2014-09-01  –  2016-12-31

109.986,00 EUR

UBIMET GmbH, Karlsruhe, Baden-Württemberg

0325722B

Energiemeteorologie [EB1812]

01154080/1  –  Optimierung der Windleistungsprognosen für Windparks, Netzknoten, Regelzonen und Deutschland mit Methoden des maschinellen Lernens durch optimale Kombination von deterministischen und probabilistischen Wettervorhersagen

Bundesministerium für Wirtschaft und Klimaschutz (BMWK.IIB5)

Forschungszentrum Jülich GmbH (PT-J.ESI4)

Energie

Ziel des Projektes ist es, das von den Projektpartnern gemeinsam betriebene operationelle Windleistungsprognosesystem in mehreren Bereichen signifikant zu verbessern und damit den Vorhersagefehler der Day-ahead-Prognose für Deutschland auf ein bisher nicht erreichtes Niveau von unter 3% (nRMSE) zu senken. Das bisherige System erreicht mit nur einem Wettervorhersagemodell (NWP) 4,1% nRMSE. Eine erhebliche Verbesserung der Prognosegüte soll durch die Hinzunahme von neun weiteren NWP-Modellen und Ensemblevorhersagen erreicht werden. Für die damit notwendige Gewichtung und Datenreduktion der Eingangsparameter und der damit einhergehenden Bewertung und Auswahl der verschiedenen NWP-Daten kommen hochmoderne Optimierungsverfahren des Maschinellen Lernens (ML) zum Einsatz. Nach Abschluss der Entwicklungsarbeiten und Testbetrieb des neuen Vorhersagesystems WindSage findet ein Benchmark von WindSage statt. Das Vorhaben ist in 5 Arbeitspakte (AP A-E) und Projektkoordination gegliedert. Im AP A (Datenakquisition) werden zuerst die noch nicht vorhandenen Daten weiterer NWP-Modelle und Windeinspeisedaten beschafft, bevor dies im AP B aufbereitet und qualitätsgesichert werden. In AP B werden ebenfalls auf Basis der neuen Wettermodelle physikalische Windleistungsvorhersagen erstellt. Diese dienen als Eingangsdaten für AP C, der Belernung und Optimierung der Windleistungsprognosen mit ML-Methoden. Vorgesehene Arbeitsschritte sind der Test und die Evaluierung verschiedener ML Techniken und Architekturen, die automatische Auswahl der Eingangsparameter mit Optimierungsmethoden, die Verbesserung von Rampenvorhersagen und die Minimierung des Maximalfehlers von Prognosen. In AP D wird WindSage in ein operationelles System implementiert und getestet, bevor in AP E ein Online-Benchmark über mehrere Monate stattfinden wird. Den Abschluss des Vorhabens stellt ein Workshop mit allen Teilnehmern des Benchmark dar.