Een nieuw AI systeem kan de opbrengst van zonnepanelen een dag vooruit tot 13 procent nauwkeuriger voorspellen. Dat helpt netbeheerders om vraag en aanbod van elektriciteit beter op elkaar af te stemmen en maakt het stroomnet robuuster.
Zonnepanelen leveren een steeds groter aandeel van onze elektriciteit. Dat is goed nieuws voor de energietransitie, maar het maakt het werk van netbeheerders ook ingewikkelder. Zij moeten namelijk al een dag van tevoren inschatten hoeveel stroom zonnepanelen zullen opwekken. Een onderzoek van North Carolina State University laat zien dat die voorspellingen aanzienlijk nauwkeuriger kunnen worden door niet op één voorspelmodel te vertrouwen, maar verschillende modellen slim met elkaar te combineren.
Volgens de onderzoekers kan die aanpak de nauwkeurigheid van dagvoorspellingen met maximaal 13 procent verbeteren. Voor elektriciteitsnetten is dat een belangrijke winst. Hoe beter bekend is hoeveel zonne-energie beschikbaar zal zijn, hoe efficiënter andere energiebronnen kunnen worden ingezet en hoe kleiner de kans op onbalans op het net.
Zon laat zich lastig voorspellen
Hoewel zonne-energie inmiddels een van de belangrijkste duurzame energiebronnen is, blijft de productie sterk afhankelijk van de weersomstandigheden. Bewolking, mist, regen en seizoensinvloeden kunnen de opbrengst van zonnepanelen flink laten schommelen. Zelfs kleine afwijkingen in weersverwachtingen kunnen leiden tot merkbare verschillen in de hoeveelheid opgewekte elektriciteit.
Voor netbeheerders vormt dat een dagelijkse uitdaging. Elektriciteit moet op elk moment in balans zijn: er mag niet te weinig, maar ook niet te veel stroom beschikbaar zijn. Als zonnepanelen minder produceren dan verwacht, moeten andere energiecentrales snel kunnen bijspringen. Is de opbrengst juist hoger dan voorzien, dan kan dat leiden tot overbelasting van delen van het elektriciteitsnet. Betrouwbare voorspellingen worden daarom steeds belangrijker naarmate het aandeel zonne-energie groeit.
Zeven voorspelmodellen naast elkaar
Voor hun onderzoek vergeleken de wetenschappers zeven verschillende methoden om de elektriciteitsproductie van zonnepanelen een dag vooruit te voorspellen. Daarbij gebruikten ze zowel historische gegevens over de opgewekte stroom als uitgebreide meteorologische informatie.
De onderzochte modellen liepen uiteen van klassieke statistische technieken tot moderne machine learning en deep learning modellen, waaronder verschillende neurale netwerken. De onderzoekers analyseerden gegevens uit de periode 2019 tot en met 2022 van twee grote Californische elektriciteitsbedrijven: Imperial Irrigation District en Los Angeles Department of Water and Power.
Eén van de best presterende individuele modellen was een zogenoemd Bidirectional Long Short Term Memory netwerk, beter bekend als BiLSTM. Dat model bleek over het geheel genomen zeer betrouwbare voorspellingen te leveren. Toch ontdekten de onderzoekers dat ook dit model niet onder alle omstandigheden de beste resultaten gaf.
Niet één winnaar
De belangrijkste conclusie van het onderzoek is misschien wel dat er geen universeel beste voorspelmodel bestaat. In plaats van één algoritme te kiezen, blijkt het effectiever om meerdere voorspelmodellen met elkaar te combineren. Zulke zogenoemde forecast combination methods zijn al langer bekend binnen de statistiek, maar blijken ook voor de voorspelling van zonne-energie duidelijke voordelen te bieden.
Door meerdere modellen ieder hun eigen voorspelling te laten maken en die vervolgens slim samen te voegen, kunnen individuele fouten elkaar deels opheffen. Het resultaat is een betrouwbaardere verwachting van de uiteindelijke stroomproductie.
Twee manieren om voorspellingen te combineren
De onderzoekers testten twee verschillende combinatiemethoden.De eerste is een gewogen gemiddelde. Daarbij krijgen modellen die in eerdere voorspellingen beter hebben gepresteerd automatisch meer invloed op de uiteindelijke uitkomst.
De tweede methode combineert niet alleen de voorspellingen van meerdere modellen, maar verwerkt ook meteorologische gegevens uit verschillende meetlocaties tegelijk. Daardoor beschikt het systeem over een completer beeld van de weersomstandigheden die de productie van zonnepanelen beïnvloeden.
Welke aanpak het beste werkte, bleek af te hangen van de regio. Bij Imperial Irrigation District leverde de methode met gewogen gemiddelden de grootste verbetering op. Daar steeg de nauwkeurigheid met maximaal 11 procent. Voor Los Angeles Department of Water and Power bleek juist de aanpak met meerdere invoerlocaties succesvoller, met een verbetering tot 13 procent.
Lokale omstandigheden zijn doorslaggevend
Dat verschil laat volgens de onderzoekers zien dat lokale omstandigheden een grotere rol spelen dan vaak wordt gedacht. Factoren zoals het regionale klimaat, de verspreiding van meetstations en de eigenschappen van het elektriciteitsnet bepalen mede welke voorspelmethode het beste werkt.
Daarmee onderstrepen de resultaten dat er waarschijnlijk geen standaardoplossing bestaat die overal dezelfde prestaties levert. Voorspelmodellen zullen per regio moeten worden afgestemd en zorgvuldig worden getest voordat ze in de praktijk worden ingezet.
Steeds belangrijker voor het elektriciteitsnet
De behoefte aan nauwkeurige voorspellingen groeit snel. Ook in Nederland neemt het aandeel zonne-energie ieder jaar verder toe. Op zonnige dagen leveren zonnepanelen inmiddels een aanzienlijk deel van de landelijke elektriciteitsproductie, terwijl tegelijkertijd de druk op het elektriciteitsnet toeneemt door de elektrificatie van woningen, vervoer en industrie.
Betere voorspellingen kunnen netbeheerders helpen om beschikbare opslagcapaciteit, flexibele elektriciteitsvraag en andere energiebronnen efficiënter in te zetten. Dat kan bijdragen aan een stabieler elektriciteitsnet en mogelijk ook aan lagere operationele kosten.
Het onderzoek laat zien dat de grootste winst niet noodzakelijk zit in het ontwikkelen van nóg een nieuw AI model. Juist het slim combineren van verschillende statistische en machine learning modellen, afgestemd op de lokale situatie, blijkt de meest veelbelovende route naar nauwkeurigere voorspellingen van zonne-energie.
