Die Ergebnisse sind verblüffend: Die genauesten Wetterdaten und -vorhersagen führen zu besseren Prognosen der Energieerzeugung und des Energieverbrauchs, so dass Unternehmen ihr Energiemanagement optimieren können, was zu wertvollen Kosteneinsparungen, geringeren Planungsrisiken und einer besseren Entscheidungsfindung führt. Hier haben Sie die Möglichkeit den vollständigen Bericht zu lesen und sich für das kostenlose Webinar mit Hive Power zu registrieren!

Einleitung

Energieprognosen sind im täglichen Marktgeschehen von größter Bedeutung. Kurzfristige Prognosen umfassen in der Regel Prognosehorizonte, die von wenigen Minuten bis zu einigen Tagen im Voraus reichen. Energieversorger und Verteilernetzbetreiber profitieren von genauen Vorhersagen der Stromnachfrage und -produktion, da sie so ihre flexiblen Produktionsanlagen optimal auf den Bedarf abstimmen können. Dadurch erfährt das Energiemanagement eine enorme Effizienzsteigerung, wodurch Kosten kontinuierlich und nachhaltig gesenkt werden.

Wetter steht über allem

Das Wetter ist bei weitem der wichtigste externe Faktor, der sich auf Energieverbrauch und -erzeugung auswirkt. Aus diesem Grund beschloss Hive Power, eine interne Forschungsstudie durchzuführen, um den leistungsfähigsten Anbieter von numerischen Wettervorhersagen zu identifizieren. 

Ein wichtiges Kriterium für Hive Power war die Verfügbarkeit historischer Wettervorhersagen (die in der Meteomatics API bis ins Jahr 1978 verfügbar sind). Viele Wetterdienstleister archivieren und speichern ihre Vorhersagen nicht. Historische Wettervorhersagen sind jedoch von entscheidender Bedeutung für das Training eines Energievorhersagemodells (Produktion und Konsum). Um robust und zuverlässig zu sein, sollte ein Modell auf derselben Art von Daten trainiert werden, die zum Zeitpunkt der Inferenz verwendet werden. Hat man also historische Energieproduktions- oder Konsumdaten, sollte man das Vorhersagemodell auch mit den dazugehörigen historischen Daten trainieren, um möglichst verlässliche Vorhersagen für die Zukunft machen zu können.

Wettervorhersage-Benchmark

Hive Power untersuchte ein Dutzend verschiedener Anbieter, filterte diejenigen heraus, die die Anforderungen nicht erfüllten, und entschied sich schliesslich für fünf finale Anbieter. Hive Power forderte die stündlichen Vorhersagen der bodennahen Temperatur und der Sonneneinstrahlung für ein Jahr an, die für einen einzigen Standort gegen Mitternacht erstellt wurden und einen Zeitraum von 24 bis 48 Stunden abdecken, was dem typischen Vorhersagehorizont von Hive Powers Energievorhersagemodellen entspricht. Hive Power verglich diese Vorhersagen mit den tatsächlichen Beobachtungen vor Ort und war erstaunt, dass die Meteomatics API tatsächlich zu eindeutig besseren Vorhersagen führte als diejenigen von anderen Anbietern. 

In den folgenden Abbildungen zeigt Hive Power die Ergebnisse seiner Vorhersageüberprüfung. In Abbildung 1 hat Hive Power die Verteilung der Diskrepanz zwischen beobachteter und vorhergesagter Temperatur aufgezeichnet. In Abbildung 2 hat Hive Power die fünf Verteilungen übereinander gelegt, um einen besseren Vergleich zu ermöglichen. Eine ähnliche Situation ergab sich für die Parameter der Sonneneinstrahlung. Für Hive Power war klar, dass die API-Wettervorhersagedaten von Meteomatics am genauesten und am besten kalibriert sind. 

Meteomatics API forecast accuracy verification

Abbildung 1 - Verteilung der Diskrepanz zwischen beobachteter und vorhergesagter Bodentemperatur für fünf verschiedene Wetterdienstleister. Die vertikal gestrichelten Linien geben den Mittelwert jeder Verteilung an (nur der mittlere Fehler von Meteomatics ist auf Null zentriert). Der mittlere absolute Fehler (Mean Absolute Error, MAE) ist in jedem Diagramm angegeben (je niedriger, desto besser).

Meteomatics forecast accuracy benchmarked against main competitiors

Abbildung 2 - Die gleichen Fehlerverteilungen wie in Abbildung 1 (nach der Schätzung ihrer Kernel-Dichte) überlagert.

Die Kurve von Meteomatics ist die schmalste und die Einzige, die im Nullpunkt liegt. Weitere Einzelheiten finden Sie in einem Blogartikel von Hive Power. Alternativ können Sie mehr erfahren, wenn Sie an unserem kostenlosen Webinar mit Hive Power am 26. Oktober teilnehmen. Melden Sie sich unter diesem Link an.

Hive Power's Blog-Artikel (in Englisch): The Forecaster: using machine learning and weather forecasts to predict energy consumption and generation more accurately.