HELIOS Predictive Spatial Analytics for Solar Energy Grid Integration: Enhancing Reliability and Efficiency

KI, Photovoltaik, PV-Prognosen, Solarstrom, Netzintegration, Nachhaltigkeit, Energieerzeugung, Energieverteilung, Ertragsprognosen, Erneuerbare Energien, Kurzfristprognosen, solare Einstrahlung, Wolkenbewegungen, Wolkenklassifikation, digital twin, digitaler Zwilling

Hochschule Bielefeld
Fachbereich Campus Minden
Artilleriestr. 9
32427 Minden

Projektbeteiligung

TH Rosenheim
Timeless Planet GmbH & Co. KG
Technische Universität München (TUM)
Stadtwerke Rosenheim GmbH & Co. KG
meteocontrol GmbH

Laufzeit

01.01.2024 – 31.12.2025

Projektförderung
Deutsche Bundesstiftung Umwelt

Kurzbeschreibung

In dem Energiemeteorologie-Projekt »Helios« werden präzise PV-Prognosen durch die Nutzung von Wolkenkameradaten entwickelt, um die Integration von Solarstrom in elektrische Netze zu optimieren.

Hintergrund des Projekts

Solarstromprognosen spielen eine bedeutende Rolle bei der Beschleunigung und Förderung des Übergangs zu einer nachhaltigen Energieerzeugung, -verteilung und -nutzung. Zuverlässige Prognosen tragen dazu bei, die Nutzung von Solarenergie effektiver zu planen und zu optimieren. Dadurch wird der Anteil erneuerbarer Energien im Gesamtenergiemix erhöht und der ökologische Fußabdruck der Energieerzeugung verringert. Dies ist ein wichtiger Schritt hin zu einer umweltfreundlichen und nachhaltigen Energieinfrastruktur.

Projektziel

Das Projekt »Helios« zielt darauf ab, zeitlich und räumlich hochauflösende Kurzfristprognosen für solare Einstrahlung zu entwickeln. Durch die Analyse von All Sky Images werden Wolkenobjekte und -klassen identifiziert, um detailliertere Einblicke in Einstrahlungsüberhöhungen und -volatilitäten zu gewinnen. Die Analyse verbessert das Verständnis des Zusammenspiels von solarer Einstrahlung und Wolkenbewegungen.

Ein Schwerpunkt liegt auf der Verbindung von Solarstrahlungsprognosen mit realen Energieerträgen aus einem PV-Forschungsfeld (digitaler Zwilling). Die Weiterentwicklung meteorologischer Kenngrößen ermöglicht ein vertieftes Verständnis der flächigen Verteilung der solaren Einstrahlung. Besondere Aufmerksamkeit gilt dem Einfluss von Wolkenarten und -rändern auf die flächige Solarstrahlungsverteilung, um fortschrittliche kamera-basierte Solarstromprognosen zu entwickeln.

Innovation

Unsere Solarstrahlungsprognose wird in den Digital Twin des PV-Forschungsfeldes integriert. Diese Integration eröffnet die Möglichkeit, die Solarstrahlungsprognosen präzise mit den Echtzeit-Monitoring-Daten aus der VCOM Cloud von meteocontrol GmbH zu verknüpfen und kontinuierlich zu optimieren. Ein zentraler Aspekt liegt in der Verbesserung der flächigen Auflösung der Solarstrahlung, wodurch eine feinere Steuerung der Anlage möglich wird, was wiederum zu einer optimierten Energieerzeugung führt. Unsere umfassende Messtechnik ermöglicht zudem eine ganzheitliche Betrachtung und Analyse der Umgebungsbedingungen.

Die gesammelten Daten, kombiniert mit den erzielten Photovoltaik-Erträgen und den abgeleiteten Solarstrahlungswerten, bilden die Grundlage für eine wegweisende KI-basierte Methode zur präzisen Wolkenklassifikation. Diese Innovationsansätze stärken die Genauigkeit und Effizienz von Solarstrahlungsprognosen und tragen dazu bei, die Integration fluktuierender Energieerzeuger weiter zu optimieren.