Vorhersage der Sonneneinstrahlung aus Wolkenbildern zur verbesserten Integration von Solarenergie im Stromnetz

Die Schwankungen und Überhöhungen der Solarstrahlung werden maßgeblich durch Wolkenzüge beeinflusst. Diese Volatilität hat einen erheblichen Einfluss auf die Leistung von Photovoltaik (PV)-Anlagen. Um den Eintrag von PV-Anlagen ins Stromnetz möglichst präzise vorhersagen zu können, ist eine zeitlich und räumlich hochauflösende Vorhersage der Solarstrahlung erforderlich. Hierbei spielen All Sky Imager (ASI) eine wichtige Rolle. Dabei ist es insbesondere von Bedeutung, Wolkenformationen in ASI-Images mehrerer in großen PV-Feldern verteilter Kameras zu erkennen und verfolgen zu können, und sie nach verschiedenen Kriterien zu bewerten und zu klassifizieren.

Der Studierende soll in ASI-Images mit Deep-Learning Verfahren (u.a. CNN) Wolken segmentieren, verfolgen, unter Anwendung von Clustering-Verfahren (z.B. kmeans) klassifizieren und auf der Grundlage einer zeitlich und räumlich hochaufgelösten Vorhersage der solaren Einstrahlung und eines Digital Twins des PV-Feldes unter Anwendung von RNN (ggf. LSTM, BiLSTM) die Energieerträge für die nächsten 5-15 Minuten möglichst präzise prognostizieren.

Bezug zum Thema Data Science

Verfahren des Deep-Learning, des Clusterrings sowie der zeitreihenbasierten Prognose und Simulation mit Digital Twins sind Kernthemen der Data Sciene und werden in den Veranstaltungen des Forschungsmasters behandelt.

Verfügbare Ressourcen

Im Rosenheimer Technologiezentrums Energie und Gebäude sind zwei Wolkenkameras (ASI-16/51) und meteorologische Sensoren installiert, die seit August 2021 Bilder und Daten aufzeichnen. Die verfügbare Datengrundlage wird auch weiterhin kontinuierlich alle 20 Sekunden mit parallel jeweils einem pro Bild pro Kamera erweitert. Rechnerressourcen stehen im Solar Computing Lab in Form eines Maschine Learning Servers zur Verfügung.

Projektplan

Erstes Semester: Sammeln aller Datenquellen aus Sensoren, verfügbaren API’s (z.B. open meteo) und der ASI-Images. Konsolidierung des Datensatzes, Datenanalyse. Detektion von Wolken und Verfolgung von Wolkenobjekten in mehreren ASI-Kameras. Erstellung des Forschungsexposés. Optional Erstellung und Einreichung eines Papers für eine „Work-in progress abgabe“ auf einem nationalen Workshop (z.B. im AK de GI AI & Sustainability).

Zweites Semester: Optimierung der Erkennungsleistung zur Wolkendetektion. Erstellen von Prototypen für Wolkenklassen. Erstellen eines ersten gelabten Lerndatensatzes für Wolkentypen, erste Klassifikationsergebnisse. Erstellung und Einreichung eines Papers auf einer Nationalen Konferenz (z.B. Photovoltaisches Symposium). das einen Überblick über das jeweilige Forschungsgebiet gibt ist Prüfungsleistung.

Drittes Semester: Konsolidierung des Datensatzes mit gemessenen Ertragsdaten und simulierten Ertragsdaten aus dem Digital Twin der PV-Anlage (Nutzen von Daten der Projektpartner. Erstellen von Prognose der Solaren Einstrahlung und von Prognosen der PV-Erträgen. Erstellen und Einreichen eines Papers mit Vortrag auf einer internationalen Konferenz (z.B. EUPVSEC oder ENVIROINFO).

Viertes Semester: Masterarbeit und Kolloquium mit an den im Verbundprojekt erreichten Forschungsstand Forschungsfragen.

Zwingend: Programmierkenntnisse
Optional: Kenntnisse in Photovoltaik und Energiemetorologie.

Erwerbbare Kompetenzen

Einsatz von State-of the Art Technologien des maschinellen Lernens auf Bild- und Sensordaten im technischen Anwendungsfeld. Spezialkenntnisse im Bereich der Energiemetorologie, der Photovoltaik und des SolarComputing. Selbständiges wissenschaftliches Arbeiten im Verbundprojekt mit Firmen und Forschungslaboren.