Statistisches Post-Processing von Windleistungsprognosen für Übertragungsnetzgebiete

Im Rahmen dieser Arbeit soll die Prognosegüte der am Fraunhofer Institut für Wind- und Energiesystemtechnik erstellten Windleistungsprognosen verbessert werden. Betrachtet werden dabei Folgetags- und Kurzfristprognosen, die auf Basis verschiedener Wettermodelle für die EEG vermarkteten Einspeisungen in die Regelzonen und ganz Deutschland erstellt wurden. Auf die Prognosen finden univariate Post-Processing Modelle der Zeitreihenanalyse Anwendung. Diese Modelle erhalten zusätzliche Modifikationen an Charakteristika der Windleistungsprognosen. Getestet werden die Verfahren des exponentiellen Glättens (Exponential-Smoothing). Dabei werden Prognosen auf Basis aller bis zu dem Zeitpunkt der Prognoseerstellung aufgezeichneter Werte durch den Abgleich der bisherigen Prognosen mit Beobachtungen erstellt. Die Erstellung der Prognosen erfolgt anhand gewichteter Aufsummierung dieser vorherigen Werte. In dieser Arbeit erfolgt eine direkte Korrektur des Fehlermusters und dessen Anwendung auf die eingehenden Prognosen. Es handelt sich dabei nicht um ein maschinelles Lernverfahren sondern um eine reine Betrachtung der aufgezeichneten Fehler, weshalb der Vorteil dieser Anwendung in seiner Robustheit und Einfachheit liegt.

The objective of this survey is the improvement of the wind power forecasts generated at the Fraunhofer Institute for Wind and Energy Systems Technology in terms of their accuracy. It considers day-ahead and short-term forecasts that have been generated on the basis of various weather models for the EEG-marketed feed-in to the control areas and throughout Germany. The forecasts are modified with univariate post-processing models of time series analysis. These models receive additional modifications to the characteristics of the wind power forecasts. Therefore methods of exponential smoothing are tested, where forecasts are modified on the basis of all values recorded up to the time the forecast was generated by comparing the previous forecasts with observations. The forecast is done by weighting and summing up the previous values. In this work the error pattern is directly corrected and applied to the forecasts. It is a pure consideration of recorded errors and not a machine learning procedure. For this reason, the advantage of this application is its simplicity and robustness.