KI-gestützte Solarstrahlungsprognosen für Nowcasting auf Basis von All-Sky Imagern

Hintergrund des Projekts

Das Projekt adressiert zentrale Herausforderungen der Energiewende, die durch den stetigen Ausbau der Photovoltaik und die wetterbedingte Variabilität der Solarstromerzeugung entstehen. An vielen Standorten erzeugen PV-Anlagen heute zeitweise mehr Strom, als die lokalen Stromnetze aufnehmen können, was zu Engpässen, Abregelungen und erheblichen Kosten für das Netzmanagement führt. Gleichzeitig fehlt es an ausreichend präzisen kurzfristigen Prognosen, um PV-Anlagen wirksam in das Energiesystem einzubinden, um ihre Flexibilitäten für Netzstabilität und Vermarktung nutzbar zu machen.

»HELIOS-AI« setzt genau hier an, indem das Projekt zeitlich und flächig hochauflösende Solarstrahlungsprognosen aus Wolkenkameras, meteorologischer Messtechnik und mit KI-gestützter Datenverarbeitung entwickelt, um die solare Einstrahlung und den PV-Ertrag im Minutenbereich sehr lokal vorherzusagen. Diese hochauflösenden Nowcasting-Verfahren ermöglichen eine vorausschauende Regelung dezentraler Energieanlagen, eine gezielte Einbindung von Speichern und eine Reduktion von Abregelungen. Damit schafft das Projekt wichtige Grundlagen für eine effizientere Integration von Solarstrom in elektrische Netze und stärkt die Resilienz und Wirtschaftlichkeit künftiger Energiesysteme.

Projektziel

Im Rahmen des Projekts sollen moderne End-to-End-Verfahren des maschinellen Lernens für eine hochpräzise Kurzfristprognose solarer Einstrahlung entwickelt und in realen Betriebsumgebungen demonstriert werden. Aufbauend auf den umfangreichen Datensätzen und den vielversprechenden Ansätzen aus einem Vorgängerprojekt »HELIOS« soll ein vollständig KI-basiertes Prognosesystem entstehen, das ohne physikalische Modellierung auskommt und eine sehr hohe Prognosegüte ermöglicht. Hierfür werden am Standort Rosenheim auch wirtschaftlichere Low-Cost Wolkenkameras getestet. Das Ziel ist es, robuste, übertragbare und praxistaugliche Verfahren zu schaffen, die sich unter realen Bedingungen bewähren und so eine breite Anwendung in Energiesysteme ermöglichen. Darüber hinaus soll das Projekt die interdisziplinäre Zusammenarbeit verschiedener Fachbereiche im Fachgebiet Energiemeteorologie stärken und den internationalen Austausch in der Community fördern, zum Beispiel durch einen zweiten internationalen All-Sky Imager Workshop im Herbst 2026 und einem regelmäßig stattfindenden Fachaustausch im internationalen Expertenkreis.

Projektablauf

Der Projektablauf gliedert sich in vier aufeinander abgestimmte Arbeitspakete, die den wissenschaftlichen Entwicklungsprozess von der Modellentwicklung bis zur praktischen Demonstration abbilden. Zunächst liegt der Schwerpunkt auf der Entwicklung eines Prototyps, der KI-basierte Prognosen von Einstrahlung und PV-Ertrag aus Wolkenkameras und Sensordaten erzeugt. Anschließend folgt der Transfer der entwickelten Methoden auf ein Low-Cost Sensorkonzept, das in enger Kooperation mit Wematics umgesetzt wird. Der dazugehörige Demonstrator wird mit den Stadtwerken Rosenheim aufgebaut und in Betrieb genommen. Darauf aufbauend werden die Modelle unter realen Betriebsbedingungen getestet und ihre Leistungsfähigkeit analysiert. Zum Abschluss erfolgt eine technoökomische Bewertung. Dabei werden die ökonomischen und ökologischen Vorteile des entwickelten Systems analysiert, unter anderem durch den Vergleich der erzielbaren Erlöse in der Vermarktung des virtuellen Kraftwerks der Stadtwerke mit den Ergebnissen bisheriger Prognoseverfahren.

Innovation

Die zentrale Innovation liegt in der konsequenten Anwendung moderner KI End-to-End-Verfahren auf die Kurzfristprognose solarer Einstrahlung, kombiniert mit Wolkenkameras und meteorologischer Messtechnik. Während etablierte Methoden stark auf physikalische Modelle und Satellitendaten beruhen, setzt das Projekt auf datengetriebene Modelle, die komplexe Wolkendynamiken direkt aus Bild- und Messdaten lernen und dadurch eine deutlich höhere flächige und zeitliche Präzision ermöglichen. Durch die enge Kopplung von Modellen, realer Demonstration und technoökonomischer Bewertung verbindet das Projekt Wissenschaft mit klarer Anwendungsperspektive und schafft damit einen Ansatz für netzdienliche und intelligente Betriebsführung von Energiesystemen.