Forscher haben die Leistungsfähigkeit von Temporal Convolutional Networks (TCN) für die sofortige Vorhersage der nationalen Solarstromerzeugung in Spanien untersucht und zeigen, dass das Verfahren sowohl für ein‑Stunden- als auch für 15‑Minute‑Horizonte die herkömmliche lineare Regression deutlich übertrifft. Die Analyse verwendet Daten des europäischen Netzbetreibers ENTSO‑E und berücksichtigt vergangene Wetterbeobachtungen wie Solarstrahlung und Sonnenhöhe.
Methodik und Datenbasis
Die Studie baut multivariate TCN‑Modelle auf, die auf kausalen und dilatierten Faltungsschichten basieren. Als Eingangsvariablen werden ausschließlich historische Wetterwerte eingesetzt, wodurch zukünftige Wetterprognosen entfallen. Die zugrundeliegenden Erzeugungsdaten umfassen mehrere Jahre nationaler PV‑Leistung in Spanien.
Ergebnisse auf stündlicher Ebene
Im Vergleich zur linearen Regression erzielt das TCN‑Modell auf Stundenbasis einen klaren Leistungszuwachs. Dabei ist die architektonische Struktur des TCN selbst der Hauptfaktor für die Verbesserung, während die zusätzlichen Wettervariablen nur einen geringen Beitrag leisten.
Ergebnisse auf 15‑Minute‑Ebene
Für die feinere Auflösung von 15 Minuten zeigt sich ein anderes Bild: Die Einbeziehung von Wettermerkmalen wird zum dominierenden Faktor, während die reine Netzwerkarchitektur weniger Einfluss hat. Diese Beobachtung spiegelt die höhere atmosphärische Variabilität auf kurzen Zeitskalen wider.
Vergleich mit linearem Basismodell
Der lineare Regressionsansatz bleibt hinter den TCN‑Ergebnissen zurück, sowohl hinsichtlich der Vorhersagegenauigkeit als auch der Robustheit gegenüber Schwankungen im Wetter. Die Autoren betonen, dass die TCN‑Lösung eine substanzielle Verbesserung darstellt, ohne dass zukünftige Wetterprognosen erforderlich sind.
Praktische Implikationen
Die Möglichkeit, ausschließlich vergangenheitsbasierte Wetterdaten zu nutzen, vereinfacht den Einsatz von Vorhersagemodellen in der Praxis und unterstützt die Integration von Solarenergie in das nationale Stromnetz. Die Ergebnisse liefern zudem ein datengetriebenes Kriterium für die Auswahl relevanter Merkmale bei ähnlichen Aufgaben im Bereich erneuerbarer Energien.
Ausblick
Nach Angaben der Autoren eröffnet die TCN‑Methodik neue Perspektiven für die kurzfristige Vorhersage nicht nur von Solar‑, sondern auch von anderen erneuerbaren Energiequellen, wobei die Vorgehensweise leicht auf weitere nationale Kontexte übertragbar ist.
Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.
Ende der Uebertragung