Nieuwe installatie? Geen historische data nodig

Je zonnepanelen zijn net geïnstalleerd. De omvormer draait, de app toont de opbrengst in real time en je bent enthousiast. Je wilt weten: hoeveel leveren mijn panelen morgen? Kan ik mijn energieverbruik op de prognose afstemmen?

Gebruik je een prognosetool op basis van ML, dan is het antwoord: wacht. Kom over 2-3 maanden terug, als we genoeg data hebben om het gedrag van je installatie te leren.

Gebruik je een tool op basis van natuurkunde zoals Volcast, dan is het antwoord: nu meteen. Hier is de opbrengstcurve van morgen per uur.

Dit voordeel van de “koude start” is geen marketingclaim. Het volgt rechtstreeks uit hoe de twee aanpakken werken.

Waarom ML trainingsdata nodig heeft

Een machine-learningmodel is in de kern een patroonherkenner. Het leert verbanden tussen invoer (weersomstandigheden) en uitvoer (jouw opbrengst) door veel voorbeelden te bekijken. Zonder voorbeelden heeft het niets om mee te vergelijken.

Bedenk wat het model voor jouw specifieke installatie moet leren: hoeveel vermogen je bij heldere hemel op verschillende momenten van het jaar levert (waarin je paneeloriëntatie, hellingshoek en vaste schaduw verwerkt zitten). Hoe temperatuur jouw specifieke panelen beïnvloedt (afhankelijk van hun temperatuurcoëfficiënt, montagewijze en ventilatie). Hoe bewolking de opbrengst omlaag haalt (afhankelijk van je paneeloriëntatie en de typische wolkenpatronen op jouw locatie).

Elk daarvan vraagt data uit uiteenlopende omstandigheden. Om de seizoensvariatie te leren heeft het model idealiter een heel jaar nodig. Om het gedrag bij bewolking te leren heeft het tientallen bewolkte dagen nodig. Om temperatuureffecten vast te stellen heeft het zowel hete als koude dagen met vergelijkbare instraling nodig.

In de praktijk worden de meeste ML-modellen na 2-3 maanden “bruikbaar” en na 6-12 maanden “goed”. Daarvoor zijn ze niet beschikbaar of maken ze onderbouwde gokken op basis van vergelijkbare installaties in de buurt, wat zelf een vorm van natuurkundige benadering is, maar een ruwe.

Waarom natuurkunde geen geschiedenis nodig heeft

Een natuurkundig model leert het gedrag van je installatie niet uit waarneming. Het berekent het vanuit basisprincipes.

Met je hellingshoek weet het precies hoe de zonnestralen je panelen op elk moment van elke dag van het jaar treffen. Dat is meetkunde, geen statistiek.

Met je azimut weet het wanneer je panelen het meest direct naar de zon staan, wat de dagelijkse opbrengstcurve vormgeeft. Pure trigonometrie.

Met je nominale vermogen kent het de schaalfactor tussen instraling en elektrische output. Eén getal dat paneelrendement en oppervlakte samenvat.

Met je locatie berekent het de zonnebaan (astronomie), kiest het het juiste rasterpunt van het weermodel en past het atmosfeermodellen toe die zijn gekalibreerd op tientallen jaren aan metingen. Niet jouw data, maar de fundamentele atmosferische natuurkunde die overal op aarde geldt.

De temperatuurcoëfficiënt? Siliciumpanelen zitten dicht bij elkaar tussen -0,35% en -0,45% per °C. Met de typische waarde van -0,4% maak je op extreme temperatuurdagen hooguit 1-2% fout. Dat ligt onder de onzekerheid van de weersverwachting.

Rendement van de omvormer? Moderne omvormers werken over het grootste deel van hun vermogensbereik met 96-98% rendement. Met 97% ben je nauwkeurig genoeg voor een prognose.

Kabelverliezen? Meestal 1-3%, ruwweg constant. Ze schalen de output gelijkmatig zonder de vorm van de prognose te beïnvloeden.

Geen van deze gegevens vereist dat je naar je installatie kijkt. Het zijn fysieke eigenschappen die uit algemene kennis met voldoende nauwkeurigheid te schatten zijn voor een prognose.

De eerste dag

Dit gebeurt er als je Volcast op je eerste dag met zonnepanelen instelt:

Je voert drie getallen in: hellingshoek, azimut, nominaal vermogen. Je telefoon levert de locatie. Binnen enkele seconden draait het model de complete natuurkundige simulatie voor de prognose van morgen: berekening van de zonnestand, ophalen van weermodeldata, modellering van atmosferische straling, decompositie van de instraling, Perez-transpositie naar je schuine vlak, temperatuurcorrectie en schatting van de elektrische output.

Je ziet een opbrengstcurve per uur voor morgen. Die toont de ochtendstijging vanaf zonsopkomst, de piek rond het zonnige middaguur (verschoven door je azimut), de middagdaling en de geschatte dagopbrengst.

Is deze prognose perfect? Nee. Ze draagt alle onzekerheid van de onderliggende weersverwachting, vooral bij het voorspellen van bewolking. Maar ze is natuurkundig onderbouwd. De vorm van de curve klopt, want meetkunde liegt niet. De grootte is gekalibreerd op je nominale vermogen. De temperatuureffecten zijn gemodelleerd vanuit de thermodynamica.

Vergelijk dat met “wacht alsjeblieft 3 maanden”. Voor een nieuwe eigenaar die zijn systeem graag wil begrijpen, is die wachttijd een eeuwigheid.

Wanneer geschiedenis wél helpt

Dit betekent niet dat historische data nutteloos is. Draai je Volcast al 6 maanden en zie je dat de prognose steevast 8% te hoog uitkomt, dan zegt dat iets: misschien heb je schaduw waar geen rekening mee is gehouden, staan je panelen iets anders dan de opgegeven azimut, of begint je omvormer eerder te clippen (afkappen van het vermogen) dan het model aanneemt.

Het natuurkundige model levert de basis. Vergelijking met de geschiedenis levert de kalibratie. Samen zijn ze nauwkeuriger dan elk afzonderlijk.

Toekomstige versies van Volcast nemen deze zelfkalibratie mogelijk op, met je werkelijke opbrengstdata (als je ervoor kiest die te delen) om de parameters van het natuurkundige model bij te stellen. Maar het sleutelwoord is “bijstellen”. De natuurkunde brengt je op dag één 90-95% van de weg. Kalibratie slijpt de laatste procenten bij.

De bredere implicatie

Het voordeel van de koude start gaat niet alleen over gemak. Het heeft gevolgen voor het hele ecosysteem van zonneprognoses.

Toegankelijkheid: een prognose die meteen werkt, werkt voor iedereen, ook voor mensen die net panelen hebben, die van omvormerplatform zijn gewisseld of die gewoon niet met data exporteren en uploaden willen werken.

Privacy: een prognose op basis van natuurkunde heeft je opbrengstgeschiedenis niet nodig. De parameters van je installatie (hellingshoek, azimut, vermogen) zijn niet gevoelig: ze zijn zichtbaar op een satellietfoto van je dak. Je krijgt een prognose zonder je energieverbruikspatroon prijs te geven.

Veerkracht: verandert er iets, bijvoorbeeld je voegt panelen toe, een boom groeit of je omvormer wordt vervangen, dan past een natuurkundig model zich direct aan met bijgewerkte parameters. Een ML-model moet opnieuw leren, mogelijk helemaal vanaf nul.

Schaalbaarheid: een natuurkundig model kan met drie invoerwaarden een prognose maken voor elke locatie op aarde. Je hoeft niet voor elke nieuwe installatie, regio of elk nieuw land trainingsdata te verzamelen.

Daarom koos Volcast voor natuurkunde als uitgangspunt. De wetten van de thermodynamica, optica en halfgeleiderfysica hebben geen trainingsperiode nodig. Ze werken vanaf dag één, overal, voor elke installatie.

Drie getallen. Geen geschiedenis. Nauwkeurig vanaf de eerste prognose.