Suchergebnisse

ZusammenfassungDa die Leistung eines Laufkraftwerks ohne Schwallbetrieb nicht gesteuert werden kann, sind möglichst präzise Leistungsprognosen nötig, um die generierte elektrische Energie bestmöglich am internationalen Strommarkt verwerten zu können. Derzeit befindet sich beim österreichischen Wasserkraftwerksbetreiber Verbund AG für den Zweck der Leistungsprognose eine Kombination aus hydrologischen und hydrodynamischen Modellen (PW) im operativen Betrieb, welche aber insbesondere bei an- sowie absteigenden Leistungsverläufen noch Defizite aufweist. Deshalb wird in dieser Studie an den Laufkraftwerken Braunau-Simbach, Aschach und Greifenstein das Potenzial von Machine Learning (ML) Verfahren bei der kurzfristigen (bis 4 h) Leistungsprognose in fünf hydrologisch interessanten Zeitfenstern eruiert. Dafür werden gemessene Abfluss- und Leistungswerte von stromauf liegenden Laufkraftwerken und Pegeln als Eingangsdaten herangezogen. Die erzielten Ergebnisse zeigen, dass ML im Anwendungsbereich der kurzfristigen Leistungsprognose innerhalb einer Laufkraftwerkskette sinnvoll eingesetzt werden kann. So konnte beim Grenzkraftwerk Braunau-Simbach der Modellfehler in Form der Wurzel der mittleren quadratischen Abweichung (RMSE) im Vergleich zu PW bei der 4‑Stunden-Prognose sowie über die fünf ausgewählten Zeitfenster um rund 63 % verringert werden. Beim Kraftwerk Aschach wurde eine Reduktion von 30 % erzielt, während beim Kraftwerk Greifenstein der RMSE mit ML um mehr als 50 % reduziert wurde. Es hat sich bei ML zudem gezeigt, dass mit kürzerer Prognosezeit auch die Prognosequalität deutlich verbessert wird, während sich diese bei PW in einem deutlich geringeren Ausmaß mit der Prognosezeit ändert. Es ist daher absehbar, dass ab einer bestimmten Prognosezeit PW gegenüber ML wieder im Vorteil ist. Nichtsdestotrotz könnte bei längerer Vorhersagezeit aber durch die Nachkopplung eines ML-Modells an PW die Prognosequalität weiter verbessert werden.