Verfahren und Vorrichtung zur Steuerung einer mit einer erneuerbaren Energiequelle betreibbaren Energieerzeugungsanlage

Die vorliegende Erfindung betrifft ein Verfahren und eine Vorrichtung zur Steuerung einer mit einer erneuerbaren Energiequelle betreibbaren Energieerzeugungsanlage. Im Bereich der elektrischen Energieerzeugung werden immer häufiger regenerative Energieerzeugungsanlagen eingesetzt. Der Energieertrag solcher Energieerzeugungsanlagen hängt dabei stark von externen Größen, insbesondere von Wetterbedingungen ab. Es ist daher für derartige regenerative Energieer- zeugungsanlagen erwünscht, die zukünftig erzeugte Energiemen ^¬ ge geeignet vorherzusagen, um hierdurch die Energieeinspei ^¬ sung einer solchen Energieerzeugungsanlage und somit den Be ^¬ trieb eines Stromnetzes besser planen zu können. Eine Aufgabe der Erfindung ist es demnach, die Steuerung einer mit einer erneuerbaren Energiequelle betreibbaren Energieerzeugungsanlage zu verbessern.

Demgemäß wird ein Verfahren zur Steuerung einer mit einer er- neuerbaren Energiequelle betreibbaren Energieerzeugungsanlage vorgeschlagen. Bei dem Verfahren erfolgt ein rechnergestütztes Erzeugen einer Prognose über einen Energieertrag der Energieerzeugungsanlage für einen vorgegebenen Prognose- Zeitraum und ein vorgegebenes Gebiet unter Verwendung eines lernenden Systems mit einem Eingabevektor und einem Ausgabevektor. Der Ausgabevektor umfasst eine oder mehrere Betriebs ^¬ größen der Energieerzeugungsanlage für eine Mehrzahl von auf ^¬ einander folgenden zukünftigen Zeitpunkten des vorgegebenen Prognose-Zeitraums. Der Eingabevektor umfasst eine oder meh- rere, die Betriebsgröße oder Betriebsgrößen beeinflussende Eingangsgrößen für einen Zeitpunkt aus einer Mehrzahl von Zeitpunkten eines vorgegebenen Beobachtungs-Zeitraums. Die Eingangsgrößen umfassen mindestens drei der folgenden Daten für den vorgegebenen Beobachtungs-Zeitraum und das vorgegebene Gebiet: Wetterdaten; erste, mittels eines Satelliten be ^¬ reitgestellte Bilddaten eines Wolkenzugs; zweite, mittels ei ^¬ ner Bodenkamera bereitgestellte Bilddaten des Wolkenzugs; und durch ein physikalisches Modell zur Simulation des Energieertrages der Energieerzeugungsanlage unter Verwendung der Wet ^¬ terdaten erzeugte Simulationsdaten. Weiterhin erfolgt bei dem Verfahren ein Steuern der Energieerzeugungsanlage basierend auf der erzeugten Prognose derart, dass Wetter-bedingte

Schwankungen des Energieertrages der Energieerzeugungsanlage vermindert sind.

Die mit einer erneuerbaren Energiequelle betreibbare Energie ^¬ erzeugungsanlage ist beispielsweise ein Kraftwerk oder ein Hybridkraftwerk wie ein Photovoltaikkraftwerk oder ein Solarthermiekraftwerk .

Ein lernendes System ist ein System, das seine Eigenschaften in Abhängigkeit seiner Ein- und Ausgaben anpassen kann. So ist es beispielsweise möglich, ein lernendes System mittels einer Menge von Trainingsdaten daraufhin zu trainieren, bestimmte vorgegebene oder automatisch zu bestimmende Muster oder generalisierbare Strukturen in den Trainingsdaten zu erkennen. Nach der Lernphase ist ein solches lernendes System in der Lage, die zu bestimmenden Muster oder generalisierba ^¬ ren Strukturen auch in anderen Daten als den Trainingsdaten zu erkennen und diese anderen Daten entsprechend zu klassifi ^¬ zieren . Die Betriebsgrößen der Energieerzeugungsanlage sind bei ^¬ spielsweise durch die Energieerzeugungsanlage generierte Energiemengen .

Das Verfahren ermöglicht es, die zukünftig erzeugte Energie- menge geeignet vorherzusagen, um hierdurch die Energieeinspeisung einer solchen Energieerzeugungsanlage und somit den Betrieb eines Stromnetzes besser planen zu können. Weiterhin ermöglicht es das Verfahren, die Energieerzeugungs ^¬ anlage basierend auf der erzeugten Prognose derart zu steu ^¬ ern, dass Wetter-bedingte Schwankungen des Energieertrages der Energieerzeugungsanlage vermindert sind bzw. verhindert sind.

Ein weiterer Vorteil des Verfahrens besteht in der Möglich ^¬ keit, zumindest drei unterschiedliche Datenquellen für die zu erzeugende Prognose zu verwenden. Auf diese Weise lassen sich die Vorteile der unterschiedlichen Datenquellen, wie beispielsweise die Genauigkeit und/oder die Fehlertoleranz ein ^¬ zelner Messpunkte, zeitlicher Horizont oder zeitliche Auflö ^¬ sung, vereinen. Die erzeugte Prognose ist somit genauer und stabiler als bei der Verwendung von nur einer oder nur zwei Datenquellen.

In Ausführungsformen des Verfahrens wird der Eingabevektor vor dem Erzeugen der Prognose durch eine Hauptkomponentenana ^¬ lyse der Komponenten des lernenden Systems komprimiert.

Die Hauptkomponentenanalyse (Principal Component Analysis) ist ein Statistik-Verfahren zur verlustfreien Kompression der von dem Eingabevektor umfassten Daten. Besonders vorteilhaft ist die Verwendung einer nichtlinearen Principal Component Analysis, die in Form eines lernenden Systems, beispielsweise eines neuronalen Netzes, realisiert wird. Auf diese Weise können auch sehr große Eingabevektoren effizient und schnell verarbeitet werden. In weiteren Ausführungsformen des Verfahrens wird das lernende System durch eine Anzahl n neuronaler Netze gebildet.

Neuronale Netze sind universelle Funktionsapproximatoren, de ^¬ ren Struktur in Anlehnung an biologische Nervenzellen gewählt wurde .

Neuronale Netze sind besonders für die Steuerung und Regelung von technischen Anlagen wie der Energieerzeugungsanlage ge- eignet. Es ist möglich, herkömmliche Regler durch neuronale Netze zu ersetzen oder ihnen Sollwerte vorzugeben, die ein neuronales Netz aus der erzeugten Prognose ermittelt hat. Somit ist es weiterhin möglich, die Energieerzeugungsanlage basierend auf der erzeugten Prognose derart zu steuern, dass Wetter-bedingte Schwankungen des Energieertrages der Energie ^¬ erzeugungsanlage noch weiter vermindert sind. Neuronale Netze ermöglichen es zudem, Prognosefehler über die Zeit zu minimieren und somit die letztlich erzeugte Prognose zu verbessern.

Die n neuronalen Netze können identische oder unterschiedli- che Architekturen aufweisen.

In weiteren Ausführungsformen des Verfahrens umfasst der Eingabevektor für das i-te neuronale Netz, mit ie[l,...,n], zu ^¬ sätzlich zu den Eingangsgrößen den Ausgabevektor des (i-1)- ten neuronalen Netzes.

Das lernende System besteht somit aus einer Sequenz eigen ^¬ ständiger, selbstlernender Sub-Systeme in Form von neuronalen Netzen. Zusätzlich zu den von dem jeweiligen Eingabevektor umfassten Eingangsgrößen erhält jedes Sub-System mit Ausnahme des ersten Sub-Systems die erzeugte Prognose des jeweiligen vorhergehenden Sub-Systems als weitere Eingangsdaten. Auf diese Weise können die Prognosefehler der vorhergehenden Sub- Systeme durch das jeweils nachfolgende Sub-System reduziert werden.

In weiteren Ausführungsformen des Verfahrens ist jedes der n neuronalen Netze als künstliches neuronales Feed-Forward-Netz mit mehreren miteinander verbundenen Schichten ausgebildet, welche eine Eingabeschicht, eine Mehrzahl von versteckten

Schichten und eine Ausgabeschicht umfassen, wobei die Einga ^¬ beschicht eine Anzahl von Eingangsneuronen zur Beschreibung der Eingabevektoren enthält und wobei eine jeweilige ver- steckte Schicht eine Anzahl von versteckten Neuronen enthält und wobei die Ausgabeschicht eine Anzahl von Ausgabeneuronen zur Beschreibung des Ausgabevektoren enthält, und wobei die Ausgabeschicht eine der Mehrzahl von versteckten Schichten entsprechende Mehrzahl von Ausgabeclustern aus jeweils einem oder mehreren Ausgabeneuronen umfasst, wobei jeder Ausgabec- luster den gleichen Ausgabevektor beschreibt und mit einer anderen versteckten Schicht verbunden ist. Jedes der n neuronalen Netze stellt somit eine spezielle Va ^¬ riante eines Feed-Forward-Netzes dar. Ein Feed-Forward-Netz ist dadurch charakterisiert, dass mehrere übereinander lie ^¬ gende Neuronenschichten in einer Verarbeitungsrichtung von tieferen zu höheren Schichten über geeignete Gewichte in der Form von Gewichtsmatrizen miteinander gekoppelt sind, wobei die Neuronen innerhalb einer Schicht keine Verbindungen untereinander aufweisen.

Jedes der n neuronalen Netze zeichnet sich dadurch aus, dass die Ausgabeschicht eine der Mehrzahl von versteckten Schichten entsprechende Mehrzahl von Ausgabeclustern aus jeweils einem oder mehreren Ausgabeneuronen umfasst, wobei jeder Aus- gabecluster den gleichen Ausgabevektor beschreibt und mit einer anderen versteckten Schicht verbunden ist. Es ist somit jeder versteckten Schicht ein Ausgabecluster zugeordnet, wobei die versteckte Schicht nur mit diesem Ausgabecluster ge ^¬ koppelt ist. Es werden folglich separate Ausgabecluster geschaffen, welche im neuronalen Netz unabhängig voneinander die gleichen Betriebsgrößen der Energieerzeugungsanlage be- schreiben.

Im Unterschied zu herkömmlichen Feed-Forward-Netzen sind im erfindungsgemäßen neuronalen Netz die unterhalb der obersten versteckten Schicht liegenden versteckten Schichten nicht nur mit einer höheren versteckten Schicht, sondern auch mit einem Ausgabecluster der Ausgabeschicht verbunden. Hierdurch wird der Ausgabeschicht zusätzliche Fehlerinformation zugeführt, so dass ein entsprechend trainiertes neuronales Netz die Be- triebsgrößen der Energieerzeugungsanlage besser vorhersagen kann. Der Eingabevektor ist mit jeder versteckten Schicht verbunden . In weiteren Ausführungsformen des Verfahrens werden die von den Eingangsgrößen umfassten Daten für jedes der n neuronalen Netze individuell bereitgestellt.

Jedes Sub-System hat als Eingangsdaten somit bestimmte Aus- prägungen der Eingangsgrößen. Beispielsweise entsprechen die Eingangsgrößen für das erste Sub-System einer hohen zeitlichen Auflösung der beobachteten Wetterdaten, die im Ergebnis zu einer kurzfristigen Prognose führen, während die Eingangs ^¬ größen für das zweite Sub-System einer geringen zeitlichen Auflösung der beobachteten Wetterdaten entsprechen und somit zu einer langfristigen Prognose führen. Hohe zeitliche Auflö ^¬ sung bedeutet dabei beispielsweise eine Minuten- oder Stun ^¬ den-genaue zeitliche Auflösung, während geringe zeitliche Auflösung beispielsweise eine Tage-genaue Auflösung bedeutet.

In weiteren Ausführungsformen des Verfahrens ist eine Reihenfolge der n neuronalen Netze vorgebbar.

Eine Sortierung der Sub-Systeme entsprechend der Eingangsda- ten, beispielsweise hinsichtlich der Qualität, dem zeitlichen Horizont oder der zeitlichen Auflösung der von den Eingangsgrößen umfassten Daten, ermöglicht es, die Qualität der erzeugten Prognose weiter zu verbessern. In weiteren Ausführungsformen des Verfahrens erfolgt ein mehrfaches Ausführen des Schrittes des Erzeugens einer Prog ^¬ nose zur Erzeugung mehrerer Prognosen, wobei für das Erzeugen einer jeweiligen Prognose jeweils ein anderer Prognose- Zeitraum und/oder ein anderer Beobachtungszeitraum vorgegeben wird.

Auf diese Weise können mehrere unterschiedliche Prognosen er ^¬ zeugt werden. In weiteren Ausführungsformen des Verfahrens erfolgt ein Zusammenführen der mehreren erzeugten Prognosen zu einer zusammengeführten Prognose.

Durch das Zusammenführen der mehreren erzeugten Prognosen zu einer zusammengeführten Prognose ist es möglich, die Qualität der letztlich erzeugten, zusammengeführten Prognose weiter zu verbessern .

In weiteren Ausführungsformen des Verfahrens erfolgt das Zusammenführen der mehreren erzeugten Prognosen durch eine gewichtete Summenbildung. Eine gewichtete Summenbildung erlaubt es beispielsweise, jede der mehreren erzeugten Prognosen gleich zu gewichten. Es ist jedoch auch möglich, eine oder mehrere der mehreren erzeugten Prognosen stärker zu gewichten als andere, um den Einfluss der jeweiligen Prognosen auf die zusammengeführte Prognose zu verstärken. Auf diese Weise lassen sich beispielsweise Prog ^¬ nosen, die auf genaueren oder zuverlässigen Daten beruhen, stärker gewichten, als solche Prognosen, die auf ungenaueren oder weniger zuverlässigen Daten beruhen, ohne dass auf die Nutzung der ungenaueren oder weniger zuverlässigen Daten ver- ziehtet werden muss.

In weiteren Ausführungsformen des Verfahrens erfolgt das Zusammenführen der mehreren erzeugten Prognosen durch ein weiteres neuronales Netzwerk.

Ein neuronales Netzwerk ist besonders zur Aufbereitung und Auswertung statistischer Daten wie beobachteter Wetterdaten geeignet. Somit kann die zusammengeführte Prognose nochmals verbessert werden.

In weiteren Ausführungsformen des Verfahrens umfassen die ersten und/oder die zweiten Bilddaten mittels einer Mustererkennung bereitgestellte Bildmerkmale. Mustererkennung ist eine besonders geeignete Methode zur Aus ^¬ wertung von Bildern. Die mittels der Mustererkennung bereitgestellten Bildmerkmale stellen eine Zusammenfassung der re- levanten Informationen in den Bilddaten dar, wodurch das Verfahren effizienter gestaltet wird.

Weiterhin wird ein Computerprogrammprodukt vorgeschlagen, welches auf einer programmgesteuerten Einrichtung die Durch- führung eines entsprechenden Verfahrens veranlasst.

Ein Computerprogramm-Produkt wie ein Computerprogramm-Mittel kann beispielsweise als Speichermedium, wie Speicherkarte, USB-Stick, CD-ROM, DVD oder auch in Form einer herunterladba- ren Datei von einem Server in einem Netzwerk bereitgestellt oder geliefert werden. Dies kann zum Beispiel in einem draht ^¬ losen Kommunikationsnetzwerk durch die Übertragung einer entsprechenden Datei mit dem Computerprogramm-Produkt oder dem Computerprogramm-Mittel erfolgen. Als programmgesteuerte Ein- richtung kommt insbesondere eine wie im Folgenden beschriebe ^¬ ne Vorrichtung in Frage.

Ferner wird ein Datenträger mit einem gespeicherten Computerprogramm mit Befehlen vorgeschlagen, welche die Durchführung eines entsprechenden Verfahrens auf einer programmgesteuerten Einrichtung veranlasst.

Des Weiteren wird eine Vorrichtung zur Steuerung einer mit einer erneuerbaren Energiequelle betreibbaren Energieerzeu- gungsanlage vorgeschlagen. Die Vorrichtung umfasst ein Prog ^¬ nose-Erzeugungsmittel zum Erzeugen einer Prognose über einen Energieertrag der Energieerzeugungsanlage für einen vorgege ^¬ benen Prognose-Zeitraum und ein vorgegebenes Gebiet unter Verwendung eines lernenden Systems mit einem Eingabevektor und einem Ausgabevektor. Der Ausgabevektor umfasst eine oder mehrere Betriebsgrößen der Energieerzeugungsanlage für eine Mehrzahl von aufeinander folgenden zukünftigen Zeitpunkten des vorgegebenen Prognose-Zeitraums. Der Eingabevektor um- fasst eine oder mehrere, die Betriebsgröße oder Betriebsgrö ^¬ ßen beeinflussende Eingangsgrößen für einen Zeitpunkt aus ei ^¬ ner Mehrzahl von Zeitpunkten eines vorgegebenen Beobachtungs- Zeitraums. Die Eingangsgrößen umfassen mindestens drei der folgenden Daten für den vorgegebenen Beobachtungs-Zeitraum und das vorgegebene Gebiet:

- Wetterdaten,

- erste, mittels eines Satelliten bereitgestellte Bild ^¬ daten eines Wolkenzugs,

- zweite, mittels einer Bodenkamera bereitgestellte

Bilddaten des Wolkenzugs, und

- durch ein physikalisches Modell zur Simulation des Energieertrages der Energieerzeugungsanlage unter Ver ^¬ wendung der Wetterdaten erzeugte Simulationsdaten.

Die Vorrichtung umfasst weiterhin ein Steuerungsmittel zum

Steuern der Energieerzeugungsanlage basierend auf der erzeug ^¬ ten Prognose derart, dass Wetter-bedingte Schwankungen des Energieertrages der Energieerzeugungsanlage vermindert sind. Die Vorrichtung ermöglicht es, die zukünftig erzeugte Ener ^¬ giemenge geeignet vorherzusagen, um hierdurch die Energieeinspeisung einer solchen Energieerzeugungsanlage und somit den Betrieb eines Stromnetzes besser planen zu können. Weiterhin ermöglicht es die Vorrichtung, die Energieerzeu ^¬ gungsanlage basierend auf der erzeugten Prognose derart zu steuern, dass Wetter-bedingte Schwankungen des Energieertra ^¬ ges der Energieerzeugungsanlage vermindert sind. Das jeweilige Mittel, Prognose-Erzeugungsmittel und Steue ^¬ rungsmittel, kann hardwaretechnisch und/oder auch softwaretechnisch implementiert sein. Bei einer hardwaretechnischen Implementierung kann die jeweilige Einheit als Vorrichtung oder als Teil einer Vorrichtung, zum Beispiel als Computer oder als Mikroprozessor ausgebildet sein. Bei einer software ^¬ technischen Implementierung kann die jeweilige Einheit als Computerprogrammprodukt, als eine Funktion, als eine Routine, als Teil eines Programmcodes oder als ausführbares Objekt ausgebildet sein.

Weitere mögliche Implementierungen der Erfindung umfassen auch nicht explizit genannte Kombinationen von zuvor oder im Folgenden bezüglich der Ausführungsbeispiele beschriebenen Verfahrensschritte, Merkmale oder Ausführungsformen des Ver ^¬ fahrens oder der Vorrichtung. Dabei wird der Fachmann auch Einzelaspekte als Verbesserungen oder Ergänzungen zu der jeweiligen Grundform der Erfindung hinzufügen oder abändern.

Die oben beschriebenen Eigenschaften, Merkmale und Vorteile dieser Erfindung sowie die Art und Weise, wie diese erreicht werden, werden klarer und deutlicher verständlich im Zusammenhang mit der folgenden Beschreibung der Ausführungsbeispiele, die im Zusammenhang mit den Zeichnungen näher erläutert werden.

Dabei zeigen:

Fig. 1 ein Ablaufdiagramm eines Ausführungsbeispiels eines

Verfahrens zur Steuerung einer mit einer erneuerba ^¬ ren Energiequelle betreibbaren Energieerzeugungsanlage ;

Fig. 2 ein Blockschaltdiagramm eines Ausführungsbeispiels einer Vorrichtung zur Steuerung einer mit einer erneuerbaren Energiequelle betreibbaren Energieerzeu ^¬ gungsanlage ;

Fig. 3 ein Blockdiagramm eines ersten Ausführungsbeispiels eines lernenden Systems für ein Verfahren zur Steuerung einer mit einer erneuerbaren Energiequelle betreibbaren Energieerzeugungsanlage ;

Fig. 4 ein Blockdiagramm eines zweiten Ausführungsbeispiels eines lernenden Systems für ein Verfahren zur Steuerung einer mit einer erneuerbaren Energiequelle betreibbaren Energieerzeugungsanlage; und

Fig. 5 ein Blockdiagramm eines dritten Ausführungsbeispiels eines lernenden Systems für ein Verfahren zur Steuerung einer mit einer erneuerbaren Energiequelle betreibbaren Energieerzeugungsanlage.

In den Figuren sind gleiche oder funktionsgleiche Elemente mit denselben Bezugszeichen versehen worden, sofern nichts anderes angegeben ist.

Fig. 1 zeigt ein Ablaufdiagramm eines Ausführungsbeispiels eines Verfahrens zur Steuerung einer mit einer erneuerbaren Energiequelle betreibbaren Energieerzeugungsanlage.

In einem ersten Schritt S101 erfolgt ein Erzeugen einer Prognose über einen Energieertrag der Energieerzeugungsanlage für einen vorgegebenen Prognose-Zeitraum und ein vorgegebenes Ge- biet unter Verwendung eines lernenden Systems mit einem Eingabevektor und einem Ausgabevektor. Der Ausgabevektor umfasst eine oder mehrere Betriebsgrößen der Energieerzeugungsanlage für eine Mehrzahl von aufeinander folgenden zukünftigen Zeitpunkten des vorgegebenen Prognose-Zeitraums. Der Eingabevek- tor umfasst eine oder mehrere, die Betriebsgröße oder Be ^¬ triebsgrößen beeinflussende Eingangsgrößen für einen Zeitpunkt aus einer Mehrzahl von Zeitpunkten eines vorgegebenen Beobachtungs-Zeitraums. Die Eingangsgrößen umfassen mindes ^¬ tens drei der folgenden Daten für den vorgegebenen Beobach- tungs-Zeitraum und das vorgegebene Gebiet: Wetterdaten; ers ^¬ te, mittels eines Satelliten bereitgestellte Bilddaten eines Wolkenzugs; zweite, mittels einer Bodenkamera bereitgestellte Bilddaten des Wolkenzugs; und durch ein physikalisches Modell zur Simulation des Energieertrages der Energieerzeugungsanla- ge unter Verwendung der Wetterdaten erzeugte Simulationsdaten . In einem zweiten Schritt S102 erfolgt ein Steuern der Energieerzeugungsanlage basierend auf der erzeugten Prognose der ^¬ art, dass Wetter-bedingte Schwankungen des Energieertrages der Energieerzeugungsanlage vermindert sind.

Fig. 2 zeigt ein Blockschaltdiagramm eines Ausführungsbeispiels einer Vorrichtung 212 zur Steuerung einer mit einer erneuerbaren Energiequelle betreibbaren Energieerzeugungsanlage .

Die Vorrichtung 212 umfasst ein Prognose-Erzeugungsmittel 213 zum Erzeugen einer Prognose über einen Energieertrag der Energieerzeugungsanlage für einen vorgegebenen Prognose- Zeitraum und ein vorgegebenes Gebiet sowie ein Steuerungsmit- tel 214 zum Steuern der Energieerzeugungsanlage basierend auf der erzeugten Prognose.

Fig. 3 zeigt ein Blockdiagramm eines ersten Ausführungsbei ^¬ spiels eines lernenden Systems für ein Verfahren zur Steue- rung einer mit einer erneuerbaren Energiequelle betreibbaren Energieerzeugungsanlage .

Das lernende System 205 hat einen Eingabevektor 206 sowie ei ^¬ nen Ausgabevektor 207. Der Eingabevektor 206 umfasst mehrere, die Betriebsgröße oder Betriebsgrößen 208 der Energieerzeu ^¬ gungsanlage beeinflussende Eingangsgrößen für einen Zeitpunkt aus einer Mehrzahl von Zeitpunkten eines vorgegebenen Beobachtungs-Zeitraums. Die Eingangsgrößen umfassen dabei Daten wie Wetterdaten 201, erste Bilddaten 202 sowie zweite Bildda- ten 203. Bei den ersten Bilddaten 202 handelt es sich um mittels eines Satelliten bereitgestellte Bilddaten eines Wolken ^¬ zugs. Bei den zweiten Bilddaten 203 handelt es sich um mittels einer Bodenkamera bereitgestellte Bilddaten des Wolken ^¬ zugs. Weiterhin umfassen die Eingangsgrößen Simulationsdaten 204. Die Simulationsdaten 204 werden dabei durch ein physikalisches Modell zur Simulation des Energieertrages der Ener ^¬ gieerzeugungsanlage unter Verwendung der Wetterdaten 201 erzeugt . Die Daten 201-204 erfahren zunächst eine Aufbereitung. Beispielsweise werden die von dem Satelliten und von der Bodenkamera aufgenommenen Wolkenbilder einer Mustererkennung un- terzogen. Die mittels der Mustererkennung bereitgestellten Bildmerkmale oder Bilddaten stellen eine Zusammenfassung der in den Wolkenbildern enthaltenen relevanten Informationen bezüglich der Wetterbedingungen des vorgegebenen Gebietes dar. Im Anschluss an die Aufbereitung liegt eine Menge charakte ^¬ ristischer, numerischer Werte als jeweilige Daten 201-204 vor. Diese Daten 201-204 bilden die Eingabe für das lernende System 205. Die Ausgabe des lernenden Systems 205 bildet der Ausgabevektor 207 mit den Betriebsgrößen 208. Der Ausgabevek- tor 207 dient somit der Erzeugung der Prognose 209.

Es ist möglich, die Simulationsdaten 204 alternativ oder zusätzlich zur Eingabe in das lernende System 205 zu einer Korrektur der erzeugten Prognose 209 zu verwenden, angedeutet durch den gestrichelten Pfeil in Fig. 3. Somit ist es möglich, gegebenenfalls unwahrscheinliche oder nicht plausible Prognose-Ergebnisse durch die Simulationsdaten 204 zu korrigieren . Fig. 4 zeigt ein Blockdiagramm eines zweiten Ausführungsbeispiels eines lernenden Systems für ein Verfahren zur Steuerung einer mit einer erneuerbaren Energiequelle betreibbaren Energieerzeugungsanlage . In dem dargestellten Ausführungsbeispiel umfasst das lernende System 205 zwei neuronale Netze 210, 211. Jedes der beiden neuronalen Netze 210, 211 hat als Eingabe den Eingabevektor 206. Im vorliegenden Fall verwenden somit die beiden neuronalen Netze 210, 211 denselben Eingabevektor 206.

Es ist auch denkbar, dass jedes der beiden neuronalen Netze 210, 211 einen eigenen Eingabevektor als Eingabe hat, wobei zum Beispiel der Eingabevektor für das erste neuronale Netz 210 Daten einer geringen zeitlichen Auflösung der beobachteten Wetterdaten umfasst, während der Eingabevektor für das zweite neuronale Netz 211 Daten einer höheren zeitlichen Auflösung der beobachteten Wetterdaten umfasst. Dies entspricht einer individuellen Bereitstellung der von den Eingangsgrößen umfassten Daten 201-204 für jedes der beiden neuronalen Netze 210, 211.

Zusätzlich zu den Daten 201-204 des Eingabevektors erhält das zweite neuronale Netz 211 den Ausgabevektor des ersten neuronalen Netzes 210 als Eingabe.

Das in Fig. 4 dargestellte Ausführungsbeispiel stellt somit ein korrigierendes System dar. Dieses System besteht aus ei- ner Sequenz eigenständiger selbstlernender Sub-Systeme in

Form der beiden neuronalen Netze 210, 211. Jedes Sub-System kann als Eingangsdaten separate Datenquellen im Sinne der oben dargestellten, unterschiedliche Ausprägungen von Daten 201-204 umfassenden Eingabevektoren haben. Zusätzlich bekommt jedes Sub-System mit Ausnahme des ersten die Prognose des Vorgängersystems in Form des jeweiligen Ausgabevektors als weitere Eingangsdaten übergeben. Auf diese Weise können Prognosefehler der Vorgängersysteme durch das jeweils nachfolgende Sub-System reduziert werden.

Zur Verbesserung der Prognose-Qualität kann eine Sortierung der Sub-Systeme entsprechend der Eingangsdaten zum Beispiel hinsichtlich ihrer Qualität, ihres zeitlichen Horizonts oder ihrer zeitlichen Auflösung erfolgen.

Nach jeder Anwendung eines der Sub-Systeme oder neuronalen Netze 210, 211 steht eine eigenständige Prognose in Form des jeweiligen Ausgabevektors 207 zur Verfügung. Es ist daher nicht notwendig, die gesamte Kaskade von neuronalen Netzen 210, 211 zu durchlaufen.

Fig. 5 zeigt ein Blockdiagramm eines dritten Ausführungsbeispiels eines lernenden Systems für ein Verfahren zur Steue- rung einer mit einer erneuerbaren Energiequelle betreibbaren Energieerzeugungsanlage .

In diesem dritten Ausführungsbeispiel werden zwei eigenstän- dige lernende Systeme 205 verwendet. Jedes der beiden lernen ^¬ den Systeme 205 hat als Eingangsdaten die Daten 201-204 des Eingangsvektors 206.

Alternativ kann auch hier jedes der beiden lernenden Systeme 205 als Eingangsdaten separate Datenquellen im Sinne der oben dargestellten, unterschiedliche Ausprägungen von Daten 201- 204 umfassenden Eingabevektoren haben.

Die Ausgabevektoren 207 jedes der beiden lernenden Systeme 205 werden zu einer zusammengeführten Prognose 209 zusammengeführt. Die Zusammenführung kann dabei beispielsweise durch eine gewichtete Summenbildung oder durch ein weiteres lernendes System wie beispielsweise ein neuronales Netz erfolgen. Möglich ist auch ein Auswählen einer der beiden Prognosen der eigenständigen lernenden Systeme 205 basierend auf einem der beiden Ausgabevektoren 207 nach bestimmten Kriterien.

Ein solches lernendes Gesamtsystem ist somit in der Lage, ei ^¬ ne Gesamtprognose 209 zu bestimmen und zu lernen, unter wel- chen Bedingungen welche Prognose die höchste Wahrscheinlichkeit besitzt.

Obwohl die Erfindung im Detail durch das bevorzugte Ausführungsbeispiel näher illustriert und beschrieben wurde, so ist die Erfindung nicht durch die offenbarten Beispiele einge ^¬ schränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen .