Neuroverkkoja voi opettaa myös säähavainnoilla – hyötyä aurinkoenergian tuotannon ennustamisessa

Tutkimuksessa tarkasteltiin, voiko neuroverkkomallin opettamisessa hyödyntää menneiden sääennusteiden sijaan menneitä säähavaintoja. Tulosten mukaan säähavainnoilla voi korvata sääennusteet mallin opettamisessa silloin kun menneitä sääennusteita ei ole saatavilla.

Tutkimuksessa verrattiin keskenään sääennusteilla koulutetun neuroverkkomallin, havainnolla koulutetun neuroverkkomallin ja perinteisen fysikaalisen mallin ennusteiden tarkkuutta. Tulosten perusteella sääennusteiden käyttö mallin opettamisessa tuottaa tarkimmat ennusteet, mutta säähavainnoilla saadaan myös tarkempia ennusteita kuin käyttämällä fysikaalista mallia.

Aurinkoenergian tuotanto Suomessa kasvaa jatkuvasti. Tuotannon kasvaessa aurinkoenergian seuraavan päivän ennusteet ovat tarpeen sähköverkon hallinnoinnissa. Myös pientuottajille ennusteista on hyötyä oman kulutuksen suunnitteluun.

Aurinkoenergian tuotantoennusteita eri menetelmin

Neuroverkko on koneoppimismenetelmä, joka matkii aivojen rakennetta oppiakseen analysoimaan annettua aineistoa. Aurinkoenergian tuotantoa ennustettaessa neuroverkko usein opetetaan säämallien menneillä sääennusteilla ja testataan tuoreilla sääennusteilla. Tämä on aiemmissa tutkimuksissa todettu parhaaksi menetelmäksi.

Menneitä sääennusteita ei kuitenkaan aina ole saatavilla. Neuroverkon opettaminen menneillä säähavainnoilla tuo uuden vaihtoehdon fysikaalisten mallien käytölle. Testaamiseen on edelleen käytettävä säämallin tuoreita ennusteita, joita on saatavilla esimerkiksi Ilmatieteen laitoksen avoimesta datasta.

Fysikaaliset mallit perustuvat saapuvan auringonsäteilyn ja aurinkopaneelien tunnetun fysiikan mallintamiseen, minkä takia esimerkiksi aurinkopaneelien varjostusten huomioiminen on hyvin työlästä. Neuroverkko taas oppii asemakohtaiset varjostukset suoraan annetusta aineistosta.

Mallien validointiin ja testaamiseen käytettiin tutkimuksessa aurinkosähköntuotannon mittauksia kolmelta sijainnilta Kuopion alueelta. Tutkimuksessa käytetyt säähavainnot ovat samoista paikoista, kuten myös Ilmatieteen laitoksen MEPS-säämalliennusteet. Tutkimus tehtiin ajanjaksolle 5.5.–5.11.2020.

Lisätietoja:

Tutkija Viivi Kallio-Myers, Ilmatieteen laitos, viivi.kallio-myers@fmi.fi

Tieteellinen artikkeli on saatavilla Renewable Energy -tiedelehdessä.

Artikkelin viite: Brester, C., Kallio-Myers, V., Lindfors, A. V., Kolehmainen, M., & Niska, H. (2023). Evaluating neural network models in site-specific solar PV forecasting using numerical weather prediction data and weather observations. Renewable Energy, 207, 266-274.