Mit der wachsenden Anzahl von PV-Anlagen in Unternehmen und Haushalten wird es immer wichtiger, den erzeugten Strom effizient zu nutzen, ohne die Stromnetze zu überlasten. Betreibende stehen vor der Herausforderung, PV-Strom in Phasen hoher Netznachfrage selbst zu nutzen oder zu speichern, um Spitzenverbräuche zu glätten und Kosten zu reduzieren. Die Nutzung dynamischer Stromtarife, welche ab 2025 auf Seiten der Stromanbieter verpflichtend angeboten werden müssen [1], erfordert zur optimalen Ausnutzung des Sparpotenzials eine automatisierte Steuerung, der eine genaue Prognose von Stromverbrauch und -erzeugung zu Grunde liegt.

Um ein Vorhersagemodell für die Stromerzeugung aus Solaranlagen und den Stromverbrauch eines Haushalts zu entwickeln, wurden zunächst Wetterdaten, Erzeugungsleistung der Solaranlagen und Daten zum Stromverbrauch der jeweiligen Haushalte gesammelt. Im Projekt lagen Daten von fünf Haushalten für ein Jahr vor. Über die Haushalte sind keine weiteren Eigenschaften wie z. B. zu Anzahl der Bewohner, Nutzung eines Elektroautos oder einer Wärmepumpe bekannt. Wetterdaten wurden online vom Deutschen Wetterdienst bereitgestellt.

Diese Daten wurden aufbereitet und geordnet, um sie anschließend analysieren zu können. In der Analyse wurden Muster und Zusammenhänge identifiziert, die Aufschluss darüber geben, wie das aktuelle Wetter bzw. die Jahreszeit die Stromerzeugung und den Stromverbrauch beeinflussen. Dies wurde mithilfe eines K-Nearest-Neighbor (KNN) Algorithmus umgesetzt, der auf Basis der erkannten Muster auch Vorhersagen treffen kann. Es wurden im Einzelnen folgende Schritte durchlaufen:

Datenaufnahme: Es wurden historische Daten zu Wetter, Stromverbrauch und -erzeugung gesammelt. Diese Daten stammen von lokalen Wetterstationen bzw. dem Deutschen Wetterdienst und den PV-Anlagen selbst.

Vorverarbeitung: Die Daten werden auf dieselben Zeiträume konsolidiert und um Fehler wie Sensorausfälle oder Redundanzen bereinigt. Der Datensatz wurde in Trainings- (drei Haushalte) und Validierungsdaten (zwei Haushalte) aufgeteilt, um das Modell zu erstellen und daraufhin zu testen.

Analyse und Modellaufbau: Anhand des Datensatzes wurden relevante Datenkategorien, sog. Labels, wie Sonnenscheindauer und Temperatur definiert, die die Grundlage für die Vorhersage von Stromerzeugungs- und Verbrauchsdaten bilden.

Modelltraining: Mit dem KNN wurde das KI-Modell trainiert. Das Modell nutzt die Labels, um Vorhersagen zu treffen, wobei Wettervorhersagen eine wichtige Rolle spielen.

Evaluierung: Das trainierte Modell wurde anhand des Validierungsdatensatzes evaluiert. Der Vergleich zwischen prognostizierten und tatsächlichen Daten zeigt die Genauigkeit des Modells. In den Bildern 3 – 5 zeigt die rote Linie die jeweilige Prognose und die blaue Linie die tatsächlichen Werte.
Je nach Güte und Umfang der Trainingsdaten, kann das Modell stundengenaue Vorhersagen treffen, die eine optimale Nutzung von PV-Anlagen ermöglicht. Es prognostiziert den Stromverbrauch und die Stromerzeugung über mehrere Tage und hilft Betreibenden, die Einspeisung und Speicherung von Strom zu planen. Dabei lernt das System mit mehr Daten immer genauer zu werden. Da der Stromverbrauch eines Haushalts weniger wetterabhängig als die Stromerzeugung ist, sind auch längere Zeiträume zur Beobachtung des Verbraucherverhaltens notwendig, um langfristig gute Vorhersagen treffen zu können. Dabei sind die Vorhersagen bei wenig vorhandenen Daten auch weniger genau.

Die folgenden Diagramme zeigen Ausschnitte der Vorhersagen und tatsächlich ermittelten Werte für die Stromerzeugung und den Verbrauch in den fünf untersuchten Haushalten.