Photovoltaische Leistungsprognose basierend auf einer sekundären Dekompositionsstrategie und einem hybriden Modell

Warum schlauere Solarprognosen wichtig sind

Da immer mehr Haushalte, Unternehmen und Versorgungsunternehmen Solarstrom nutzen, steht das Stromnetz vor einer neuen Herausforderung: Sonnenschein ist alles andere als konstant. Vorüberziehende Wolken, wechselnde Jahreszeiten und veränderliches Wetter lassen die Solarleistung von Minute zu Minute schwanken. Netzbetreiber müssen dennoch die Versorgung sicherstellen und Geräte schützen, daher benötigen sie sehr genaue und sehr schnelle Vorhersagen darüber, wie viel Strom Solarmodule in den nächsten Minuten erzeugen werden. Diese Studie stellt einen neuen Weg vor, solche Ultrakurzzeitprognosen deutlich präziser zu machen, was den Netzbetrieb glatter laufen lässt und die Nutzung sauberer Energie verbessert.

Die holprige Fahrt der Solarleistung

Solarkraftwerke wandeln Sonnenlicht direkt in Elektrizität um, ohne bewegliche Teile, Brennstoff oder Schornsteine. Das macht sie sauber und über viele Jahre zuverlässig — aber nicht immer vorhersagbar von einem Moment zum nächsten. Ihre Leistung hängt stark vom lokalen Wetter ab: Wolken, Dunst, Temperatur, Luftfeuchte und Wind können die Leistung nach oben oder unten beeinflussen. Für Netzbetreiber, die ständig Angebot und Nachfrage in Balance halten müssen, macht diese Volatilität die Planung von Reservekraftwerken, Batterien und Rücklagen komplexer und teurer. Bestehende Prognoseverfahren stützen sich entweder auf physikbasierte Modelle von Wetter und Solarmodulen oder auf statistische Ansätze und maschinelles Lernen. Während diese Methoden über Stunden oder Tage hinweg recht gut funktionieren, tun sie sich oft schwer damit, die schnellen, gezackten Ausschläge zu erfassen, die für die minutengenaue Steuerung entscheidend sind.

Ein chaotisches Signal in sauberere Teile zerlegen

Die Autoren gehen dieses Problem an, indem sie die Rohdaten der Solarleistung zuerst umformen, bevor ein Lernverfahren angewendet wird. Statt eine einzelne, verrauschte Leistungskurve in ein großes Modell zu speisen, teilen sie das Signal in mehrere einfachere Bausteine, die jeweils unterschiedliche Verhaltensweisen erfassen. Eine fortgeschrittene Technik namens CEEMDAN zerlegt die ursprüngliche Zeitreihe in mehrere Komponenten mit verschiedenen Rhythmen. Diese Stücke werden dann in zwei Gruppen zusammengefasst: schnelle, zitternde Schwankungen und langsamere, glattere Trends. Die unruhigsten Komponenten werden einer zweiten Verfeinerungsrunde unterzogen, bei der eine weitere Methode (VMD) zum Einsatz kommt; deren interne Einstellungen werden nicht mehr per Daumenpeilung gewählt, sondern automatisch durch ein Optimierungsverfahren abgestimmt, das vom Jagdverhalten einer Vogelart inspiriert ist. Dieser zweistufige „Dekompositions“-Prozess verwandelt eine verknotete, schwer vorhersagbare Kurve in sauberere Untersignale, die jeweils leichter zu handhaben sind.

Zwei spezialisierte Lernpfade

Sobald das Solarsignal in schnelle und langsame Komponenten getrennt ist, weist das Modell jeder Gruppe ein anderes Lernwerkzeug zu, das ihrem Charakter entspricht. Die hochfrequenten Teile, die sich schnell ändern und im Zeitverlauf driftanfällig sind, werden einem leichten Algorithmus übergeben, der online aktualisiert werden kann, sobald neue Daten eintreffen. Dieses Design hilft ihm, sich rasch an plötzliche Änderungen anzupassen, etwa wenn eine Wolkenfront über eine Solaranlage zieht. Die niederfrequenten Komponenten, die den breiteren Anstieg und Abfall der Leistung über den Tag beschreiben, werden in ein hybrides System eingespeist, das ein mustererkennendes Netzwerk mit einem speicherstarken Reservoir kombiniert. Ein Teil konzentriert sich darauf, Formen in kurzen Datenfenstern zu erkennen, während der andere verfolgt, wie sich diese Formen über die Zeit entwickeln. Abschließend werden die Vorhersagen beider Zweige wieder addiert, um eine einzelne Prognose für den nächsten Zeitpunkt zu bilden.

Tests unter unterschiedlichen Himmeln

Um zu prüfen, ob das Konzept in der Praxis funktioniert, wandten die Forschenden es auf Daten von zwei sehr unterschiedlichen Solaranlagen an: eine in Ningxia, China, und eine andere in der australischen Wüste. Diese Standorte haben unterschiedliche Klimata und Jahreszeiten und stellen damit eine harte Bewährungsprobe für die Flexibilität dar. Die Vorhersagen des neuen Modells wurden mit einer breiten Palette moderner Vergleichsverfahren verglichen, darunter verbreitete Deep‑Learning‑Ansätze wie rekurrente Netze, zeitliche Faltungen und neuere Transformer‑basierte Entwürfe. Bei allen Genauigkeitsmaßen — insbesondere beim Erfassen scharfer Anstiege und Einbrüche — lag der hybride Dekompositions‑plus‑Lern‑Ansatz vorn. In einem wichtigen Test erklärte er etwa 99,7 % der Varianz der Solarleistung und senkte typische Fehler zudem deutlich unter die der stärksten Basismodelle.

Was das für das Netz bedeutet

Einfach gesagt zeigt die Studie, dass die Behandlung von Solarleistung als Mischung aus schnellem Rauschen und langsameren Trends — gepaart mit jeweils maßgeschneiderten Prognosemechanismen — erheblich zuverlässigere Vorhersagen im Minutenbereich liefern kann als Einheitsmodelle. Für Netzbetreiber bedeuten bessere Prognosen weniger Überraschungen, weniger verschwendete Reserveenergie und mehr Vertrauen darin, Solarenergie als wichtige Ressource zu nutzen. Mit der Zeit könnte eine solche intelligentere Prognose die Betriebskosten senken, die Abregelung sauberer Energie verringern und den Netzen helfen, noch höhere Anteile erneuerbarer Energien aufzunehmen, ohne die Stabilität zu gefährden.

Zitation: Xue, S., Li, L. Photovoltaic power forecasting based on secondary decomposition strategy and hybrid model. Sci Rep 16, 12915 (2026). https://doi.org/10.1038/s41598-026-42896-z

Schlüsselwörter: Prognose der Solarstromerzeugung, Photovoltaische Energie, intelligentes Stromnetz, Integration erneuerbarer Energien, Zeitreihenmodellierung