NEXT : Algorithmus-Technologie

Der Algorithmus von NEXT basiert auf einer statistischen Lernmethodik vom Typ k-nearest neighbours (kNN).

Er kombiniert mehrere Quellen von sich ergänzenden Eingangsdaten, die auf verschiedenen räumlichen und zeitlichen Ebenen relevant sind (NWP, Satellit, In-situ-Messungen). Der Algorithmus sucht mit Hilfe einer intern entwickelten Methode zur fortgeschrittenen Schätzung der Ähnlichkeit zwischen zwei Wetterlagen in der Datenhistorie nach Mustern, die der aktuellen Wetterlage ähnlich sind.

Mit dem Algorithmus von NEXT sollen die Grenzen des Stands der Technik weiter verschoben werden, indem nicht nur Rohdaten aus verschiedenen Quellen, sondern auch mit Hilfe von Standardmodellen umgewandelte Daten, die normalerweise als solche auf dem Markt angeboten werden, als Input verwendet werden.

So nimmt NEXT nativ eine Kombination aus mehreren Wettermodellen als Eingangsgröße, sowie Vorhersagen von Bestrahlungskarten aus Satellitenbildern in Kombination mit robusten und bewährten Vorhersagetechniken wie dem CMV (Cloud Motion Vector).

NEXT kann horizontale oder getiltete Bestrahlungsstärkeprognosen erstellen, aber auch direkt mit Produktionsdaten arbeiten.

NEXT die leistungsstärkste Version, bietet eine Übertragung der Messwerte des Standorts in Echtzeit. Diese werden vom Algorithmus ausgewertet, so dass die Prognosen immer auf dem neuesten Stand der letzten Beobachtungen sind.

All dies ermöglicht es NEXT , die Genauigkeit von state-of-the-art Vorhersagen mit einer einzigen Datenquelle in einem einzigen Algorithmus zu kombinieren, der in der Lage ist, seinen Quellen nahtlos für jeden Zeithorizont die richtige Gewichtung zuzuweisen, während er ständig auf Basis der tatsächlichen Daten kalibriert wird, die von den Sensoren vor Ort geliefert werden.

In der Standardversion funktioniert NEXT ohne Datenerhebung vom Standort und bietet eine gleichwertige Leistung wie Next für die mittel- bis langfristigen Zeithorizonte.

Die von NEXT verwendete Technologie stützt sich auf die Suche nach Ähnlichkeiten in der historischen Kombination der Eingabedaten. Sie ermöglicht die Erstellung von probabilistischen Gesamtprognosen, die auf den zu prognostizierenden Zielwert kalibriert sind.

Diese Methode ermöglicht es, eine Reihe von Zeitpunkten in der Historie zu identifizieren, für die die Prädiktoren eine ähnliche Wettersituation anzeigten. Folglich ist die gesamte Unsicherheit, die mit der Variabilität der Beobachtungen verbunden ist, die für die gleiche Situation erhalten werden können, in diesem Satz von Beobachtungen enthalten. Es wird also nicht nur die Unsicherheit, die mit dem Fehler in den Modellparametern verbunden ist, explizit modelliert, wie es klassischerweise durch Bootstrap- oder NWP-Set-Methoden geschieht, sondern die gesamte Unsicherheit des Modells, einschließlich der Unsicherheit, die mit der Modellverzerrung verbunden ist. Der Algorithmus ist so parametriert, dass er nativ probabilistische Quantile von p5 bis p95 in 5%-Schritten liefert, die sehr gut auf die tatsächlichen Quantile kalibriert sind, die bei den Messungen (oder Satellitendaten im Fall des Modus ohne In-situ-Daten) beobachtet wurden.

Die Verwendung von NEXT gewährleistet dem Anlagenmanager die den Zugang zu zuverlässigen Prognosequantilen, die die tatsächliche Variabilität und Unsicherheit der Daten vor Ort repräsentieren, um realistische Produktionsszenarien zu erstellen.

Verbundene Veröffentlichungen

• https://hal.science/hal-02369413
• https://ieeexplore.ieee.org/document/8706264
• https://doi.org/10.3390/en14164951