Enhanced PV Power Forecasting through Deep Learning: Integrating Meteorological Data with Simulated System Performance and Real Data Validation

Die zunehmende Integration stark fluktuierender PV-Anlagen in Smart-Grid-Systeme stellt signifikante Herausforderungen für die Netzstabilität und ein effizientes Ressourcenmanagement dar. Genaue PV-Leistungsprognosen, der Schwerpunkt dieser Arbeit, sind entscheidend, um diesen Herausforderungen wirksam zu begegnen. Durch die Reduzierung der Prognoseunsicherheit für die PV-Erzeugung ermöglichen solche Prognosen den Netzbetreibern eine Steigerung der Betriebseffizienz durch optimierte Einsatzplanung von Ressourcen, die Minimierung kostspieliger Systemdienstleistungen und fossilbasierter Reserven sowie eine verringerte Abregelung erneuerbarer Energien, wodurch eine zuverlässigere und kosteneffizientere Integration von PV-Strom gefördert wird. Diese Masterarbeit präsentiert einen verbesserten Ansatz zur PV-Leistungsprognose mittels Deep Learning, wobei der Schwerpunkt auf der praktischen Implementierung und Validierung liegt, unterstützt durch relevante Literaturrecherche. Es wird eine datengesteuerte Methodik angewendet, die ein neuronales Netz mit Long Short-Term Memory (LSTM) nutzt, das auf realen Daten einer PV-Anlage in Leoben, Österreich, trainiert wurde. Kern der praktischen Arbeit war die umfassende Datenaufbereitung aus verschiedenen Quellen, darunter eine lokale Wetterstation, PVGIS-Simulationen und direkte Datenaufzeichnungen des PV-Wechselrichters. Wichtige Schritte waren die Behandlung fehlender Werte und das Feature-Engineering zur Erfassung zeitlicher und solarspezifischer Muster wie dem Clear Sky Index und dem Einfallswinkel (Angle of Incidence). Die Implementierung beschreibt detailliert die Datenaufteilung, Skalierung und Sequenzerstellung für das LSTM-Modell, angepasst für sowohl hochauflösende (10-Minuten) als auch niedrigauflösende (1-Stunde) Daten. Das Modelltraining umfasste die Optimierung von Hyperparametern mittels Bayes'scher Optimierung und die Anwendung von Callbacks für Early Stopping und die Reduzierung der Lernrate. Ein wichtiger externer Nachverarbeitungsschritt wurde implementiert, um die Rohprognosen des Modells basierend auf der physikalischen Einschränkung, dass die PV-Leistung während Perioden vernachlässigbarer Sonneneinstrahlung Null ist, zu verfeinern. Dieser integrierte Ansatz, der datengesteuerte Techniken mit praktischer Validierung kombiniert, zielt darauf ab, die Fähigkeiten zur PV-Leistungsprognose signifikant zu verbessern. Die praktische Validierung demonstriert die Leistungsfähigkeit des Modells im Vergleich zur tatsächlich gemessenen PV-Ausgangsleistung und liefert eine realistische Bewertung der Prognosegenauigkeit, die mit dem datengesteuerten Deep-Learning-Ansatz erzielt wurde, was letztendlich zu einem effizienteren und nachhaltigeren Energiemanagement in Smart-Grid-Systemen beiträgt.