Können mithilfe des Maschinellen Lernens Ertragsprognosen sicher vorhergesagt werden? Diesem Thema widmete sich eine Studierenendengruppe im Rahmen des Projektes WärmewendeNordwest an der Carl von Ossietzky Universität Oldenburg. Ergebnis: Das beste getestete Modell konnte die tatsächliche Stromproduktion sehr genau vorhersagen. Zudem zeigte sich, dass sich ein einmal trainiertes Modell mit wenig zusätzlichem Aufwand auch auf andere Gebäude übertragen und dort schnell anpassen lässt.

Im Rahmen des Projekts WärmewendeNordwest hat die Carl von Ossietzky Universität Oldenburg drei innovative emissionssparende Energieanlagen zusätzlich zur bestehenden konventionellen Infrastruktur installiert: eine Absorptionskältemaschine, eine Wärmepumpe im Rechenzentrum sowie eine sanierte Lüftungsanlage. Die wissenschaftliche Bedeutung dieses Multi-Energie-Systems liegt vor allem in seinem Synergiepotenzial — während bestimmte Anlagen lokal Strom erzeugen, verbrauchen andere diesen, um Wärme oder Kälte bereitzustellen. Die praktische Nutzung dieser Synergien setzt jedoch voraus, dass ein energieeffizienter und emissionsbewusster Betrieb aller miteinander verbundenen Systeme geplant werden kann. Dies wiederum erfordert zuverlässige Prognosen der lokalen Energieerzeugung — insbesondere aus den Photovoltaikanlagen, die nahezu jede verfügbare Dachfläche des Haarentor-Campus der Universität bedecken.

Genau diese Herausforderung veranlasste die Gruppe von Studierenden, ein eigenständiges Forschungsprojekt zur PV-Ertragsprognose durchzuführen. Die bisherigen Arbeiten stützten sich auf das Paket PVLib — ein physikbasiertes Simulationsframework — zur Ertragsschätzung. Wie die Studierenden jedoch feststellten, überschätzte dieser Ansatz die tatsächliche Leistungsabgabe des PV-Systems am untersuchten Gebäude A02 systematisch. Da dieser Fehler auf standortspezifische Faktoren wie Verschattung, Verschmutzung und Unsicherheiten in den Systemparametern zurückgeführt wurde, untersuchte die Gruppe, ob datengetriebene Modelle des maschinellen Lernens eine präzisere Alternative darstellen könnten.

Die Studierenden führten eine strukturierte vergleichende Analyse von vier entscheidungsbaumbasierten Algorithmen durch — Random Forest, Gradient Boosting, XGBoost und LightGBM — die auf historischen Erzeugungsdaten in Kombination mit meteorologischen Eingangsgrößen trainiert wurden. Durch eine modellübergreifende Analyse der Merkmalsbedeutung identifizierten sie die globale Horizontalstrahlung, die relative Luftfeuchtigkeit und den Klarhimmelindex als die konsistent einflussreichsten Eingangsmerkmale, ergänzt durch eine zyklische Tageszeit-Enkodierung zur Erfassung des täglichen Erzeugungsmusters. XGBoost erzielte die stärkste Gesamtleistung mit einem Bestimmtheitsmaß R² von 0,958 auf dem Testdatensatz für Gebäude A02, wobei die verbleibenden Abweichungen vorwiegend bei schnellen, wolkenbedingten Schwankungen auftraten und nicht den allgemeinen Tagesverlauf der Erzeugung betrafen.

Die operativ bedeutsamsten Erkenntnisse des Projekts ergaben sich aus der gebäudeübergreifenden Modellübertragbarkeitsanalyse. Wurde das an A02 trainierte Modell mithilfe einer einfachen Merkmalskalierung auf andere Campusgebäude übertragen, variierte die Vorhersagegüte erheblich — bei Anlagen, deren Eigenschaften wesentlich vom Trainingsdatensatz abwichen, verschlechterte sich das Bestimmtheitsmaß deutlich. Eine gezielte Nachfeinabstimmung des Modells mit einer geringen Menge gebäudespezifischer Trainingsdaten stellte jedoch konsistent eine hohe Vorhersagegenauigkeit im Bereich R² = 0,95–0,97 wieder her. Die Studierenden kamen zu dem Schluss, dass eine Transferlern-Strategie — das Training eines robusten Ausgangsmodells mit anschließender standortspezifischer Feinabstimmung auf Basis minimaler Daten — einen praktikablen und skalierbaren Ansatz zur PV-Ertragsprognose über verteilte Campusanlagen hinweg darstellt und einen bedeutsamen Schritt in Richtung des optimierten, emissionsarmen Energiebetriebs ermöglicht, den das Projekt WärmewendeNordwest anstrebt.

Studierende: Ahmed Sadiq, Ahsaan Khan, Innocent Okoro Kaku, Iyad Saba, Ghulam Mustafa, Ugur Can Murat

Betreuerin: Ekaterina Lesnyak