Eine nichtparametrische, adaptive konforme Inferenz basierte probabilistische stündliche Vorhersagemethode für PV‑Solarleistung

Warum bessere Solarvorhersagen wichtig sind

Da immer mehr Haushalte, Unternehmen und Versorger auf Solarmodule für sauberen Strom setzen, müssen Netze eine Energiequelle managen, die mit jeder Wolke schwankt. Netzbetreiber brauchen nicht nur eine Schätzung, wie viel Solarstrom in einer Stunde verfügbar sein wird, sondern auch eine Einschätzung der Unsicherheit dieser Vorhersage. Dieses Paper stellt eine neue Methode vor, um „Fehlerbalken“ um kurzfristige Solarleistungsprognosen zu legen, damit Planer die Versorgung sichern können, während sie sich stärker auf die Sonne verlassen.

Von einzelnen Schätzungen zu risikobewussten Vorhersagen

Konventionelle Solarprognosen reduzieren die Zukunft oft auf eine einzige Zahl, etwa „2,5 Kilowatt in der nächsten Stunde“. Tatsächlich schwankt die Solarleistung mit Wetter und Tageszeit, und Entscheidungen im Netz — etwa wie viel Reserveleistung eingeplant werden soll — hängen davon ab, wie sicher diese Werte sind. Moderne Ansätze nutzen daher probabilistische Vorhersagen: statt eines Einzelwerts liefern sie Bereiche wahrscheinlicher Ergebnisse und eine Angabe dazu, wie häufig der wahre Wert in diesem Bereich liegen sollte. Die Studie konzentriert sich auf stündliche Vorhersagen für Dachanlagen einer Universität in Breslau (Wrocław), Polen, basierend auf fünf Jahren historischer Daten. Ziel ist es, Vorhersageintervalle zu erzeugen, die zuverlässig sind (sie beinhalten den wahren Wert die meiste Zeit) und gleichzeitig scharf (so eng wie möglich, ohne unnötig breite Bereiche).

Ein schlauerer Weg, Unsicherheit anzupassen

Die zentrale Technik ist Adaptive Conformal Inference (ACI). Einfach gesagt umgibt ACI jedes Vorhersagemodell — hier ein tiefes Netzwerk, ein gestapeltes LSTM — und betrachtet jüngste Prognosefehler, um zu entscheiden, wie breit das nächste Vorhersageintervall sein soll. Wenn jüngste Vorhersagen danebenlagen, weitet ACI das Intervall; waren sie genau, zieht es den Bereich zusammen. Standard‑ACI geht jedoch davon aus, dass sich Daten gleichmäßig ändern. Solarleistung tut das nicht: jede Nacht fällt die Leistung auf null, und die ersten Morgenstrahlen ähneln kaum dem Vorabend. Dieses tägliche An‑ und Abschalten kann dazu führen, dass sich der ACI‑Anpassungsparameter verschiebt und Intervalle im Laufe der Zeit aufblähen.

Täglicher Neustart für einen frischen Anfang

Um dieses Missverhältnis zu beheben, führen die Autoren eine einfache, aber wirkungsvolle Änderung ein: Sie setzen den internen „Miscoverage“-Parameter von ACI zu Beginn jedes Tages zurück. Konzeptionell sagt dies dem Algorithmus, die langen, informationsarmen Nachtstunden zu vergessen und die Kalibrierung nur auf das Tagesverhalten zu stützen. Das zugrunde liegende LSTM lernt weiterhin Muster aus Jahren von Daten, einschließlich saisonaler Änderungen und typischer Tagesverläufe, doch die ACI‑Schicht lässt nun nicht mehr zu, dass nächtliche Nullen das Unsicherheitsgefühl verzerren. Dieser tägliche Reset verhindert, dass Intervalle nach langen, informationsarmen Perioden unnötig groß werden, und erlaubt der Methode, sich schnell an die Lichtverhältnisse jedes Tages anzupassen — ob klar, bewölkt oder sehr variabel.

Wie sich die neue Methode schlägt

Die Studie vergleicht vier Arten, Unsicherheit um Solarvorhersagen auszudrücken: die modifizierte ACI, ein tiefes Modell, das mehrere Quantile direkt vorhersagt (Deep Quantile Regression), eine bayessche Variante des LSTM, die Unsicherheit intern abschätzt, und einen leistungsstarken baumbasierten Algorithmus namens CatBoost, abgestimmt auf Quantilvorhersagen. Getestet wird auf einem Jahr unzitierter Daten. Die modifizierte ACI erreicht die höchste Zuverlässigkeit: Ihre Intervalle enthalten den wahren Wert etwa 91 % der Zeit, nahe dem angestrebten Ziel, bei moderater Intervallbreite. Das bayessche LSTM liegt bei der Zuverlässigkeit an zweiter Stelle, liefert aber etwas breitere Intervalle. CatBoost liefert die engsten Intervalle, verfehlt jedoch öfter die wahren Werte und unterschätzt damit die Unsicherheit. Deep Quantile Regression schneidet insgesamt am schlechtesten ab, mit geringerer Abdeckung, breiteren Intervallen und höheren Strafwerten. Wichtig ist, dass die verbesserte ACI diese Leistung mit nur geringem zusätzlichem Rechenaufwand gegenüber dem Basis‑LSTM erreicht.

Was das für zukünftige Solarnetze bedeutet

Praktisch zeigt die Arbeit, dass eine bessere Berücksichtigung des Tag‑Nacht‑Rhythmus die Qualität von Risikoabschätzungen für Solarenergie merklich verbessern kann. Durch den täglichen Reset seiner Kalibrierung liefert die modifizierte ACI vertrauenswürdige und zugleich vernünftig schmale Konfidenzbänder, was es Netzbetreibern und Energiemanagern erleichtert, Reserven zu planen, Strom zu handeln und mehr Solarstrom zu integrieren, ohne übermäßig auf Unsicherheit zu reagieren. Da ACI modellagnostisch ist und nicht auf detaillierte Wettervorhersagen angewiesen ist, argumentieren die Autoren, dass dieses tägliche Reset‑Schema breit auf andere Solaranlagen und Prognosetools anwendbar sein könnte und einen robusten, datengetriebenen Weg bietet, die Sonne zu einem vorhersehbareren Partner der Energiesysteme von morgen zu machen.

Zitation: Suresh, V., Revathi, B.S. & Guerrero, J.M. A non-parametric adaptive conformal inference based probabilistic hour-ahead solar PV power forecasting method. Sci Rep 16, 11730 (2026). https://doi.org/10.1038/s41598-026-40911-x

Schlüsselwörter: Vorhersage von Solarstrom, probabilistische Prognose, Unsicherheitsquantifizierung, konforme Inferenz, erneuerbare Energie‑Netze