Ein mehrstufiges Kurzfrist-Photovoltaik-Leistungsprognosemodell basierend auf einem verbesserten Wal-Wanderungsalgorithmus

Warum die Vorhersage von Solarstrom wichtig ist

Da immer mehr Haushalte, Unternehmen und Städte auf Solarenergie umsteigen, wird es entscheidend zu wissen, wie viel Leistung Solarmodule in den nächsten Minuten oder Stunden liefern werden. Liegt die Prognose daneben, müssen Netzbetreiber improvisieren, um die Versorgung sicherzustellen — das kostet Geld und führt manchmal zu zusätzlichem Einsatz fossiler Brennstoffe. Diese Arbeit stellt einen intelligenteren Ansatz zur kurzfristigen Vorhersage der Solarleistung vor, der sowohl genauer als auch stabiler ist als viele bestehende Methoden.

Die Schwankungen der Solarleistung

Solarmodule sind vom Wetter abhängig. Vorbeiziehende Wolken, Dunst, saisonale Veränderungen und plötzliche Stürme lassen die erzeugte Leistung auf komplexe Weise stark schwanken. Traditionelle Prognosewerkzeuge stützen sich entweder stark auf vereinfachte physikalische Modelle der Module oder ausschließlich auf historische Daten. Physikalische Modelle können reale Besonderheiten übersehen, während rein statistische Methoden bei verrauschten oder stark unregelmäßigen Daten Probleme haben. Daher liefern sie häufig schlechte Ergebnisse gerade bei schnellen Helligkeitsänderungen — genau dann, wenn Betreiber zuverlässige Vorhersagen am meisten benötigen.

Ein chaotisches Signal in sauberere Teile zerlegen

Um dieses Chaos zu bändigen, säubern die Autoren zunächst die Rohdaten der Solarleistung, bevor sie Vorhersagen machen. Sie verwenden eine Technik namens Variational Mode Decomposition, die die ursprüngliche, zackige Leistungskurve in mehrere glattere Komponenten aufspaltet, von denen jede Muster auf unterschiedlichen Zeitskalen einfängt. Diese Trennung reduziert zufälliges Rauschen und macht verborgene Regelmäßigkeiten leichter erkennbar. Statt ein Modell auf einer einzigen verknoteten Kurve lernen zu lassen, erhält es so eine Reihe sauberer, stabilerer Bausteine.

Maschinen Muster erkennen lassen und sich selbst abstimmen

Nachdem das Signal zerlegt ist, verwendet die Studie ein zweistufiges Lernsystem. Der erste Teil ist ein eindimensionales Faltungsneuronales Netzwerk, das sich besonders gut eignet, lokale Muster und Trends in Zeitreihen zu erkennen. Der zweite Teil ist eine leichtgewichtige Lernmaschine, genannt Kernel Extreme Learning Machine, die diese extrahierten Muster schnell in numerische Vorhersagen umsetzt. Zusammen kombiniert dieses hybride Modell starke Mustererkennung mit schneller, effizienter Prognose. Seine Leistung hängt jedoch stark von einigen internen Einstellungen — den Hyperparametern — ab, die sich meist nur schwer manuell abstimmen lassen.

Ideen aus Walwanderungen zur Optimierung des Modells

Um diese entscheidenden Einstellungen automatisch auszuwählen, führen die Autoren einen „verbesserten Wal-Wanderungsalgorithmus“ ein. Inspiriert von der Art, wie Buckelwale in Gruppen ziehen und das Meer erkunden, behandelt dieser Algorithmus jede Kandidatenkombination von Hyperparametern wie einen Wal, der nach besseren Nahrungsgründen sucht. Er nutzt eine Mischung aus umfassender Exploration und fein abgestimmter lokalen Suche, unterstützt von kontrollierter Zufälligkeit und sprungartigen Bewegungen, um das Feststecken in schlechten Lösungen zu vermeiden. Über viele Iterationen wandern die „Wale“ zu Hyperparameterkombinationen, die die Vorhersagefehler minimieren, und lehren so effektiv das Vorhersagemodell, sich selbst richtig einzustellen.

Erprobung der Methode

Das Team bewertet den vollständigen Ansatz — Kombination aus Signalzerlegung, dem hybriden Lernmodell und dem walinspirierten Optimierer — anhand realer Daten von zwei Solarkraftwerken in China, eines mit 50 MW und eines mit 35 MW, und deckt sowohl Winter- als auch Sommerperioden ab. Sie vergleichen das Verfahren mit neun Alternativen, darunter Standard-Neuronale-Netze, Support-Vector-Maschinen, Ein-Schritt-Prädiktoren und einfachere Hybride. Das neue Modell folgt nicht nur den generellen Tagesverläufen, sondern erfasst auch scharfe Spitzen und Einbrüche deutlich genauer. Über mehrere Fehlermaße erzielt es durchweg kleinere Abweichungen und eine engere Übereinstimmung mit den tatsächlichen Ausgängen, mit Anpassungsgraden von etwa 97 % bzw. 92 % für die beiden Standorte.

Was das für den täglichen Energieeinsatz bedeutet

Für Nichtfachleute ist die wichtigste Erkenntnis, dass die Autoren eine verlässlichere „Wettervorhersage“ für die Solarleistung selbst anbieten. Durch die Datenbereinigung, den Einsatz eines schlanken, aber leistungsfähigen Lernaufbaus und das Feintuning durch eine naturinspirierte Suchroutine verbessern sie die kurzfristige Prognose der von Solarmodulen gelieferten Elektrizität erheblich. Bessere Vorhersagen erleichtern das Ausbalancieren von erneuerbaren und konventionellen Quellen, senken Betriebskosten und unterstützen ein saubereres, resilienteres Stromnetz. Die gleiche Strategie ließe sich auch auf andere komplexe Prognoseaufgaben übertragen, etwa Windleistung, industrielle Lasten oder sogar medizinische Signalanalysen.

Zitation: Zhao, M., Wu, S. & Hu, Y. A multi-step short-term photovoltaic power prediction model based on an improved whale migration algorithm. Sci Rep 16, 10537 (2026). https://doi.org/10.1038/s41598-026-41673-2

Schlüsselwörter: Solarstromprognose, Photovoltaikenergie, Maschinelles Lernen, Optimierungsalgorithmen, erneuerbares Energienetz