KALIFORNIEN / MÜNCHEN (IT BOLTWISE) – Die präzise Vorhersage der Solarstromerzeugung ist entscheidend für die effiziente Nutzung erneuerbarer Energien. Ein Forscherteam am Karlsruher Institut für Technologie (KIT) hat nun untersucht, wie maschinelles Lernen die Genauigkeit dieser Prognosen verbessern kann.

Die Nutzung von Photovoltaikanlagen zur Stromerzeugung ist stark von der Sonneneinstrahlung abhängig. Um die Effizienz dieser Anlagen zu maximieren, sind präzise Vorhersagen über die zu erwartende Solarleistung unerlässlich. Hierbei spielt die Energiemeteorologie eine zentrale Rolle, ein Forschungszweig, der sich mit der Optimierung von Wetterdaten und Beobachtungssystemen befasst, um die Solarstrahlung auf spezifische Anlagen möglichst genau vorherzusagen.
Traditionell basieren Wettervorhersagen auf numerischen Wettermodellen, die mithilfe komplexer Gleichungen und Daten von Messstationen die Veränderungen in der Atmosphäre berechnen. Für die Vorhersage der Photovoltaik-Leistung ist insbesondere die globale horizontale Bestrahlungsstärke (GHI) von Bedeutung, da sie angibt, wie viel Sonnenenergie auf eine horizontale Fläche trifft.
Ein Team am KIT hat nun erforscht, wie maschinelles Lernen die Vorhersagen dieser Modelle verbessern kann. Die Studie, die im Fachmagazin Advances in Atmospheric Sciences veröffentlicht wurde, zeigt, dass die Nachbearbeitung der Vorhersagen durch maschinelles Lernen zu einer erheblichen Verbesserung der Genauigkeit führt. Besonders effektiv ist diese Methode, wenn sie auf die Leistungsvorhersagen angewendet wird, anstatt direkt auf die Wetterdaten.
Ein bemerkenswerter Vorteil der KI-gestützten Direktprognose ist, dass sie keine spezifischen Kenntnisse über die technischen Spezifikationen der Solaranlage erfordert. Allerdings sind genaue historische Trainingsdaten notwendig, um die Modelle zu optimieren. Die Studie nutzte Daten des Solarparks Jacumba in Kalifornien, um die Vorhersagen zu testen und zu validieren.
Die Forscher fanden zudem heraus, dass die Einbeziehung der Tageszeit die Genauigkeit der Vorhersagen weiter steigern kann. Durch das Training separater Modelle für jede Stunde des Tages oder die direkte Integration der Zeit in die Algorithmen konnten erhebliche Verbesserungen erzielt werden.
Obwohl die Studie sich auf eine einzige Solaranlage konzentriert, verdeutlicht sie das Potenzial von KI-Modellen zur Optimierung von PV-Prognosesystemen. Angesichts des Wachstums erneuerbarer Energien wird die Fähigkeit, die Leistung dieser Anlagen im Voraus zu berechnen, für Betreiber immer wichtiger.

- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
Stellenangebote

Dozent Tourismusmanagement Technologien und KI (m/w/d)

Abschlussarbeit im Bereich Datenstrategie und Künstliche Intelligenz

Projektmanager (w|m|d) Digitale Innovation und Künstliche Intelligenz

Praktikant*in KI-Modelle & Unity (Pflicht-Praktikum)

- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Maschinelles Lernen verbessert Prognosen für Solarstromerzeugung" für unsere Leser?
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Maschinelles Lernen verbessert Prognosen für Solarstromerzeugung" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Maschinelles Lernen verbessert Prognosen für Solarstromerzeugung« bei Google Deutschland suchen, bei Bing oder Google News!