Forschung zu einer kurzzeitigen Vorhersagemethode für Photovoltaikleistung basierend auf HPO-VMD-BiLSTM

Warum bessere Solarvorhersagen wichtig sind

Je mehr Haushalte, Unternehmen und Städte auf Solarmodule für sauberen Strom setzen, desto deutlicher tritt ein neues Problem zutage: Die Sonne ist nicht konstant. Vorüberziehende Wolken, jahreszeitliche Schwankungen und plötzliche Stürme lassen die Solarleistung von Minute zu Minute steigen und fallen. Netzbetreiber müssen Angebot und Nachfrage in Echtzeit ausgleichen; können sie diese Schwankungen nicht vorhersagen, drohen Energieverluste, Überlastungen von Anlagen oder der Rückgriff auf fossile Backup-Kraftwerke. Diese Arbeit stellt eine intelligentere Methode zur Kurzzeitprognose der Leistung einer Solaranlage vor, mit dem Ziel, Solarenergie zuverlässiger und leichter in bestehende Stromsysteme zu integrieren.

Das vollständige Bild wechselnder Wetterverhältnisse erfassen

Solarleistung hängt nicht nur vom Sonnenschein ab, sondern von einem Gemisch meteorologischer Bedingungen wie Bewölkung, Luftfeuchte und Temperatur. Viele bestehende Prognosewerkzeuge nutzen nur eines dieser Signale, häufig die Gesamtsonnenstrahlung, und übersehen damit wichtige Details. Die Autorinnen und Autoren beginnen damit, für jeden Tag auf einer Solaranlage in Alice Springs, Australien, ein reiches Wetterprofil zu erstellen. Für jeden Tag berechnen sie einfache Kennwerte — etwa wie oft die Sonneneinstrahlung Spitzen erreicht, wie stark sie variiert und wie asymmetrisch das Muster ist — für mehrere Wettervariablen. Anschließend gruppieren sie Tage in Typen wie sonnig, bewölkt oder regnerisch mit einer verbesserten Form einer gängigen Cluster-Methode. Anstatt jedes Wettermerkmal gleich zu gewichten, passt ihre Methode an, wie stark ein Merkmal zählt, basierend darauf, wie zufällig oder geordnet es im Zeitverlauf ist. Das führt zu realistischeren Wettergruppen und stellt sicher, dass das Vorhersagemodell wirklich vergleichbare Tage zum Lernen nutzt.

Rauschartige Solarsignale zähmen

Sogar innerhalb eines Wettertyps sind Solardaten unruhig und unregelmäßig. Kleine Wolkenfelder oder Böen erzeugen scharfe Sprünge, die es einem Vorhersagealgorithmus schwer machen, stabile Muster zu lernen. Um dem zu begegnen, wendet die Studie einen Signalverarbeitungsschritt an, der die Rohleistungsdaten in mehrere einfachere Komponenten zerlegt. Jede Komponente steht für eine andere Art von Schwankung, von schnellen Zuckungen bis hin zu langsameren Trends. Eine wichtige Neuerung ist, dass der Algorithmus, der diese Zerlegung vornimmt, nicht mehr von händisch eingestellten Parametern abhängt; stattdessen wählt ein Suchverfahren, inspiriert vom Jäger-Beute-Verhalten, automatisch die beste Art der Aufspaltung. Indem der Computer diese inneren Einstellungen an die tatsächlichen Daten anpasst, reduzieren die Autorinnen und Autoren geratenes Feintuning und erhalten sauberere, stabilere Komponenten für die Vorhersagestufe.

Dem Modell erlauben, aus Vergangenheit und Zukunft zu lernen

Sobald die Daten nach Wetter gruppiert und in Komponenten geglättet sind, kommt die Vorhersageeinheit zum Einsatz. Die Autorinnen und Autoren nutzen eine Art neuronales Netzwerk, das sich besonders für Zeitreihen eignet und Daten in beide Richtungen entlang der Zeitachse liest. Einfach gesagt lernt dieses Modell, dass die Solarleistung zu einem Moment nicht nur von dem abhängt, was kurz davor geschah, sondern auch von Mustern, die später am Tag sichtbar werden. Jede zerlegte Komponente des Leistungssignals, zusammen mit ihren wichtigsten Wettergrößen, wird in dieses Modell eingespeist. Wiederum wird das Jäger-Beute-Suchverfahren verwendet, um die inneren Einstellungen des Modells wie die Anzahl der Neuronen oder die Lernrate zu optimieren, sodass komplexe Zusammenhänge erfasst werden können, ohne in schlechte Lösungen zu geraten oder sich an Rauschen zu überanpassen. Die Vorhersagen aller Komponenten werden schließlich zu einer Gesamtprognose der Solarleistung rekombiniert.

Die Methode auf die Probe stellen

Das Team testete den Ansatz mit realen Daten einer 5,8‑Kilowatt‑Solaranlage in Alice Springs über zwei Jahre, wobei Leistung und Wetterbedingungen alle fünf Minuten erfasst wurden. Sie wählten drei repräsentative Tage — sonnig, bewölkt und regnerisch — und trainierten ihr Modell mit mehreren Tagen mit sehr ähnlichen Wettermustern. Die neue Methode wurde mit einer Reihe gängiger Werkzeuge verglichen, darunter traditionelle neuronale Netze, einfachere Zeitreihenmodelle und andere Mischansätze, die entweder Wettergruppierung oder Signalzerlegung allein verwendeten. Für jede Methode maßen sie die Abweichung der Vorhersagen von den tatsächlichen Solarleistungswerten. Über alle drei Wettertypen hinweg reduzierte die neue Hybridmethode die mittleren Fehler im Vergleich zu Standardmodellen um etwa ein Drittel bis fast die Hälfte und trainierte gleichzeitig schneller als die meisten der komplexeren Alternativen.

Was das für den täglichen Strombetrieb bedeutet

Kurz gesagt zeigt die Studie, dass die Kombination aus intelligenter Wettergruppierung, sorgfältiger Signalreinigung und einem automatisch abgestimmten Lernmodell Kurzzeitprognosen für Solarleistung sowohl genauer als auch robuster machen kann. Für Netzbetreiber bedeuten bessere Vorhersagen, dass sie mit größerer Zuversicht vorausplanen können, Kraftwerke effizienter zu- und abzuschalten und Verluste zu reduzieren. Für Gemeinschaften, die in Solar investieren, hilft diese Art von Prognose, die Technologie zu einem verlässlicheren Bestandteil des Energiemixes zu machen. Zwar weisen die Autorinnen und Autoren darauf hin, dass künftig vielfältigere Wettertypen und Daten von geringerer Qualität untersucht werden müssen, doch deuten ihre Ergebnisse auf Prognosewerkzeuge hin, die mit dem Ausbau der Solarenergie Schritt halten können, wenn diese von einer vielversprechenden Option zu einer zentralen Säule der weltweiten Stromversorgung wächst.

Zitation: Li, J., Li, L., Du, Q. et al. Research on short-term prediction method of photovoltaic power based on HPO-VMD-BiLSTM. Sci Rep 16, 13541 (2026). https://doi.org/10.1038/s41598-026-44708-w

Schlüsselwörter: Solarkraftvorhersage, Integration photovoltaischer Anlagen ins Netz, wetterbasierte Energieprognose, Maschinelles Lernen für Energie, Stabilität erneuerbarer Energien