Interpretierbare ultra-kurzfristige Photovoltaik-Leistungsprognose mit mehrskaliger zeitlicher Modellierung und variablenweiser Aufmerksamkeit

Warum Prognosen der Solarleistung in Minuten wichtig sind

Je mehr Strom aus Solarmodulen stammt, desto mehr müssen Netzbetreiber kontinuierlich ausgleichen, wie viel Energie erzeugt wird und wie viel verbraucht wird. Plötzliche Wolken, saisonale Verschiebungen und wechselhaftes Wetter können die Solarleistung innerhalb von Minuten stark schwanken und dieses Gleichgewicht gefährden. Diese Arbeit stellt eine neue Methode vor, um die Leistung einer großen Solaranlage nur 15 Minuten im Voraus vorherzusagen, mit dem Ziel, die Vorhersagen über alle vier Jahreszeiten hinweg genau zu halten und zugleich die Entscheidungsgründe des Modells für Menschen besser nachvollziehbar zu machen.

Muster in Sonne und Wetter über viele Zeitskalen erkennen

Die Solarleistung wird von Rhythmen geprägt, die sich über Minuten, Stunden und Monate entfalten: der tägliche Auf- und Untergang der Sonne, kurzzeitige Wolkenbedeckung und allmähliche saisonale Veränderungen. Traditionelle Prognosewerkzeuge konzentrieren sich oft nur auf eine dieser Zeitskalen oder vermischen sie, was bei schnellen Änderungen zu großen Fehlern führen kann. Der erste Teil des vorgeschlagenen Systems, das Multi-Scale Kolmogorov–Arnold Network (MKAN), begegnet diesem Problem, indem vergangene Daten in sich überlappende Abschnitte unterschiedlicher Länge zerlegt werden. Jeder Abschnitt durchläuft ein kleines, flexibles mathematisches Modul, das lernt, wie die Leistung auf das jüngste Muster auf dieser Skala reagiert. Diese skalen-spezifischen Sichtweisen werden anschließend wieder zu einer dichten Zusammenfassung zusammengefügt, die das Verhalten der Solaranlage in der jüngeren Vergangenheit abbildet.

Wettervariablen gegenseitig „sprechen“ lassen

Solarleistung hängt nicht von einer einzelnen Messgröße wie der Strahlungsintensität ab; sie entsteht aus komplexen Wechselwirkungen mehrerer Faktoren, darunter direkte und diffuse Einstrahlung, Temperatur, Luftfeuchte, Druck und die jüngste Leistung der Anlage selbst. Der zweite Teil des Rahmens, iTransformer, ist so konzipiert, diese Interaktionen zu erfassen, indem jede Variable als eigenes „Token“ in einer Konversation behandelt wird. Anstatt Schritt für Schritt durch die Zeit zu gehen, betrachtet iTransformer die Variablen übergreifend und verwendet einen Aufmerksamkeitsmechanismus, um zu entscheiden, welche Variablen für eine bestimmte Vorhersage einander am stärksten beeinflussen sollten. Diese variablenweise Fokussierung macht es leichter sichtbar zu machen, etwa wann die Luftfeuchte den Einfluss der Sonneneinstrahlung stark prägt oder wann das Modell wegen instabilen Wetters stark auf die jüngste Leistung zurückgreift.

Die beiden Ideen zu einer einzigen Prognose-Engine verbinden

Die Autorinnen und Autoren verbinden MKAN und iTransformer hintereinander zu dem MKAN-iTransformer-Modell. Zuerst wandelt MKAN die rohen 15-Minuten-Historien von Wetter und Leistung in mehrskalige zeitliche Merkmale um, die schnelle Fluktuationen von glatteren Trends trennen. Anschließend nimmt iTransformer diese Merkmale und nutzt seinen Aufmerksamkeitsmechanismus, um Informationen aus verschiedenen Variablen zu verknüpfen und eine finale Schätzung der Anlagenleistung 15 Minuten in die Zukunft zu erzeugen. Das System wird an zwei Jahren Daten einer 30-MW-Solaranlage in China trainiert und getestet, wobei nur Messwerte tagsüber zwischen 6:00 und 20:00 Uhr verwendet werden. Die Daten werden für jede Saison chronologisch geteilt, um eine reale Einsatzsituation zu imitieren, und das Modell wird mit einer breiten Palette von Alternativen verglichen – von klassischen rekurrenten Netzen über neuere Transformer-Designs bis hin zu ihren eigenen KAN-verbesserten Varianten.

Wie gut es in Frühling, Sommer, Herbst und Winter funktioniert

Über nahezu alle Jahreszeiten und Fehlermaße hinweg erreicht MKAN-iTransformer entweder gleichwertige oder bessere Ergebnisse als konkurrierende Methoden. Im Frühling und Herbst – wenn das Wetter schnell wechselt und Leistungsprofile durch unregelmäßige Rampen geformt werden – liefert es die geringsten quadratischen Fehler und die kleinsten durchschnittlichen Abweichungen und erklärt über 94 % der Leistungsvariation. Im Winter, einem besonders schwierigen Szenario mit flachen Sonnenständen und schnellen Schwankungen, reduziert das Modell einige Fehlermessgrößen gegenüber einem Standard-Transformer um mehr als die Hälfte und übertrifft deutlich rekurrente Netze. Der Sommer ist für die meisten Modelle etwas einfacher, doch MKAN-iTransformer erzielt weiterhin die niedrigsten quadratischen Fehler, was bedeutet, dass es große, gelegentliche Ausreißer besser unterdrückt. Sorgfältige Ablationsstudien zeigen, dass die Verwendung von MKAN oder iTransformer allein diese Gewinne nicht vollständig erklärt; es ist die Kombination aus mehrskaliger Zeitstruktur und variablenübergreifender Aufmerksamkeit, die die stabilste Leistung über die Jahreszeiten liefert.

Die Black Box für Netzbetreiber öffnen

Über die bloße Genauigkeit hinaus betonen die Autorinnen und Autoren die Interpretierbarkeit. Da MKAN seine Vorhersagen aus Summen einfacher gelernter Funktionen aufbaut, lassen sich diese visualisieren, um zu zeigen, wie das Modell auf Eingaben auf unterschiedlichen Niveaus reagiert, etwa bei niedriger oder hoher Einstrahlung. Eine mehrskalige Zerlegung des Leistungssignals verdeutlicht, wie tägliche Trends, mittelfristige Wetterverschiebungen und schnelle, wolkenbedingte Sprünge getrennt und verarbeitet werden. Gleichzeitig zeigen Aufmerksamkeitskarten des iTransformer, wie sich die Bedeutung der Variablen saisonal verschiebt: Direkte Sonneneinstrahlung dominiert im Frühling und Winter, während Luftfeuchte und bestimmte Einstrahlungsmaße im Sommer und Herbst an Bedeutung gewinnen. Diese visuellen Hilfsmittel unterstützen Ingenieurinnen und Ingenieure dabei zu verstehen, warum sich das Modell unter verschiedenen atmosphärischen Bedingungen so verhält, und fördern Vertrauen sowie Diagnosemöglichkeiten, wenn Vorhersagen fehlschlagen.

Was das für die Zukunft der Solarprognose bedeutet

Anschaulich zeigt die Studie, dass es möglich ist, eine Solarprognose zu bauen, die gleichzeitig „breit“ und „tief“ ist: breit über verschiedene Wettersignale und tief über mehrere Zeitskalen, und dabei teilweise für Menschen lesbar bleibt. Für Netzbetreiber könnte das in zuverlässigere 15-Minuten-Vorhersagen übersetzt werden, ganzjährig weniger Überraschungsschwankungen in der Einspeisung sowie eine bessere Nutzung von Speichern und Reservekraftwerken. Für Forschende bietet MKAN-iTransformer eine Blaupause, wie interpretierbare Bausteine mit leistungsfähigen Aufmerksamkeitsmechanismen kombiniert werden können und weist den Weg zu Prognosetools, die nicht nur genau sind, sondern auch erklären, wie Sonne, Wolken und Atmosphäre gemeinsam den Fluss erneuerbarer Elektrizität formen.

Zitation: Liu, L., Liu, M., Han, Z. et al. Interpretable ultra-short-term photovoltaic power forecasting with multi-scale temporal modeling and variable-wise attention. Sci Rep 16, 10336 (2026). https://doi.org/10.1038/s41598-026-39797-6

Schlüsselwörter: Prognose von Solarleistung, Photovoltaiknetze, Zeitreihenmodellierung, saisonale Variabilität, interpretierbare KI