Verbesserung der Wind- und Solarenergievoraussage durch Zeitreihen-Feature-Engineering und Ensemble-Maschinelles Lernen

Warum bessere Prognosen für saubere Energie wichtig sind

Da Windturbinen und Solarmodule einen größeren Anteil unserer Stromversorgung übernehmen, erschweren ihre natürlichen Schwankungen das Aufrechterhalten der Versorgungssicherheit. Netzbetreiber müssen wissen, nicht nur wie viel Leistung gerade erzeugt wird, sondern wie sich diese Einspeisung in den kommenden Stunden voraussichtlich verändern wird. Diese Studie untersucht, wie fortgeschrittene Datenanalyse und Maschinelles Lernen jahrelange Wind- und Solaraufzeichnungen in schärfere Kurzfristprognosen verwandeln können, die helfen, Angebot und Nachfrage auszugleichen, Verschwendung zu reduzieren und ein zuverlässigeres kohlenstoffarmes Netz zu unterstützen.

Von rohen Leistungswerten zu aussagekräftigeren Signalen

Die Forscher arbeiteten mit fast sechs Jahren stündlicher Wind- und Solarleistungsdaten aus ganz Frankreich, die mehr als fünfzigtausend Zeitpunkte abdecken. Anstatt diese Rohzahlen direkt in ein Modell zu speisen, formten sie sie zu reichhaltigeren Signalen um. Sie fügten Informationen darüber hinzu, wie die Leistung vor einer Stunde, einem Tag oder länger war, berechneten kurzfristige Mittelwerte und Variabilität und kodierten Kalender­muster wie Tageszeit, Wochentag und Saison mithilfe zirkulärer Funktionen, die tägliche und jährliche Zyklen widerspiegeln. Außerdem prüften sie sorgfältig auf redundante Informationen und versteckte Lecks aus zukünftigen Daten, sodass die Modelle an realistischen Prognoseaufgaben gemessen werden und nicht dadurch, dass sie versehentlich die Antworten vorwegsehen.

Den Maschinen beibringen, dem Rhythmus des Wetters zu folgen

Mit diesen aufbereiteten Zeitreihen testete das Team eine breite Palette von Vorhersagemethoden. Klassische statistische Modelle wie ARIMA, die relativ einfache lineare Muster annehmen, wurden mit flexibleren maschinellen Lernverfahren wie gradientenverstärkten Entscheidungsbäumen und tiefen neuronalen Netzen verglichen. Zwei baumbasierte Ensembles, CatBoost und LightGBM, hoben sich hervor. Diese Methoden bauen viele kleine Entscheidungsbäume, die jeweils verschiedene Aspekte der Daten erfassen, und kombinieren sie zu einem starken Prädiktor. Durch die Verwendung eines strikten vorwärts rollenden Evaluationsschemas, bei dem jede neue Prognose nur aus vergangenen Daten erstellt wird, stellten die Autoren sicher, dass die Leistungskennzahlen dem ähneln, was in echten Netzbetriebsbedingungen zu erwarten wäre.

Wie weit voraus können wir wirklich blicken

Die Studie untersuchte Prognosen von einer Stunde bis zu einem vollen Tag im Voraus getrennt für Wind- und Solarleistung. Beim Wind erfassten die besten Modelle den Großteil der Variabilität im Ein-Stunden-Horizont, mit einer allmählich abnehmenden Leistung bei zunehmender Vorlaufzeit. Bis etwa sechs Stunden im Voraus lieferten die Prognosen noch nützliche Informationen, aber bei zwölf bis vierundzwanzig Stunden machte der wachsende Einfluss sich ändernder Wetterlagen die Vorhersagen deutlich unsicherer. Solarleistung erwies sich für längere Horizonte als noch schwerer vorherzusagen, weil Bewölkung und andere schnell wechselnde Faktoren sich rasch ändern können und aus vergangenen Leistungswerten allein nicht immer erkennbar sind. Die Modelle lieferten für die nächste Stunde oder so solide Ergebnisse, besonders an klaren Tagen, aber jenseits einiger Stunden nahm ihre Genauigkeit stark ab.

Worauf die Modelle tatsächlich achten

Indem die Autoren systematisch Gruppen von Eingangsmerkmalen entfernten, untersuchten sie, welche Informationsbestandteile am wichtigsten waren. Die jüngsten Leistungswerte — die verzögerten Werte — waren der dominierende Faktor und bestätigten, dass das, was gerade geschehen ist, meist der beste Hinweis auf das unmittelbar Folgende ist. Rollierende Mittelwerte und Maße kurzfristiger Variabilität spielten ebenfalls eine große Rolle, insbesondere wenn das System zwischen Ruhe und Wind oder zwischen Bewölkung und Sonnenschein wechselte. Kalender- und Zyklenmerkmale, wie die auf einem Kreis kodierte Stunde des Tages, wurden bei längeren Horizonten wichtiger, wo breite tägliche und saisonale Muster bedeutender sind als momentane Schwankungen. Tiefenlernmodelle auf Basis rekurrenter neuronaler Netze konnten komplexe Produktionsschwankungen verfolgen, aber die am besten abgestimmten Baumensembles erreichten vergleichbare oder bessere Genauigkeit bei geringerem Rechenaufwand.

Was das für das Netz der Zukunft bedeutet

Für eine allgemeine Leserschaft ist die Kernbotschaft, dass sorgfältige Aufbereitung zeitgestempelter Daten und durchdachte Modelltests einen echten Unterschied darin machen können, wie gut wir die Einspeisung von Wind- und Solarparks vorhersagen können. Anspruchsvolle, aber praxisnahe Methoden des Maschinellen Lernens können zuverlässige Prognosen für die nächsten Stunden liefern — das Zeitfenster, das für die tägliche Netzbilanzierung am wichtigsten ist. Gleichzeitig zeigt die Studie, dass die Vorhersage für einen vollen Tag im Voraus schwierig bleibt, wenn man sich nur auf vergangene Produktionsdaten stützt, insbesondere bei Solarenergie. Um die Prognosefähigkeit weiter zu verbessern, müssen künftige Werkzeuge diese datengetriebenen Techniken mit detaillierten Wetterinformationen und physikalischem Wissen über Turbinen und Module kombinieren, damit Netze stabil bleiben, während saubere Energie einen größeren Anteil der Last übernimmt.

Zitation: Elmunim, N.A., Khlifi, M.A., Aldawsari, M.A. et al. Enhancing wind and solar energy forecasting through time-series feature engineering and ensemble machine learning. Sci Rep 16, 15546 (2026). https://doi.org/10.1038/s41598-026-49373-7

Schlüsselwörter: Prognose erneuerbarer Energien, Windkraftvorhersage, Solarstromvorhersage, Maschinelles Lernen, Zeitreihenmerkmale