Schneller Powerformer erzielt genaue und speichereffiziente mittelfristige Windleistungsprognosen

Warum bessere Windprognosen wichtig sind

Stromnetze stützen sich immer stärker auf Windturbinen, um die Versorgung ohne Verbrennung fossiler Brennstoffe sicherzustellen. Doch Wind ist unbeständig: Böen können im Tagesverlauf abflauen oder auffrischen, sodass Netzbetreiber kurzfristig Ersatzleistung aktivieren müssen. Dieses Paper stellt den „Fast-Powerformer“ vor, ein neues Rechenmodell, das mehrere Tage vorausblickt, um zu prognostizieren, wie viel Strom ein Windpark liefern wird — und dabei deutlich weniger Rechenleistung und Speicher benötigt als viele bestehende Methoden. Die Arbeit zielt auf eine praktische Frage ab: Wie können wir Windprognosen so genau machen, dass sie für Märkte und Netzsteuerung taugen, und gleichzeitig so leichtgewichtig, dass sie auf gewöhnlicher Hardware an abgelegenen Windparks laufen?

Die Herausforderung, Tage vorauszublicken

Windleistung vorherzusagen heißt nicht nur, die Brise von morgen zu erraten. Netzbetreiber interessieren sich für die nächsten ein bis drei Tage, um zu planen, welche Kraftwerke hochzufahren sind, wie im Day-Ahead-Handel Strom gehandelt wird und wie vermiedene Windenergie bei Netzüberlastung verhindert werden kann. Dieses „mittelfristige“ Zeitfenster ist schwierig, weil das Modell feine Muster in vielen Variablen zugleich lesen muss — Windgeschwindigkeit und -richtung in verschiedenen Höhen, Temperatur, Druck, Luftfeuchte — und verfolgen muss, wie sie sich über hunderte Zeitpunkte entwickeln. Traditionelle physikbasierte Wettermodelle sind zwar präzise, aber rechenintensiv, während klassische statistische und Machine-Learning-Werkzeuge entweder einfache Trends annehmen oder die zeitliche Reihenfolge der Daten vernachlässigen, wodurch sie für solch komplexe, lange Sequenzen ungeeignet sind.

Woran bestehende KI-Modelle scheitern

Jüngste Fortschritte in der künstlichen Intelligenz, insbesondere Transformer-basierte Modelle, die ursprünglich für Sprache entwickelt wurden, haben die Zeitreihenprognose verbessert, indem sie Zusammenhänge über lange Zeiträume hinweg lernen. Dennoch geraten diese Modelle bei mittelfristigen Windaufgaben an ihre Grenzen. Standard-Transformer vergleichen jeden Zeitpunkt mit jedem anderen, sodass ihre Rechenkosten mit der Sequenzlänge schnell wachsen, und sie betrachten jeden Zeitpunkt isoliert, wodurch es schwerfällt zu erkennen, wie verschiedene Wettervariablen miteinander interagieren. Manche neueren Entwürfe beschleunigen den Prozess durch Umstrukturierung der Daten, verlieren dabei aber kurzfristige Schwankungen und tageszyklische Muster — gerade die Merkmale, die die tatsächliche Turbinenleistung antreiben. Folglich stehen Modelldesigner oft vor einem Kompromiss: Entweder bleiben die Prognosen scharf, aber teuer in der Berechnung, oder man vereinfacht das Modell und nimmt weniger präzise Vorhersagen in Kauf.

Ein schlankes Modell für Windparks

Fast-Powerformer löst diesen Zielkonflikt mit drei aufeinander abgestimmten Ideen, basierend auf einer schlankeren Transformer-Variante namens Reformer. Erstens formt es die Eingabedaten so um, dass jede Wettervariable (etwa Hub-Höhen-Windgeschwindigkeit) zu einem einzelnen „Token“ wird, das ihr Verhalten über den gesamten Eingabezeitraum zusammenfasst. Das reduziert die Anzahl der Tokens drastisch und lenkt die Aufmerksamkeit auf Wechselwirkungen zwischen Variablen, statt jeden Zeitstempel einzeln zu verfolgen. Zweitens, weil diese Umformung feine zeitliche Details verwischen könnte, werden die Rohsequenzen vorab durch ein kleines rekurrentes Netzwerk (LSTM) geleitet. Dieser Schritt destilliert kurzfristige Anstiege und Abfälle in eine kompakte Repräsentation, bevor die Daten neu organisiert werden. Drittens analysiert Fast-Powerformer explizit Muster in der Frequenz — mithilfe einer kosinusbasierten Transformation, um tägliche und mehrtägige Zyklen zu betonen — durch einen spezialisierten Attention-Block, der Variablen hervorhebt, deren Rhythmen für die Stromproduktion am wichtigsten sind.

Tests an realen Windparks

Die Autoren bewerten Fast-Powerformer anhand von zwei Jahren hochaufgelöster Messdaten aus drei chinesischen Windparks in sehr unterschiedlichen Landschaften, von Wüsten bis zu Bergen. Das Modell stützt sich ausschließlich auf vor Ort gemessene Sensordaten statt auf umfangreiche Wetter-Simulationen, was dem entspricht, was viele Betreiber tatsächlich zur Verfügung haben. Im Vergleich mit einer Reihe gängiger Werkzeuge — darunter klassische statistische Modelle, neuronale Netze und mehrere populäre Transformer-Designs — erzielt Fast-Powerformer in den meisten Fällen geringere durchschnittliche Fehler und besonders starke Ergebnisse bei Kennzahlen, die für den Betrieb wichtig sind, wie absolute und prozentuale Abweichungen zwischen prognostizierter und tatsächlicher Leistung. Gleichzeitig trainiert und läuft es spürbar schneller und verbraucht deutlich weniger Grafikkarten-Speicher als konkurrierende Transformer-Ansätze, was den Einsatz auf bescheidenen Servern oder Edge-Geräten in Windparks praktisch macht.

Was das für die Planung sauberer Energien bedeutet

Für eine allgemein interessierte Leserschaft lautet die Kernbotschaft: Klügere, schlankere Algorithmen können Wind zu einem verlässlicheren Bestandteil des Energiemixes machen, ohne Supercomputerressourcen zu verlangen. Durch die Kombination einer klugen Umordnung der Eingabedaten, eines dezenten Kurzzeitgedächtnisses und einer Fokussierung auf wiederkehrende Zyklen sagt Fast-Powerformer mehrere Tage Windleistung genauer und effizienter voraus als viele bestehende Methoden. Bessere mittelfristige Prognosen helfen Netzbetreibern, andere Kraftwerke einzuplanen, teure Last-Minute-Anpassungen zu reduzieren und verschwendete erneuerbare Energie zu verringern. Für die Zukunft schlagen die Autoren vor, reichhaltigere Wetterdaten zu integrieren und Modelle, die an einem Standort trainiert wurden, an neue Standorte anzupassen, mit dem Ziel, Prognosetools zu entwickeln, die sich leicht von Park zu Park transferieren lassen und dabei Rechenaufwand — und Emissionen — gering halten.

Zitation: Zhu, M., Li, Z., Lin, Q. et al. Fast-powerformer achieves accurate and memory-efficient mid-term wind power forecasting. Sci Rep 16, 6737 (2026). https://doi.org/10.1038/s41598-026-36777-8

Schlüsselwörter: Windleistungsvorhersage, erneuerbare Energien Netze, Zeitreihenmodelle, Transformer-Neuronale Netze, Energiemarktplannung