Frankfurter Allgemeine Zeitung vom 13.01.2020

KI kann selbst den Wind berechnen

Ohne Künstliche Intelligenz ist ein Versorgungsystem kaum denkbar, welches sich auf
erneuerbare Energien stützt. Die präzise Vorhersage der Fluktuation in der Wind- und
Solarerzeugung stellt große Herausforderungen an alle Beteiligte.

Der große Vorteil von Strom aus Windenergie und Photovoltaik ist der praktisch unbegrenzte Vorrat an Brennstoff aus Sonnenlicht und Wind und die Erzeugung von Strom ohne CO2-Emissionen. Eine Besonderheit gegenüber der Stromerzeugung aus fossilen Quellen ist die Fluktuation von Strom aus Wind- und Photovoltaikanlagen. Verantwortlich dafür sind wechselnde Wetterphänomene wie Wind, Sonnenstrahlung, Wolken, Schatten, Niederschlag oder auch Gewitter.

In Deutschland sind an Land rund 53 Gigawatt Erzeugungsleistung Wind und 48 Gigawatt Photovoltaik installiert. Eine veränderte Wetterentwicklung, die in der Fläche viele fluktuierende Anlagen erneuerbarer Energien (EE) betrifft und so zu ungeplanter zusätzlicher oder fehlender Einspeisung ins Stromnetz führt, kann in der Folge schnell Auswirkungen auf die Frequenzhaltung des Stromnetzes haben.

In Europa ist das Stromnetz auf eine Zielfrequenz von 50 Hertz ausgelegt. Eine Abweichung von diesem Zielwert zeigt das Ungleichgewicht der von allen Kraftwerken aktuell angebotenen elektrischen Leistung einerseits und der gleichzeitigen Abnahme der elektrischen Leistung durch Verbraucher andererseits. Da elektrische Energie in Stromnetzen nicht gespeichert, sondern nur zwischen Erzeuger und Verbraucher verteilt werden kann, ist es die Kernaufgabe der Netzbetreiber, durch entsprechende stabilisierende Eingriffe die Frequenz konstant zu halten. Der produzierten Leistung muss zu jedem Zeitpunkt eine gleich große Abnahme von Energie gegenüberstehen.

Kommt es zu Abweichungen, führt das zu einer Veränderung der Netzfrequenz. Ein Überangebot von elektrischer Leistung hat eine Steigerung zur Folge, ein Unterangebot eine Absenkung. Im Normalfall sind diese Abweichungen im westeuropäischen Verbundnetz minimal und bewegen sich unter 0,2 Hertz. Bei einer Frequenzabweichung von 0,2 Hertz ist im europäischen Verbundsystem Primärregelleistung von zirka drei Gigawatt aktiviert, was in etwa der Leistung von drei Kernkraftwerken entspricht.

Kommt es in Folge unvorhergesehener Witterungseinflüsse zu einer Leistungserhöhung oder eines Leistungsverfalls und damit zu einem massiven Ungleichgewicht zwischen Angebot und Nachfrage von elektrischer Leistung, sind starke Netzfrequenzschwankungen die Folge, die bis zu einem Stromausfall führen können. Eine präzise und regional aufgelöste Leistungsprognose ist somit von großer Bedeutung für die Weiterentwicklung des Stromsystems mit einem hohen Anteil erneuerbarer Energien. Denn je besser die Wetter- und damit verbundenen Leistungsprognosen für die Erneuerbaren sind, umso geringer sind die unerwarteten Auswirkungen auf die Stabilität des Stromnetzes. Hinsichtlich der Bewirtschaftung dieses fluktuierenden Stroms aus Erneuerbare- Energie-Anlagen (EE-Anlagen) gibt es spätestens seit Einführung des Marktprämienmodells in der Direktvermarktung von Strom aus EE-Anlagen im Jahr 2012 eine sehr steile Lernkurve. Das gilt insbesondere für die Prognose von Leistung aus Windkraftwerken, die aufgrund marktwirtschaftlicher Anreize sehr deutlich an Qualität gewonnen hat. Anhand von Leistungsprognosen der verwalteten EE-Anlagen geben die Stromhändler täglich bis 12 Uhr das sogenannte Day-Ahead-Angebot ab für die erwartete Einspeisung des Folgetages. Im Intraday-Handel können dann die möglichen Abweichungen von der Prognose ausgeglichen werden.

Neben den Netzbetreibern müssen also auch die Stromhändler möglichst genau wissen, wie viel Energie ein Windpark in den nächsten Stunden produzieren wird und welche Auswirkungen das auf den jeweiligen Bilanzkreis des Händlers hat. Er muss dann entsprechend an der Strombörse aktiv werden und Fehlmengen nachkaufen oder Überschussmengen abverkaufen. Aus diesem Grund gibt es inzwischen sehr exakte Leistungsvorhersagen, 24 Stunden täglich an sieben Tagen die Woche, an denen der Handel aktiv ist. Erreicht wird das unter anderem durch den Einsatz von Methoden des Maschinellen Lernens und Künstlicher Intelligenz, durch die eine ganz neue Qualität in der Vorhersage möglich geworden ist.

Klassische Vorhersagen der nationalen und internationalen Wetterdienste legen ihren Fokus hauptsächlich auf bodennahe Vorhersagen bis etwa 10 Meter Höhe. Die atmosphärischen Prozesse der sogenannten Grenzschicht, in der die Windenergieanlagen mit ihren Rotoren von etwa 50 bis etwa 200 Meter über Grund stehen, sind sehr komplex und ihre Prognose in Wettermodellen entsprechend ungenau. Es gibt nur wenige Messmasten, die in Höhe der Rotoren messen.

Dies ist umso brisanter, als die Leistung einer Windkraftanlage in der dritten Potenz von der Windgeschwindigkeit abhängt. Das heißt, wenn sich die Windgeschwindigkeit zum Beispiel verdoppelt, führt das bis zu einer Verachtfachung des Outputs an Energie (2 x 2 x 2). So können bereits kleine Fehler in der Prognose der Windgeschwindigkeiten große Folgen für die geschätzte Stromeinspeisung haben.

Auf Grund des Mangels an maßgeschneiderten Wetterprognosen zur Erstellung ausreichend genauer Leistungsprognosen musste ein Weg gefunden werden, diese Schwäche zu beheben. Zum einen wurde natürlich auf die Vielzahl verschiedener, wenn auch unzulänglicher Wetterprognosen zurückgegriffen. Zum anderen liefern historische Messungen der Windenergieanlagen selbst Erkenntnisse. Diese beiden Informationsquellen werden zur Optimierung der Leistungsprognosen mit Hilfe von Methoden des Maschinellen Lernens optimiert.

Von zentraler Bedeutung bei der Optimierung der Wetterprognosen sind die Methoden des Maschinellen Lernens (ML), zu denen unter anderem auch Künstliche Neuronale Netze gehören (KNN). Über lange Zeit scheiterte der Einsatz solch aufwendiger Verfahren an der fehlenden Rechnerleistung, was aber inzwischen gelöst ist. Seit einigen Jahren wird nun auch aktiv an der Anwendbarkeit komplexer Optimierungsverfahren für atmosphärische Prozesse geforscht. Allerdings bestand zunächst in den meisten Fällen ein großer Mangel an ausreichend langen und qualitätsgesicherten Datensätzen, um die Prognosen substantiell zu verbessern. Durch zunehmende Digitalisierung auch bei den Windenergieanlagen liegen inzwischen ausreichend historische Datensätze vor, um das Maschinelle Lernen einzusetzen.

Die bisher vorhandenen Wetter- oder Leistungsprognosen wurden sodann mit Messdaten aus Windenergieanlagen, also den echten Einspeisewerten, verknüpft und auf Unterschiede hin analysiert. Aus den Abweichungen zwischen den Prognosen und den tatsächlichen Einspeisungen je Anlage lassen sich dann über längere Zeiträume mit Hilfe von Verfahren des Maschinellen Lernens Systematiken ableiten, die man zur generellen Verbesserung der Prognosen verwenden kann. Man korrigiert also die beobachtbaren Fehler aus den Prognosen heraus und verbessert so sukzessive die eigentliche Prognose. Ein rekursiver Prozess, der fortlaufend angewendet wird und über die Zeit immer bessere Ergebnisse erwarten lässt. Bei der Analyse der bisherigen Leistungsprognosen wurde dann aber festgestellt, dass die Vorhersage dennoch nicht die gewünschte Leistungsausbeute an den Windenergieanlagen reflektierte, wenngleich die Windvorhersagen inzwischen doch recht präzise waren. Es musste also einen Einflussfaktor geben, der im bisherigen Verfahren nicht ausreichend Berücksichtigung gefunden hat. Hierbei kam schnell das Anlagenverhalten in den Fokus.

Die Einspeisung einer Windenergieanlage resultiert aus mindestens zwei komplexen Systemen: zum einen aus der atmosphärischen Wettersituation über der Rotorfläche und zum anderen aus der Anlagentechnik selbst. Letztere beinhaltet komplexe anlagenindividuelle und standortabhängige Steuerungs- und Regelungsalgorithmen, die bei Nichtberücksichtigung während der Prognoseerstellung den Wind nicht wie erwartet in Leistung wandelt. Durch konsequente Trennung der Messreihen der Windenergieanlagen in meteorologische Beobachtungen und Messungen des Anlagen- und Windparkverhaltens konnten die beobachteten Abweichungen auf Anlagenebene nachvollzogen werden.

Zur Simulation des Verhaltens von Windenergieanlagen wurde ein sogenannter "Digitaler Zwilling" der Anlage oder eines Windparks erstellt. An ihm lassen sich die Reaktionen des Windparks auf prognostizierte äußere Bedingungen ablesen (Wetter, Stromnetz). Das Prognosesystem kann somit selbst komplexe Zustände wie etwa die Vereisung oder die Abschaltungen der Windenergieanlagen aufgrund behördlicher Auflagen wie Schattenschlag oder Fledermausschutz vorhersagen und die damit verbundenen Mindereinspeisungen rechtzeitig berücksichtigen. Durch die zusätzliche Einbindung von Echtzeitinformationen zum Status der Anlagen wird die Kurzfristvorhersage permanent sehr nah an den wahren Zustand herangeführt, was in besonderen Wettersituationen eine erhebliche Verbesserung der Prognose ermöglicht. Auch hier kommen Methoden des Maschinellen Lernens zum Einsatz.

Parallel fokussieren sich die Beobachtungen der atmosphärischen Situation ausschließlich auf die Optimierung der Wetterprognosen selbst. Als Grundlage dienen eine Vielzahl von individuellen und unabhängigen Wettersimulationen, die von Wetterdiensten überall auf der Welt bezogen werden. Durch die Konzentration auf das Wetter selbst konnten selbst bislang schwierig zu prognostizierende Phänomene mit Bezug zur atmosphärischen Schichtung wesentlich präziser vorhergesagt werden, als dies bislang möglich gewesen ist. Moderne Verfahren der Bilderkennung erlauben es darüber hinaus, kurzfristige Änderungen im Einspeiseverhalten - zum Beispiel durch kleinräumige Gewitter - wesentlich präziser zu prognostizieren als bisher. Verknüpft mit den Methoden des Maschinellen Lernens lassen sich so aus langen Historien der Wetterprognosen und der Messdaten der Windenergieanlagen hochgenaue Prognosen erzielen.

Das hier beschriebene System wird bereits erfolgreich zum Zwecke der Direktvermarktung von EE-Anlagen bei der Quadra Energy verwendet, einem Tochterunternehmen von Deutschlands größtem Windanlagenhersteller Enercon. Durch die hohe Qualität der Prognose leistet Quadra Energy als Bilanzkreisverantwortlicher einen substantiellen Beitrag zur Stabilisierung der Netze und zur Vermeidung von Regelleistung. Das Prognoseverfahren eignet sich aber insbesondere auch für den Einsatz bei Netzbetreibern. Durch eine hohe Prognosegüte auch für kleinere Regionen wird die fluktuierende Einspeisung aus Windenergieanlagen besser planbar. Das erlaubt die Reduktion von Eingriffen der Netzbetreiber in das Stromnetz und führt so zu einer erheblichen Einsparung volkswirtschaftlicher Kosten. Dies stellt eine nachhaltige Unterstützung bei dem Ausbau des Stromsystems mit Erneuerbaren dar.

Neben der Nutzung von Stromspeichern ist die logische nächste Stufe zur weiteren Reduktion der ungeplanten, kurzfristigen Abweichungen, die selbst durch ein perfektes Prognosesystem nicht vollständig zu eliminieren sind, die Verstetigung der Einspeisung aus fluktuierenden Erzeugungsanlagen durch eine entsprechende intelligente Steuerung der Anlagen. Ein Verbund aus marktseitig flexibel einsetzbaren Anlagen sorgt dabei selbständig dafür, aus der bereitstehenden Windenergie den Fahrplan aus der aktuellsten Kurzfristprognose einzuhalten. Moderne Windenergieanlagen können das heute schon leisten. Da im aktuellen EEG aber kein Incentive für diese Form der Energiedienstleistung einer weniger fluktuierenden Einspeisung vorgesehen ist, produzieren die Windenergieanlagen nach dem Prinzip der Einspeisemaximierung. Es sind vor diesem Hintergrund eine Vielzahl von anderen Anreizmöglichkeiten denkbar, über die hin zu einem Stromsystem aus fluktuierenden Erneuerbaren diskutiert werden kann und muss. Holger Clever ist Geschäftsführer der Quadra Energy GmbH in Düsseldorf, einem Tochterunternehmen der Enercon Unternehmensgruppe. Achim Strunk ist Leiter Digital Business bei der Quadra Energy GmbH in Düsseldorf.