Slimme camera's kijken naar de lucht om zonnestroom beter te voorspellen
Je kent het wel: de zon schijnt volop, en tien minuten later schuift er een wolk voor en valt het licht ineens weg. Voor jouw zonnepanelen thuis is dat geen probleem. Maar voor het elektriciteitsnet, dat op elk moment evenveel stroom moet leveren als er wordt gebruikt, is zo'n plotselinge dip lastig. Onderzoekers hebben nu een nieuw computermodel ontwikkeld dat dit soort schommelingen veel beter kan voorspellen.
Hoe meer zonne-energie we gebruiken, hoe belangrijker het wordt om te weten wanneer de zon precies gaat schijnen of juist niet. Dat heet zoninstraling voorspellen: inschatten hoeveel zonlicht er de komende minuten tot uren op een bepaalde plek valt. Netbeheerders gebruiken die voorspellingen om op tijd andere energiebronnen in te schakelen, zodat het licht niet uitvalt.
Een team van onderzoekers ontwikkelde hiervoor een systeem genaamd FarSky. Het werkt met speciale camera's die continu de hele lucht filmen, zogeheten all-sky imagers. Die camera's zien wolken aankomen nog vóórdat ze de zon bedekken. Bestaande AI-modellen konden op basis van die beelden al voorspellingen doen, maar hadden moeite met zogeheten "ramp events": momenten waarop de zonneschijn heel snel stijgt of daalt, bijvoorbeeld doordat een wolk wegtrekt of juist opdoemt.
FarSky pakt dit anders aan. Het model leert eerst een soort samengevatte, compacte weergave van de wolkenbeelden, een 'latente representatie' genoemd. Dat is te vergelijken met een spoortekening in plaats van een volledige foto: alle belangrijke informatie zit erin, maar dan compacter. Vervolgens gebruikt het model een tweede techniek, een diffusiemodel, om op basis van recente beelden meerdere mogelijke toekomstscenario's te genereren. Zo krijg je niet één enkele voorspelling, maar een reeks mogelijke uitkomsten met bijbehorende kansen.
Het onderzoeksteam testte FarSky met meerjarige camerabeelden van de Plataforma Solar de Almería in Spanje, en vergeleek de resultaten met bestaande methodes op twee onafhankelijke testsets. FarSky bleek in beide gevallen het best presterende model, met een verbetering in voorspelkracht tot 11 procentpunt ten opzichte van de andere aanpakken. Bij het opsporen van die lastige snelle schommelingen scoorde het model bovendien een F1-score boven de 60 procent. Die F1-score is een maatstaf die aangeeft hoe goed een model zowel juiste voorspellingen doet als foute voorspellingen vermijdt: hoe hoger, hoe betrouwbaarder.
Wat betekent dit (nog) niet: Dit is één onderzoek, getest op data van één specifieke locatie in Spanje. Het is nog niet bekend hoe het model presteert onder heel andere weersomstandigheden, bijvoorbeeld in Nederland met veel bewolking en regen. Ook is dit nog een onderzoeksmodel: het is nog niet toegepast in een echt elektriciteitsnet. Voordat netbeheerders dit daadwerkelijk kunnen gebruiken, is verder onderzoek en praktijktesten nodig.
Toch laat dit onderzoek zien dat een combinatie van camerabeelden en slimme AI-technieken kansen biedt om zonne-energie beter voorspelbaar te maken. Dat is nodig om zonnepanelen op grotere schaal te kunnen inpassen in het elektriciteitsnet, zonder dat plotselinge schommelingen voor problemen zorgen.
Bron: FarSky: Task-Aware Latent-Space Coupling for Generative Intra-Hour Solar Forecasting