06.07.2023, 10:00 Uhr

Universität Wien
Besprechungsraum 3.28
Währinger Str. 29
1090 Wien

Titel: „Evaluation of different techniques for solar irradiance
nowcasting“

Kurzfassung:
Die Stromerzeugung aus Photovoltaik wird immer mehr zu einer der zentralen Säulen
im Wechsel hin zu einer elektrischen Zukunft auf Basis erneuerbarer Energiequellen.
Die Nutzung von solarer Energie hat großes Potenzial, da die tägliche Einstrahlung um
Größenordnungen mehr Strompotenzial bereitstellt als benötigt wird. Ein Nachteil von
Sonneneinstrahlung als Energiequelle ist ihre Unbeständigkeit, da die reale Menge an
Energie auf der Erdoberfläche durch eine Vielzahl atmosphärischer Phänomene, primär
Wolken, beeinflusst wird. Kurzfristige Prognosen, auch Nowcasts genannt, sind daher
relevant, um ein stabiles Gleichgewicht in Stromnetzen aufrechtzuerhalten. Um Nowcasts
im Ausmaß von Stromnetzen zu erzielen, kann die Vorhersage der Sonneneinstrahlung
über große Gebiete aus Satellitendaten die Vorhersage der Stromproduktion für einzelne
Standorte ersetzen. Als Beitrag zu diesem Gebiet werden in dieser Arbeit verschiedene
spatiotemporale neuronale Netze betrachtet, um Nowcasts für ein Zielgebiet zu liefern,
das sich über die Grenzen Österreichs erstreckt. Die Modelle wurden hinsichtlich ihrer
unterschiedlichen architektonischen Muster und Designs bewertet, die Vorteile in Bezug
auf Genauigkeit und Robustheit gegenüber fehlenden Daten aufwiesen. Basierend auf
diesen Ergebnissen wurden Schlüsselaspekte der besten Modelle in ein neues Kombinationsmodell,
IrradPhyDNet, implementiert. Da die Basisleistung auf einem Datensatz, der
nur gültige Ground-Truth-Frames enthält, hinsichtlich ihrer Vorhersageleistung in realen
Anwendungen irreführend sein kann, wurde die inhärente Robustheit gegenüber fehlenden
Daten und Kompensationstechniken weiter evaluiert. Um die Robustheit der Modelle zu
verbessern, wird hier eine neuartige Technik angewendet: Das Training von Modellen
auf Daten mit probabilistisch entfernten Zeitschritten. Die hier als Timestep-Dropout
bezeichnete Technik lieferte signifikante Verbesserungen der intrinsischen Robustheit der
neuronalen Netze. Durch mehrere Auswertungen im Vergleich zu Baselinemethoden
konnten die neuronalen Netze genauere Ergebnisse liefern, sowohl aus vollständigen als
auch aus fehlerbehafteten Daten. Darin schnitt IrradPhyDNet in mehreren Aspekten
dieser Auswertungen besser ab als die Quellnetzwerke, insbesondere in Kombination mit
der Trainingstechnik Timestep-Dropout.