Der Ausbau der Photovoltaik trägt maßgeblich dazu bei, die Stromversorgung klimafreundlicher zu gestalten. Gleichzeitig entstehen dadurch jedoch neue Herausforderungen für Netzbetreiber, Energieversorger und Anlagenbetreiber: Die Stromerzeugung aus Solarenergie ist stark von den Wetterbedingungen abhängig und unterliegt teilweise erheblichen Schwankungen. Während sonnige Bedingungen hohe Stromerträge ermöglichen, können Wolkenbewegungen innerhalb weniger Minuten erhebliche Leistungsschwankungen verursachen. Diese Dynamik erschwert die Planung und Steuerung elektrischer Netze erheblich. Regional kommt es bereits heute zu Situationen, in denen mehr Solarstrom erzeugt wird, als das Stromnetz aufnehmen kann. Die Folge sind Netzengpässe, Abregelungen von Photovoltaikanlagen und zusätzliche Kosten für das Netzmanagement.
Gleichzeitig gewinnen dezentrale Energiesysteme, Batteriespeicher und virtuelle Kraftwerke zunehmend an Bedeutung. Deren wirtschaftlicher und netzdienlicher Betrieb setzt jedoch voraus, dass die verfügbare Solarstrommenge möglichst genau vorhergesagt werden kann. Besonders wichtig sind sogenannte Nowcasts – Kurzfristprognosen im Minutenbereich –, da sie eine vorausschauende Steuerung von Speichern, Lasten und Netzen ermöglichen. Herkömmliche Wettermodelle stoßen hierbei häufig an ihre Grenzen, weil sie lokale Wolkenentwicklungen nur eingeschränkt erfassen können.
Genau an dieser Stelle setzen die von der Deutschen Bundesstiftung Umwelt (DBU) geförderten Forschungsprojekte HELIOS und der Nachfolger HELIOS-AI der Technische Hochschule Rosenheim an. Dort soll mithilfe Künstlicher Intelligenz (KI) die kurzfristige Vorhersage von Solarstrahlung und damit die Nutzung von Photovoltaik-Erträgen deutlich verbessert werden.
HELIOS-AI verfolgt einen innovativen digitalen Ansatz, der moderne Methoden des maschinellen Lernens mit hochaufgelösten Umwelt- und Wetterdaten kombiniert. Im Mittelpunkt stehen sogenannte All-Sky-Imager (ASI) – spezielle Kameras, die den Himmel kontinuierlich erfassen. Ergänzt werden diese Bilddaten durch meteorologische Messungen vor Ort. Durch eine Kombination von Deep-Learning-Ansätzen mit Self-Supervised Learning sollen die gewonnenen Informationen dann analysiert werden, um Wolkenbewegungen und deren Auswirkungen auf die lokale Sonneneinstrahlung zuverlässig im 15-Minuten-Horizont zu ermöglichen.
Eine Besonderheit besteht darin, dass die Prognosemodelle als End-to-End-KI-Systeme entwickelt werden. Im Gegensatz zu klassischen Verfahren verzichten sie weitgehend auf physikalische Zwischenmodelle und lernen stattdessen direkt aus Bild- und Sensordaten. Dadurch können komplexe Zusammenhänge zwischen Wolkendynamik, Sonneneinstrahlung und Photovoltaikerträgen erkannt werden, die mit herkömmlichen Prognoseverfahren nur schwer abzubilden sind. Ziel ist die Entwicklung räumlich und zeitlich hochaufgelöster Prognosen, die eine deutlich präzisere Vorhersage der kurzfristigen Stromerzeugung ermöglichen.
Die entwickelten Verfahren werden nicht ausschließlich unter Laborbedingungen getestet, sondern ebenfalls gemeinsam mit den Stadtwerken Rosenheim mit einem Low-Cost-Demonstrator unter realen Betriebsbedingungen validiert. So lässt sich untersuchen, welchen konkreten Nutzen präzisere Solarprognosen für Netzbetrieb, Energiehandel und den Einsatz virtueller Kraftwerke bieten.
Präzisere Kurzfristprognosen ermöglichen eine vorausschauende Steuerung von Stromnetzen, Batteriespeichern und flexiblen Verbrauchern. Dadurch lassen sich Netzengpässe reduzieren, erneuerbare Energien effizienter nutzen und unnötige Abregelungen von Photovoltaikanlagen vermeiden. Jede vermiedene Abregelung erhöht die tatsächlich nutzbare Menge klimafreundlich erzeugten Stroms und verbessert die Effizienz des gesamten Energiesystems.
Darüber hinaus schaffen verlässliche Prognosen bessere Voraussetzungen für den wirtschaftlichen Betrieb von Batteriespeichern und virtuellen Kraftwerken. Speicher können gezielter geladen und entladen werden, während Energieversorger ihre Vermarktungsstrategien optimieren können. Gleichzeitig sinken Unsicherheiten bei der Einsatzplanung, was langfristig zu einer höheren Stabilität und Resilienz zukünftiger Energiesysteme beiträgt.
Weitere Informationen zum Projekt: Hochpräzise Solarstrahlungsprognosen aus All-Sky Imager mithilfe von maschinellem Lernen – Phase 2 – DBU