A Comparison of Regional PV Power Estimation Methods

PV-Hochrechnungsverfahren dienen zur Abschätzung von wetterabhängiger PV-Einspeisung in das Stromnetz und sind bereits heutzutage ein essenzieller Teil im Netzbetrieb. Für die Qualität der Hochrechnung ist die Kombination aus den Eingangsdaten und den verwendeten Hochrechnungsalgorithmen entscheidend. Bisherige Hochrechnungsverfahren beruhen meist auf der Nutzung aktueller Leistungsmesswerte von Referenzanlagen in Kombination mit Informationen zum Ort und zur installierten Leistung aller Anlagen [2]. Im Rahmen des BMWi-geförderten Projekts Solare Vorhersagen für die Netz- und Marktintegration von Solarenergie (SOLREV), der deutschen Beteiligung am IEA PVPS Task 16, werden relevante Fragestellungen zur Weiterentwicklung von PV-Hochrechnungen erarbeitet. Fraunhofer IEE und Fraunhofer ISE vergleichen dazu verschiedene Methoden für die Hochrechnung des PV-Stroms. Dieser Vergleich beinhaltet folgende Methoden: Simple Upscaling, Equal Weights, Inverse Distance Weighting, Linear Least-Squares Regression (LSQLIN), Satelliten-basierte physikalische Simulation und Extreme Learning Machines (ELM), wobei unterschiedliche Eingangsvariablen genutzt werden (i) Leistungsmessungen von Referenzparks, (ii) Globalstrahlung (GHI) aus Satellitendaten und (iii) eine Kombination von beiden. Als Zielgröße für die Bewertung und zum Trainieren der Hochrechnungsverfahren stehen Einspeise-überführungszeitreihen von lastgangvermessenen Anlagen (SOL) für die Region Bayernwerk zur Verfügung. Zusätzlich stellt das Fraunhofer ISE einen Datensatz mit Globalstrahlung aus Satellitendaten bereit. Der Betrachtungszeitraum ist das komplette Jahr 2018, wobei für Maschinelle Lernverfahren, die Optimierungsschritte und das Post-Prozessieren vier Test- und Trainingszeiträume genutzt werden und die vier Testzeiträume (Januar - März, April - Juni, Juli - September, Oktober - Dezember) anschließend zu einer Zeitreihe zusammengefügt werden. Zur Auswertung der Hochrechnungsverfahren werden die Auswertungsmetriken Root Mean Square Error (RMSE) und Mean Bias Error (MBE) verwendet. Ein starker MBE bei Methoden, welche nicht auf die Zielgröße trainiert werden, macht eine simple Bias-Korrektur notwendig, wodurch der RMSE bereits stark reduziert werden kann.
Der RMSE schwankt zw. 0.86 % und 4.84 %, wobei Methoden mit Referenzparkmessungen und GHI als Eingangsvariablen den geringsten RMSE erzielen. Der niedrigste RMSE zeigt sich bei LSQLIN mit Referenzparkmessungen und Einstrahlungswerten aus Satellitendaten. LSQLIN zeigt auch den tiefsten RMSE von 1.04 % wenn nur Referenzparkmessungen als Input genutzt werden. Ein weiterer Vorteil von LSQLIN ist, dass diese Methode viel weniger rechenintensiv ist als z. B. ein ELM. Satellitendaten-basierte Methoden haben den Vorteil, dass unabhängig von vorhandenen Leistungsmesswerten eine Hochrechnung berechnet werden kann. In zukünftigen Arbeiten werden simulierte PV-Leistungsmesswerte mithilfe von Satellitendaten als Input für verschiedene Methoden genutzt und deren Einfluss auf die Hochrechnung quantifiziert. Außerdem wird die Summe aller Referenzanlagen als Zielwert und nur eine Teilmenge aller Anlagen für die Hochrechnung genutzt, um die Abhängigkeit der Resultate von den vorhandenen Inputdaten quantifizieren zu können. (Dies ist kein Abstract, sondern eine Zusammenfassung)