Neues Aggregationsmodell liefert probabilistische Prognosen für erneuerbare Energie

Mit der rasanten Zunahme von erneuerbaren Energiequellen steigt der Bedarf an zuverlässigen, probabilistischen Vorhersagen, die die Stromnetzbetreiber auf aggregierter Ebene unterstützen. In der Praxis verfügen die Betreiber jedoch kaum über fleet‑level Modelle und greifen stattdessen auf standortbezogene Prognosen von unterschiedlichen Drittanbietern zurück.

Die direkte Zusammenführung dieser heterogenen, standortbezogenen Daten zu einer konsistenten und kalibrierten fleet‑level Vorhersage ist schwierig. Komplexe Quersite-Abhängigkeiten und die durch die Aggregation entstehende Miscalibration führen häufig zu unzuverlässigen Ergebnissen.

Das vorgestellte Verfahren kombiniert Copula‑basierte Abhängigkeitsmodelle mit Context‑Aware Conformal Prediction (CACP). Die Copula‑Komponente erfasst die Quersite-Korrelationen, während CACP die Aggregations‑Miscalibration korrigiert. So entsteht eine abhängigkeitssensible Aggregation, die gleichzeitig gültige Abdeckungsraten liefert und scharfe Vorhersageintervalle beibehält.

In umfangreichen Tests mit Solardaten aus MISO, ERCOT und SPP zeigte der Copula+CACP‑Ansatz nahezu nominale Abdeckungsraten und deutlich schärfere Intervalle als unkalibrierte Aggregationsbaselines. Damit bietet die Methode eine robuste Lösung für die zuverlässige Vorhersage von erneuerbaren Energieanlagen auf Systemebene.