Stabilität im Stromnetz dank genauer Prognosen

Das Programm auf Basis neuronaler Netze kann die Leistung aus erneuerbaren Energiequellen mit mehr als 90 Prozent Genauigkeit für die nächsten 72 Stunden prognostizieren. Dieses Wissen hilft Betreibern, den Bedarf in ihrem Netz zu berechnen und möglichst genau zusätzlich benötigte Strommengen im Voraus zu bestellen.

Wie die Zeitschrift Pictures of the Future berichtet, hat die globale Siemens-Forschung Corporate Technology (CT) eine entsprechende Vorhersagesoftware für den Schweizer Netzbetreiber Swissgrid entwickelt.

Durch die Schweiz fließen rund fünf Prozent des grenzüberschreitenden Stroms in Europa – beispielsweise Stromtransporte von Deutschland oder Frankreich nach Italien. Swissgrid fällt die Schlüsselrolle zu, für einen reibungslosen Stromtransfer zu sorgen. Auf jedem Kilometer der Trasse geht jedoch ein kleiner Teil des Stroms verloren. Um diese Übertragungsverluste auszugleichen, kauft Swissgrid jeweils bis zu 16 Stunden im Voraus Strom am Spotmarkt ein.

Bisher schätzten die Experten von Swissgrid die erwarteten Übertragungsverluste anhand der Kalendertage, der Wettervorhersage und der Planungen der Netzbetreiber in den Nachbarländern ab. Der neue Algorithmus der Siemens-Forscher leitet den prognostizierten Übertragungsverlust direkt aus der Vorhersage des Stromverbrauchs ab.

Neben Daten aus der Vergangenheit gehen in das System dabei auch Variablen wie die aktuellen Lastflüsse und die Energieerzeugung aus erneuerbaren Quellen sowie Wetterdaten oder der Wasserstand von Pumpspeicherkraftwerken ein. Bisher hatte Swissgrid bei der Vorhersage eine Fehlerquote von elf Prozent. Der neue Algorithmus soll einen Prozentpunkt besser sein, was eine Einsparung von etwa 200.000 Euro pro Jahr bedeutet.

Die Prognosemethode von Siemens basiert auf einem künstlichen neuronalen Netz, also einer Software, die ähnlich arbeitet wie ein menschliches Gehirn. Siemens CT entwickelt neuronale Netze, um das Verhalten von hochkomplexen Systemen – das können Windparks, Gasturbinen, aber auch Börsenmärkte sein – zu berechnen.

Die Software wird anhand historischer Daten trainiert, um immer genauere Vorhersagen zu treffen. Wegen seiner Lernfähigkeit ist das System besonders gut geeignet, das Netz an die schwankenden Energiemengen aus erneuerbaren Quellen anzupassen. Die möglichst effiziente Ausnutzung bestehender Stromnetze ist ein wichtiges Element für die Umsetzung der Energiewende. (IN 2012.06.1)