Spatio-Temporal PV Forecasting with (Graph) Neural Networks

Abstract

In den letzten Jahren hat die Bedeutung erneuerbarer Energiequellen aufgrund gesteigerten Bewusstseins für die Reduzierung von Kohlenstoffemissionen erheblich zugenommen. Die erhöhte Integration von Photovoltaik-Systemen in das Energienetz stellt das Netz vor neue Herausforderungen durch dezentralisierte, fluktuierende Energieproduktion. Eine genaue Vorhersage der Stromerzeugung kann eine effektive Möglichkeit bieten, Entscheidungen zur Stabilisierung des Netzes zu treffen. Diese Arbeit befasst sich mit diesem Thema, indem sie ein Graph Neural Network (GNN) einführt, das ausschließlich Photovoltaikdaten von umliegenden Systemen einbezieht. Das Modell wird anhand von Photovoltaikdaten in Utrecht, Niederlande, trainiert und konzentriert sich auf Tage mit hoher Bewölkung. Die Ziele dieser Studie umfassen die Bewertung der Vorhersagegenauigkeit und Leistung des GNN-Modells anhand von Prognosemetriken im direkten Vergleich zu einem Benchmark-Modell. Darüber hinaus wird die Auswirkung des GNN-Modells und des Benchmark-Modells auf den niederländischen Energiemarkt durch die Analyse der Ausgleichskosten bewertet und potenzielle finanzielle Vorteile werden identifiziert. Die Ergebnisse zeigen, dass das finale Modell das Benchmark-Modell im Bezug auf Genauigkeit ̈übertrifft und eine signifikante Verbesserung der Vorhersagegenauigkeit (gemessen durch den RMSE-Wert) von bis zu 39,1% erzielt. Darüber hinaus senkt das Modell die Ausgleichsenergiekosten um bis zu 40,3% für ein einzelnes System und im Durchschnitt um 37,4% für alle einbezogenen PV-Systeme. Zusätzlich wurde eine starke Korrelation zwischen der Entfernung zu benachbarten PV-Systemen und der erzielbaren Genauigkeit festgestellt. Eine hohe Genauigkeit wird beobachtet, wenn die Systeme direkt benachbart sind und kurze Distanzen haben, während die Genauigkeit stark abnimmt, wenn die Stationen weiter entfernt positioniert sind. Diese Ergebnisse unterstreichen das Potenzial von GNN-Modellen zur Verbesserung der Vorhersage von Stromerzeugung und seine positive Auswirkung auf die Integration von PV-Systemen in den Energiemarkt.