Vorhersage von variablen erneuerbaren Energien in Deutschland: Neubewertung der Einfachheit mit bayesianisch optimierten Mehrschicht-Perzeptronen

Wind- und Solarenergie sind die am schnellsten wachsenden Erzeugungstechnologien weltweit, jedoch erfordert ihre Integration in die Stromnetze ein Verständnis ihrer inhärenten Variabilität und die Vorhersage ihrer Verfügbarkeit über multiple räumliche und zeitliche Skalen. Während komplexe Deep-Learning-Architekturen in der Literatur kürzlich an Bedeutung gewonnen haben, kann ihre Rechenkosten die praktische Anwendung einschränken. In dieser Arbeit schlagen wir ein Modellierungsframework vor, das auf bayesianisch optimierten Mehrschicht-Perzeptronen für die Vorhersage von Wind- und Solarenergie in Deutschland basiert, formuliert als ein sequence-unabhängiges nichtlineares Regressionsproblem mit exogenen meteorologischen Variablen. Historische Reanalysedaten werden für Training und Evaluierung verwendet, bevor die betriebliche Anwendbarkeit unter Verwendung numerischer Wettervorhersagen aus mehreren Modellen bewertet und sowohl mit veröffentlichten Studien als auch mit Vorhersagen von Systembetreibern verglichen wird. Punktvorhersagen werden durch adaptive Vorhersageintervalle ergänzt, die mit Varianzschätzern basierend auf histogrammbasierten gradientenverstärkten Regressionsbäumen modelliert werden. Die Ergebnisse zeigen, dass die vorgeschlagenen MLPs eine Tagesvorhersagegenauigkeit (nRMSE von 3,7 % für Wind und 2,7 % für Solar) erreichen, die mit oder über komplexeren, modernen Ansätzen gleichwertig ist. Das resultierende Framework bietet eine recheneffiziente und unsicherheitsbewusste Grundlage für die Entscheidungsfindung bei der Integration erneuerbarer Energien. • Bayesianisch optimierte MLPs erreichen moderne Wind- und Solarprognosen. • HistGBRT-Modelle prognostizieren die Fehlervarianz aus Vorlaufzeit und Energiemenge. • Regionenübergreifende Datensätze kombinieren ERA5-, ICON-, IFS-, GFS-, MaStR- und SMARD-Quellen.