Verbetering van wind- en zonne-energievoorspellingen via tijdreeks-feature-engineering en ensemble-machinelearning

Waarom betere schattingen voor schone energie ertoe doen

Naarmate windturbines en zonnepanelen een groter deel van onze elektriciteit leveren, maken hun natuurlijke schommelingen het lastiger om continu stroom te garanderen. Netbeheerders moeten niet alleen weten hoeveel vermogen er nu wordt geproduceerd, maar ook hoe die opbrengst zich waarschijnlijk zal ontwikkelen in de komende uren. Deze studie onderzoekt hoe geavanceerde data-analyse en machinelearning jaren aan wind- en zonneregistraties kunnen omzetten in scherpere kortetermijnvoorspellingen die helpen vraag en aanbod te balanceren, verspilling te verminderen en een betrouwbaarder laag-koolstofnet te ondersteunen.

Van ruwe vermogensmetingen naar slimmere signalen

De onderzoekers werkten met bijna zes jaar aan uurlijkse wind- en zonnestroomgegevens uit heel Frankrijk, goed voor meer dan vijftigduizend tijdstippen. In plaats van die ruwe cijfers direct in een model te voeren, hervormden ze die tot rijkere signalen. Ze voegden informatie toe over wat het vermogen een uur, een dag of zelfs langer geleden was, berekenden kortetermijngemiddelden en variabiliteit en codeerden kalenderpatronen zoals uur van de dag, dag van de week en seizoen met circulaire functies die dagelijkse en jaarlijke cycli weerspiegelen. Ze controleerden ook zorgvuldig op redundante informatie en verborgen lekken van toekomstige data, zodat de modellen beoordeeld zouden worden op realistische voorspellingsopgaven in plaats van op per ongeluk vooraf 'meegekregen' antwoorden.

Machines leren het ritme van het weer te volgen

Met deze geconstrueerde tijdreeks in de hand testte het team een breed scala aan voorspellingsmethoden. Klassieke statistische modellen zoals ARIMA, die relatief eenvoudige lineaire patronen veronderstellen, werden vergeleken met meer flexibele machinelearning-systemen, waaronder gradient boosted decision trees en diepe neurale netwerken. Twee op bomen gebaseerde ensembles, CatBoost en LightGBM, sprongen eruit. Deze methoden bouwen veel kleine beslisbomen die elk verschillende aspecten van de data vastleggen en combineren die vervolgens tot één sterke voorspeller. Door een strikte voorwaartse rollende evaluatieschema te gebruiken, waarbij elke nieuwe voorspelling alleen op basis van eerdere data wordt gemaakt, zorgden de auteurs ervoor dat de prestaties zouden lijken op wat in echte netbeheerpraktijken verwacht kan worden.

Hoe ver kunnen we werkelijk vooruitkijken

De studie onderzocht voorspellingen van één uur tot een volledige dag vooruit voor wind- en zonne-energie afzonderlijk. Voor wind vingen de beste modellen het grootste deel van de variatie bij het uurlijkse horizon, met een geleidelijke afname van de prestaties naarmate de aanlooptijd toenam. Tot ongeveer zes uur vooruit bevatten de voorspellingen nog bruikbare informatie, maar bij twaalf tot vierentwintig uur maakten veranderende weersinvloeden de voorspellingen veel onzekerder. Zonne-energie bleek op langere horizons nog lastiger te voorspellen, omdat bewolking en andere snel bewegende factoren in korte tijd kunnen veranderen op manieren die niet alleen uit verleden vermogensdata af te leiden zijn. De modellen deden het redelijk voor het volgende uur of zo, vooral op heldere dagen, maar na enkele uren nam hun vaardigheid sterk af.

Waar letten de modellen eigenlijk op

Door systematisch groepen invoerkenmerken te verwijderen, onderzochten de auteurs welke informatie het meest van belang was. Recente vermogensniveaus — de vertraagde waarden — waren de enige dominante ingrediënt, wat bevestigt dat wat net is gebeurd meestal de beste aanwijzing is voor wat volgt. Rollende gemiddelden en maten voor kortetermijnvariabiliteit speelden ook een grote rol, vooral wanneer het systeem overging van kalm naar winderig of van bewolkt naar zonnig. Kalender- en cyclische kenmerken, zoals het uur van de dag gecodeerd op een cirkel, werden belangrijker op langere horizons, waar brede dagelijkse en seizoenspatronen meer wegen dan minuut-tot-minuutfluctuaties. Diepe leermodellen gebaseerd op recurrente neurale netwerken konden complexe schommelingen in productie volgen, maar de best afgestelde boomensembles haalden dezelfde of betere nauwkeurigheid tegen lagere rekencosts.

Wat dit betekent voor het toekomstige net

Voor een algemeen publiek is de kernboodschap dat zorgvuldige voorbereiding van tijdgestempelde data en doordachte modeltesten echt verschil kunnen maken in hoe goed we de opbrengst van wind- en zonneparken kunnen inschatten. Geavanceerde maar praktische machinelearning-methoden kunnen betrouwbare voorspellingen leveren voor de komende uren, het tijdvenster dat het belangrijkst is voor dagelijkse netbalancering. Tegelijk laat de studie zien dat het vooruitkijken tot een volledige dag moeilijk blijft als we alleen op historische productie vertrouwen, vooral voor zonne-energie. Om de voorspellingshorizon verder te rekken, zullen toekomstige instrumenten deze datagedreven technieken moeten combineren met gedetailleerde weersinformatie en fysische kennis over turbines en panelen, zodat netten stabiel blijven naarmate schone energie een groter deel van de belasting op zich neemt.

Bronvermelding: 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

Trefwoorden: voorspelling hernieuwbare energie, voorspelling windenergie, voorspelling zonne-energie, machinelearning, tijdreekskenmerken