Wettervorhersagen sind für die Energiewirtschaft unverzichtbar. Ihre Bedeutung wächst auch bei der Vorhersage von Katastrophen, die Stromnetze stören können. Selbstlernende Systeme sollen die Vorhersagen verbessern.
Detaillierte, interaktive Karten zeigen deutlich die Standorte der Anlagen in Bezug auf die vorhergesagten Wettergefahren, und Entwarnungsmeldungen unterstützen die zeitliche Planung von Einsätzen nach dem Unwetter.
DTN
Das Wetter macht auch hierzulande immer mehr Energie. Im ersten Halbjahr 2023 werden 57,7 Prozent des Stroms aus erneuerbaren Energien stammen. Das geht nicht ohne bessere Vorhersagen. "Im Zuge der Energiewende haben computergestützte Wettersimulationen eine Renaissance erfahren, denn die Prognose von erneuerbaren Energien aus Onshore- und Offshore-Windparks, aber auch aus der wachsenden Solarerzeugung, steht und fällt mit einer möglichst granularen Wetterprognose. Für hochpräzise Wettermodelle sind Supercomputer unverzichtbar geworden und der Einsatz von neuronalen Netzwerken zur Simulation und Optimierung von Wettermodellen ist heute bereits Standard", beschreibt deren Bedeutung Springer-Vieweg-Autor Maik Neubauer in seinem Buchkapitel Das Europäische Hochspannungsnetz – Die Zukunft von Big Data und künstlicher Intelligenz in kritischen Infrastrukturen auf Seite 729.
Genau dafür hat das Data-, Analyse- und Technologieunternehmen DTN, das seinen europäischen Hauptsitz in den Niederlanden hat, ein Modell entwickelt, das mithilfe von maschinellem Lernen und künstlicher Intelligenz die Vorhersagen weiter verbessert. Mittlerweile ist das System, das im Mai auch auf der E-world in Essen vorgestellt wurde, weltweit verfügbar.
Daten von Kunden nutzen
"Die Kundenerfahrung spielt eine entscheidende Rolle, weshalb das Storm Risk Dashboard entwickelt wurde, das es den Kunden ermöglicht, ihre eigenen Werte und Ereignisse zu pflegen. Die Kunden haben außerdem die Möglichkeit, ihre eigenen Grenzwerte festzulegen und verschiedene Warnmöglichkeiten wie SMS und E-Mail zu nutzen", erklärt Willy Zittersteijn, DTN Solution Ingenieur am Utrechter Standort.
Besonders in Großbritannien, wo Unwetter häufiger auftreten und das teilweise mit Holzmasten errichtete Stromnetz empfindlicher ist, ist die Prognostik solcher Katastrophen von großer Bedeutung. Ähnlich wie in den USA werden dort stündlich Daten erfasst, um Vorhersagen zu treffen. Die Datenquellen umfassen Blitze, aktuelle Wetterdaten und weitere Faktoren, die über Alarme zusammengeführt und ausgewertet werden. Die Vorhersage erstreckt sich über einen Zeitraum von sieben Tagen und ist für Wartungsarbeiten von großer Bedeutung.
Bei der Vorhersage werden sowohl externe Wetterdaten als auch eigene Wettermodelle genutzt. Unterschiedliche Wettermodelle weisen unterschiedliche Qualitäten für verschiedene Parameter auf. Das DTN-Modell kombiniert die besten Eigenschaften dieser Modelle und entwickelt zudem spezifische Filter. Insbesondere für die nächsten Stunden ist die Vorhersagequalität gut, da das Wetter zu Beginn gut analysiert werden kann.
Für langfristige Vorhersagen von drei bis fünfzehn Tagen ist eine detaillierte Analyse der Grundmodelle und Daten erforderlich, da verschiedene Jahreszeiten und Wetterlagen berücksichtigt werden müssen.
In Großbritannien und den USA werden an die Kunden beispielsweise auch Vorhersagen zur Anzahl der erwarteten Stromausfälle geliefert, die auf den Unterbrechungen der letzten zehn Jahre basieren. Für diese Analysen werden auch ältere Kundendaten verwendet, darüber hinaus kommen Data Science und Machine Learning zum Einsatz.
Kritischer Blick auf kritische Leitungen
Aufgrund der Komplexität des Geländes erfordern Wettervorhersagen eine differenzierte Betrachtung, da sich die Jahreszeiten und Wetterbedingungen unterscheiden. "Im Hochsommer ist das Wetter relativ stabil. Aber wenn sich die Jahreszeiten ändern, wird es für die Kunden interessant. Zum Beispiel treten im Frühling vermehrt Windereignisse und Gewitter auf", so Zittersteijn. Kritische Leitungen im Netz sind mit anderen Ländern verbunden, daher überwachen die Netzbetreiber diese besonders intensiv.
Auch die Automatisierung mithilfe von Daten spielt eine wichtige Rolle. Kommt es zum Beispiel zu einem Blitzeinschlag oder einer Störung an einer Freileitung, die zu einem Ausfall führt, kann die Ursache der Unterbrechung in Sekundenschnelle erkannt und der Stromkreis wieder eingeschaltet werden. Das wird bereits umgesetzt. "Die Entscheidung, ob ein Vor-Ort-Einsatz erforderlich ist, wird immer häufiger von der Leitstelle aus getroffen. Wenn es zu einer Unterbrechung kommt, möchten die Netzbetreiber wissen, ob diese durch das Wetter verursacht wurde, beispielsweise durch einen Baum, der auf die Leitung fällt", so Zittersteijn weiter.
Solche Prognosen haben auch eine wirtschaftliche Seite. "Grundsätzlich lassen sich Strommarktmodelle anhand des Planungshorizontes einteilen. Dies reicht von Modellen mit kurzfristigem Planungshorizont, sogenannten Kraftwerkseinsatzmodellen, mit denen Betreiber von Erzeugungsanlagen auf Basis von Last- und Wetterprognosen kostenoptimale Fahrpläne mit dem Zeithorizont weniger Tage ermitteln, bis zu Strommarktmodellen mit sehr langfristigem Planungshorizont, mit denen Szenarien zu künftigen Entwicklungen von bis zu 50 Jahren erstellt werden", beschreiben es die Springer-Gabler-Autoren Dominik Möst und Hendrik Scharf in ihrem Buchkapitel Optimierungsmodelle und Forschungsfragen in der Elektrizitätswirtschaft auf Seite 486 f.