellierung konkreter Anwendungsfälle mit einem virtuellen Energiemanagementsystem, PV-Generator, Speicher und Lasten untersucht.