info@PortalDerWirtschaft.de | 02635/9224-11
Suchmaschinenoptimierung
mit Content-Marketing - Ihre News
EWC Weather Consult GmbH |

Exaktere Windleistungsprognosen sollen Kosten für Energiewende senken

Bewerten Sie hier diesen Artikel:
1 Bewertung (Durchschnitt: 4)


Bundesregierung beauftragt ZSW und EWC mit neuem Forschungsprojekt


 

Karlsruhe/Stuttgart 04.02.2015. Das Zentrum für Sonnenenergie- und Wasserstoff-Forschung Baden-Württemberg (ZSW) in Stuttgart und die Karlsruher EWC Weather Consult GmbH nutzen künftig die meteorologischen Vorhersagen zahlreicher  Wettermodelle, um mithilfe Maschineller Lernverfahren eine deutlich verbesserte Prognose der Windstromeinspeisung zu berechnen. So sollen die Kosten für die Energiewende deutlich gesenkt werden. Das Bundeswirtschaftsministerium fördert das entsprechende Projekt WindSage.



 

 

Mit dem Ausbau fluktuierender Energiequellen in Deutschland kommt es mitunter vor, dass witterungsbedingt weniger Wind- oder Solarstrom produziert wird als vorhergesagt. Dann muss zum Ausgleich teure Regelenergie beschafft werden.

 

Das Projekt "WindSage" soll Abhilfe schaffen. In dessen Rahmen bringen die Karlsruher Wetterexperten von EWC umfangreiches Know-how zur Prognoseerstellung sowie Messdaten-Verarbeitung ein, die ZSW-Forscher ihre langjährigen Erfahrungen beim Maschinellen Lernen und in der Meteorologie. Dies schafft die optimalen Voraussetzungen für die Kombination von bis zu zehn Wettermodellen. So kann die Windeinspeisungsprognose entscheidend verbessert werden. 

 

Die Maschinellen Lernverfahren stammen aus der aktuellen Informatik-Forschung und werden in ähnlicher Weise z.B. 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. Damit so ein System wirklich auch lernen kann, sind zahlreiche Voraussetzungen zu schaffen. "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. Damit sinken die Kosten für alle Teilnehmer, die Strom beziehen Konzerne wie Privathaushalte", sagt Jon Meis. Aber das System sei auch flexibel auf andere Anforderungen anzupassen, etwa für jene eines Direktvermarkters oder Verteilnetzbetreibers. Zudem gehen die Projektpartner auf Basis erster Anwendungen in der Direktvermarktung davon aus, dass ein ähnliches System ebenso erfolgreich Solarleistungsprognosen verbessern kann.



Web: http://www.weather-consult.com


Für den Inhalt der Pressemitteilung ist der Einsteller, Mira Steinmetz (Tel.: +49 (0)721 663 23 0), verantwortlich.


Keywords: Neuronale Netze, WindSage, Prognose der Windstromeinspeisung, Reduzierung der Regelenergiekapazitäten, Direktvermarktung

Pressemitteilungstext: 374 Wörter, 2982 Zeichen. Als Spam melden

Unternehmensprofil: EWC Weather Consult GmbH

Maschinelle Lernverfahren machen Windkraftprojekte sicherer

Karlsruhe/Stuttgart 28.11.2013. Um festzustellen, ob sich ein Standort für ein Windkraftprojekt eignet, brauchen Investoren, Projektierer und Anlagenbetreiber ein Gutachten. Dabei müssen sie allerdings Unsicherheiten aus Meteorologie und Technologie in Kauf nehmen – was sich wiederum direkt auf die Finanzierung der Projekte durch die beteiligten Banken auswirkt. Neue Wege, um solche Risiken zu minimieren, geht der Karlsruher Wetterdienstleister EWC. In Kooperation mit dem Zentrum für Sonnenenergie- und Wasserstoff-Forschung Baden-Württemberg (ZSW) wurde eine neuartige Methode des Langzeitbezugs von Windmessungen (MCP) für Windkraftstandorte entwickelt, die wetter- und technologiebedingte Unsicherheiten gegenüber den herkömmlichen Verfahren deutlich reduziert.

Auf tiefen neuronalen Netzen aufbauend, ermöglicht dieses Verfahren der süddeutschen Projektpartner nicht-lineare Korrekturen der langen Zeitreihen, die die Korrelation, also die zeitliche Übereinstimmung, zur Messung verbessert. Das Ergebnis basiert auf aktuellen Messwerten vor Ort und liefert eine 34 Jahre umfassende, stündliche Windzeitreihe für die projektierte Windkraftanlage bzw. den Messstandort.
Bei der detaillierten Evaluation des maschinellen Lernverfahrens zeigt sich eine deutliche Überlegenheit gegenüber herkömmlichen Methoden.
So ist die Häufigkeitsverteilung der Windgeschwindigkeit sowie die Korrelation zwischen Messung und Langzeitdaten optimiert und weist in allen betrachteten Fällen wesentlich geringere Fehler in der Ertragsabschätzung auf als zum Beispiel bei klassischen Verfahren mit linearen Regressionen oder der Matrix-Methode. Bei der Untersuchung stellte sich heraus, dass schon bei einer Messdauer von neun Monaten das vorgestellte Verfahren der süddeutschen Forscher und Dienstleister das Qualitätsniveau der klassischen Methoden erreicht. Bei längeren Beobachtungszeitreihen kommt die ganze Stärke des Verfahrens zum Tragen: Selbst an komplexen Standorten lassen sich bisherige Fehler um bis zu 50 Prozent reduzieren, sobald die Messdauer 12 Monate erreicht.
Neben der Messdauer spielt auch die Verfügbarkeit der Langzeitdaten eine große Rolle. Die Zeitreihen basieren auf MERRA-Reanalyse-Daten, für die EWC aus 3D-Daten individuelle Windprofile mittels verifizierter Downscaling-Verfahren berechnet. Ein weiterer Vorteil: Die letztmonatlich fehlenden Reanalysen werden durch Daten anderer Wettermodelle ersetzt. Ein Bezug zu aktuellen Messdaten von "gestern" ist somit immer gegeben.

„Mit Hilfe der selbstoptimierenden neuronalen Netze können wir den systematischen Fehler (BIAS) und den Verteilungsfehler so stark minimieren, dass die Korrelation der Langzeitreihe der Winddaten auf stündlicher Basis extrem hoch ist.


Kommentare:

Es wurde noch kein Kommentar zu diesem Thema abgegeben.



Ihr Kommentar zum Thema





Weitere Pressemitteilungen von EWC Weather Consult GmbH lesen:

EWC Weather Consult GmbH | 01.07.2016

Mehr Wetterwissen für Energieprognose-Manager

Unter dem Titel „Wetter und Erneuerbare als Treiber im Energiemarkt“ erklärt Alexander Lehmann, Geschäftsführer der EWC Weather Consult GmbH, angehenden Energieprognose-Managern, wie Wetterdaten optimal eingesetzt werden können. Das Wetter-...
EWC Weather Consult GmbH | 20.06.2016

EWC-Langzeitindex: Viel Wind im Mai sorgt für eines der besten Ergebnisse der Windleistung

 Die Solarstromproduktion lag mit 4.715 GWh nur leicht über dem Durchschnitt. Im langjährigen Vergleich entspricht das dem 13. Rang. Zusammen genommen wäre die Leistung aus Solar- und Windkraft das drittbeste Ergebnis gewesen, nur in den Jahren 1...
EWC Weather Consult GmbH | 23.04.2015

Wetterinformationen für das Unwetter- und Kumulschadenmanagement sowie den einzelnen Schadenfall aus einer Hand

Die diesjährigen Schwerpunkte der Karlsruher Wetterexperten liegen auf Unwetteranalysen sowie Wetterinformationen für das Kumulschadenmanagement. Besonders in diesen Bereichen sieht sich die Versicherungs- und Wohnungswirtschaft oftmals mit logisti...