Direkt-Normalstrahlung (DNI)-Prognosen mittels maschinellen Lernens unter Verwendung von Satellitendaten für solarthermische Kraftwerke (CSP) mit thermischer Energiespeicherung (TES)

Warum die Vorhersage von Sonnenstunden wichtig ist

Da immer mehr Länder auf Sonnenenergie für Haushalte und Industrie setzen, stellt sich eine große Frage: Wie sorgen wir dafür, dass die Energieversorgung stabil bleibt, wenn sich der Himmel Minute für Minute ändert? Solarthermische Kraftwerke, die Spiegel zur Fokussierung von Sonnenlicht und zur Speicherung von Wärme verwenden, können Strom auch nach Einbruch der Dunkelheit liefern. Um sie jedoch effizient und kostengünstig zu betreiben, müssen Betreiber im Voraus wissen, wie stark die Sonneneinstrahlung sein wird. Diese Studie zeigt, wie kostenlose Wettersatellitendaten und modernes maschinelles Lernen praktikable, erschwingliche Sonnenscheinprognosen liefern können, die auf diese nächste Kraftwerksgeneration zugeschnitten sind.

Wie Satellitenbilder in nützliche Sonnenscheinprognosen verwandelt werden

Die Forschenden konzentrieren sich auf eine Schlüsselgröße, die direkt normale Strahlung (DNI) genannt wird – der Anteil des Sonnenlichts, der geradlinig verläuft und durch Spiegel gebündelt werden kann. Im Gegensatz zu gewöhnlichen Solarmodulen sind diese Kraftwerke nahezu vollständig auf DNI angewiesen, das sehr empfindlich auf Wolken, Feuchte und Partikel in der Luft reagiert. Anstatt an jedem Standort kostspielige bodengestützte Kameras und Messgeräte zu installieren, nutzen die Autoren Daten des geostationären Satelliten Himawari-8, der große Teile Asiens alle zehn Minuten aus dem All beobachtet. Aus diesem Bildstrom und abgeleiteten Produkten sammeln sie 17 Variablen, darunter verschiedene Messgrößen der Sonneneinstrahlung, Wolkenarten, Wasserdampf, Temperatur und Sonnenwinkel, und speisen diese in maschinelle Lernmodelle, die darauf trainiert sind, die kommende DNI 30 Minuten bis 6 Stunden im Voraus vorherzusagen.

Intelligente Algorithmen, die vom Himmel lernen

Um das beste Vorhersagewerkzeug zu finden, testen die Autoren 24 verschiedene maschinelle Lernansätze und vergleichen deren Genauigkeit, Geschwindigkeit und Rechenkosten. Sie stellen fest, dass eine Methode namens Ensemble-Bagging-Regression bei sehr kurzfristigen Vorhersagen besonders gut abschneidet, vor allem im 30-Minuten-Horizont, wo sie feine Details jüngster Änderungen erfasst. Für längere Vorhersagezeiträume sticht ein exponentielles Gaussian-Process-Regression-Modell hervor. Dieses Modell sagt nicht nur die zukünftige DNI voraus, sondern liefert auch eine eingebaute Unsicherheitsabschätzung, die für Planungszwecke wertvoll ist. Über Vorhersagehorizonte bis zu sechs Stunden hinweg bleibt das beste Modell leistungsstark, mit Fehlern, die klein genug sind, um durch die natürliche Pufferkapazität der thermischen Speicher in solarthermischen Anlagen aufgefangen zu werden.

Die verborgenen Signale des Wetters lesen

Über die Genauigkeit hinaus möchten die Forschenden verstehen, was die Vorhersagen des Modells antreibt. Sie verwenden eine erklärbare KI-Technik namens SHAP, die jeder Eingangsvariable einen Beitrag zur Prognose zuweist, ähnlich wie man die Rechnung bei einem Abendessen fair aufteilt. Diese Analyse zeigt, dass der Sonnenwinkel am Himmel und wolkenbezogene Eigenschaften über viele Zeiträume hinweg die einflussreichsten Faktoren sind. Klarhimmel-Versionen der Sonneneinstrahlungsgrößen – also die Strahlung ohne Wolken – spielen ebenfalls eine große Rolle, ebenso wie Temperatur und einfache vergangene DNI-Werte bei kurzen Verzögerungen. Feuchte Luft, Ozon und relative Luftfeuchte verringern tendenziell die erwartete Sonneneinstrahlung, besonders in feuchten Sommermonaten, während klare, trockene Bedingungen im späten Winter und frühen Frühling sie verstärken. Diese Erkenntnisse geben den Betreibern Sicherheit, dass das Modell auf physikalisch sinnvolle Signale reagiert und nicht auf versteckte Datenartefakte.

Von flachen Ebenen bis zu Bergtälern

Ein entscheidender Test ist, ob ein an einem Ort trainiertes Modell an anderen Orten vertrauenswürdig ist. Die Autoren trainieren ihr System an einem Standort in Bhagalpur, Indien, und wenden es dann auf fünf weitere Orte in Südasien an, die von Tieflandebenen bis zu Ausläufern des Himalaya reichen. In flacheren Gebieten wie Jhansi und Kharagpur bleiben die Prognosen sehr zuverlässig, mit stabilen Fehlerraten und wenig systematischer Über- oder Unterschätzung. Im Gegensatz dazu zeigen Stationen in raueren oder komplexeren Landschaften, etwa Makalu im Himalaya, stärkere Schwankungen in Genauigkeit und Bias bei bestimmten Zeitverzögerungen. Diese Muster deuten darauf hin, dass lokale Topographie und spezifische Wettermechaniken – etwa schnelle Wolkenbildung in Bergregionen – ein rein satellitenbasiertes Modell herausfordern können und möglicherweise zusätzliche Anpassungen erfordern.

Was das für die zukünftige Solarenergie bedeutet

Für Betreiber solarthermischer Kraftwerke mit Wärmespeicher liefert die Studie eine praxisnahe Botschaft: Sie benötigen möglicherweise nicht die teuerste, ultra-präzise Vorhersagehardware, um ihre Anlagen effektiv zu betreiben. Dank der natürlichen Glättung durch thermische Energiespeicherung kann ein gut konzipiertes satellitenbasiertes Modell mit moderaten Fehlern dennoch eine verlässliche Planung der Leistung für die kommenden Stunden unterstützen. Durch die Nutzung kostenloser, flächendeckender Satellitendaten und interpretierbarer Verfahren des maschinellen Lernens bietet dieser Ansatz einen skalierbaren Weg, Kosten zu senken und den Preis von Solarstrom in sonnenreichen Regionen, insbesondere in Südasien, zu reduzieren. Mit weiteren Verfeinerungen, die Berge, Aerosole und lokale Wetterphänomene berücksichtigen, könnten solche Vorhersagesysteme zu einer Schlüsseltechnologie für ein zuverlässigeres, solarbetriebenes Stromnetz werden.

Zitation: Rathnayake, N., Wijewardane, S. Machine learning-based Direct Normal Irradiance (DNI) forecasting using satellite data for Concentrated Solar Power (CSP) plants with Thermal Energy Storage (TES). Sci Rep 16, 11257 (2026). https://doi.org/10.1038/s41598-026-41733-7

Schlüsselwörter: Solarprognosen, solarthermische Kraftwerke, Satellitendaten, maschinelles Lernen, thermische Energiespeicherung