Door machine learning aangedreven voorspelling van Direct Normal Irradiance (DNI) met satellietgegevens voor geconcentreerde zonnekrachtcentrales (CSP) met thermische energieopslag (TES)

Waarom het voorspellen van zonuren ertoe doet

Nu meer landen de zon inschakelen om huizen en industrieën van stroom te voorzien, rijst een belangrijke vraag: hoe houden we het licht aan als het hemelbeeld van minuut tot minuut verandert? Geconcentreerde zonnekrachtcentrales, die spiegels gebruiken om zonlicht te focussen en warmte op te slaan, kunnen elektriciteit leveren zelfs na zonsondergang. Maar om ze efficiënt en goedkoop te laten draaien, moeten exploitanten van tevoren weten hoe sterk de zonneschijn zal zijn. Deze studie laat zien hoe gratis weersatellietgegevens en moderne machine learning praktische, betaalbare zonvoorspellingen kunnen leveren die zijn afgestemd op deze volgende generatie zonnecentrales.

Ruimtebeelden omzetten in bruikbare zonvoorspellingen

De onderzoekers richten zich op een belangrijke grootheid: direct normal irradiance, of DNI—het deel van het zonlicht dat in een rechte lijn reist en door spiegels kan worden geconcentreerd. In tegenstelling tot gewone zonnepanelen vertrouwen deze centrales bijna volledig op DNI, dat sterk wordt beïnvloed door wolken, vocht en deeltjes in de lucht. In plaats van dure grondcamera’s en instrumenten op elke locatie te installeren, gebruikt het team gegevens van de geostationaire satelliet Himawari-8, die elk deel van Azië ongeveer elke tien minuten vanuit de ruimte observeert. Uit deze stroom beelden en afgeleide producten verzamelen ze 17 variabelen, waaronder verschillende maatstaven voor zonnestraling, wolkentypen, waterdamp, temperatuur en de hoek van de zon, en voeren die in machine-learningmodellen die zijn getraind om de DNI 30 minuten tot 6 uur vooruit te voorspellen.

Slimme algoritmen die van de hemel leren

Om het beste voorspellingsinstrument te vinden, testen de auteurs 24 verschillende machine-learningbenaderingen en vergelijken ze hun nauwkeurigheid, snelheid en rekencost. Ze ontdekken dat een techniek genaamd Ensemble Bagging Regression uitblinkt voor zeer kortetermijnvoorspellingen, vooral op het 30-minuten-horizon, waar hij fijne details in recente veranderingen vastlegt. Voor langere voorspeltijden valt een exponentieel Gaussiaans procesregressiemodel op. Dit model voorspelt niet alleen toekomstige DNI, maar levert ook een ingebouwde maat voor onzekerheid, wat waardevol is voor planning. Over voorspellingshorizonten tot zes uur behoudt het beste model sterke prestaties, met fouten die klein genoeg zijn om te worden gecompenseerd door de natuurlijke buffercapaciteit van thermische opslagsystemen in geconcentreerde zonnecentrales.

De verborgen signalen van het weer lezen

Buiten nauwkeurigheid willen de onderzoekers begrijpen wat de voorspellingen van het model aandrijft. Ze gebruiken een uitlegbare AI-techniek die bekendstaat als SHAP, die elke invoervariabele een bijdrage aan de voorspelling toewijst, vergelijkbaar met het eerlijk splitsen van de rekening onder eters. Deze analyse toont aan dat de hoek van de zon aan de hemel en wolkgerelateerde eigenschappen de meest invloedrijke factoren zijn over veel tijdshorizonten. Clear-sky-versies van zonnestralingsmetingen—wat de straling zou zijn zonder wolken—spelen ook een grote rol, naast temperatuur en eenvoudige historische DNI-waarden op korte vertragingen. Vochtige lucht, ozon en relatieve luchtvochtigheid verminderen doorgaans de verwachte zonneschijn, vooral in vochtige zomermaanden, terwijl heldere, droge omstandigheden in de late winter en vroege lente deze juist versterken. Deze inzichten geven exploitanten vertrouwen dat het model reageert op fysiek plausibele signalen in plaats van op verborgen eigenaardigheden in de data.

Van vlakke vlaktes tot bergachtige valleien

Een belangrijke toets is of een model dat op één locatie is getraind, in andere gebieden kan worden vertrouwd. De auteurs trainen hun systeem op een locatie in Bhagalpur, India, en passen het vervolgens toe op vijf extra locaties in Zuid-Azië, variërend van laaggelegen vlaktes tot de uitlopers van de Himalaya. Op vlakker terrein, zoals Jhansi en Kharagpur, blijven de voorspellingen zeer betrouwbaar, met stabiele foutniveaus en weinig systematische overschatting of onderschatting. Daarentegen laten stations in ruigere of complexere landschappen, zoals Makalu in de Himalaya, grotere schommelingen in nauwkeurigheid en bias zien bij bepaalde tijdvertragingen. Deze patronen suggereren dat lokale topografie en unieke weerpatronen—zoals snelle wolkenvorming rond bergen—een puur satellietgebaseerd model kunnen uitdagen en mogelijk extra afstemming vereisen.

Wat dit betekent voor toekomstige zonne-energie

Voor exploitanten van geconcentreerde zonnekrachtcentrales met warmteopslag geeft de studie een praktisch bericht: ze hebben mogelijk niet het duurste, ultra-precieze voorspellingsapparatuur nodig om hun centrales effectief te laten draaien. Dankzij de natuurlijke demping door thermische energieopslag kan een goed ontworpen satellietgebaseerd model met gematigde fouten nog steeds betrouwbare planning van het vermogen voor de komende uren ondersteunen. Door te vertrouwen op gratis, brede satellietgegevens en interpreteerbare machine learning, biedt deze aanpak een schaalbare manier om kosten te verlagen en de prijs van zonne-elektriciteit te drukken in zonrijke regio’s, met name in Zuid-Azië. Met verdere verfijningen die rekening houden met bergen, aerosolen en lokale weerspatronen, zouden dergelijke voorspellingssystemen een ruggengraattechnologie kunnen worden voor een betrouwbaardere, op zon gebaseerde netvoorziening.

Bronvermelding: 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

Trefwoorden: zonvoorspelling, geconcentreerde zonne-energie, satellietgegevens, machine learning, thermische energieopslag