LSTM-Modelle verbessern Prognosen erneuerbarer Energie und senken CO₂

Ein neues Forschungsdokument aus dem arXiv-Repository präsentiert einen innovativen Ansatz zur Vorhersage der Stromerzeugung aus erneuerbaren Energiequellen (RES). Durch den Einsatz eines multivariaten Long Short-Term Memory (LSTM)-Netzwerks werden die komplexen zeitlichen Abhängigkeiten und nichtlinearen Muster in den Daten von Wind- und Solarkraftwerken präziser erfasst als bei herkömmlichen deterministischen oder stochastischen Verfahren.

Der vorgeschlagene LSTM-Algorithmus nutzt historische Erzeugungsdaten sowohl aus lokalen als auch aus benachbarten Gebieten, um die Interaktionen zwischen verschiedenen RES zu berücksichtigen. Dadurch entsteht ein robustes Modell, das langfristige Trends und kurzfristige Schwankungen gleichermaßen abbildet. Im Vergleich zu klassischen Clustering-basierten Szenario-Generierungsverfahren liefert das neue Verfahren deutlich genauere Prognosen.

In einer Fallstudie zeigte die Anwendung des Modells, dass die verbesserte Vorhersagegenauigkeit zu einer Reduktion der CO₂-Emissionen führt und die Versorgungssicherheit für elektrische Lasten erhöht. Diese Ergebnisse unterstreichen das Potenzial von LSTM-basierten Prognosen, die Integration erneuerbarer Energien in moderne Stromnetze zu optimieren und gleichzeitig die Klimaziele zu unterstützen.