Maschinelles Lernen steigert den Wert von Windenergie um 20 % (Google/DeepMind)
Die schwankende Erzeugung von Windkraft senkt deren Wert für Stromnetze, da Lieferzusagen schwer planbar sind. DeepMind trainierte ein neuronales Netz auf Wetterprognosen und historischen Turbinendaten, um die Windstromerzeugung 36 Stunden im Voraus vorherzusagen und optimale stündliche Lieferzusagen zu empfehlen. Ergebnis: rund 20 % höherer wirtschaftlicher Wert der Windenergie aus Googles 700-Megawatt-Windkraftportfolio.
Vertiefung
Ausgangslage war, dass Windenergie im Gegensatz zu planbaren Erzeugungsquellen ohne Prognosefähigkeit nur zu niedrigeren Preisen vermarktet werden kann, da Netzbetreiber verlässliche Liefermengen bevorzugen. DeepMind entwickelte ein Machine-Learning-Modell, das Wetterdaten und historische Turbinenleistung kombiniert, um Erzeugungsmengen 36 Stunden im Voraus vorherzusagen und daraus optimale, verbindliche Stundenlieferzusagen an das Stromnetz abzuleiten. Voraussetzung waren umfangreiche historische Turbinen- und Wetterdaten sowie die Integration der Prognosen in die operative Vermarktung der Windenergie aus Googles zentralamerikanischen Windparks. Ergebnis war eine Wertsteigerung der erzeugten Windenergie um etwa 20 % gegenüber unprognostizierter Einspeisung, da mehr verbindliche und damit höherwertige Liefermengen angeboten werden konnten. Das Verfahren ist grundsätzlich auf andere Betreiber variabler erneuerbarer Erzeugung (Wind, Solar) übertragbar, die Zugang zu granularen historischen Erzeugungs- und Wetterdaten haben.