Zonneprognose: natuurkunde of machine learning?

Zoek je op “opbrengstprognose zonnepanelen”, dan vind je tientallen apps en diensten. Ze beloven allemaal nauwkeurige voorspellingen. Maar onder de motorkap gebruiken ze fundamenteel verschillende methoden, en die methode bepaalt wanneer de prognose werkt, wanneer hij faalt en wat hij van jou nodig heeft.

De twee kampen zijn modelleren op basis van natuurkunde en machine learning (ML). Het zijn niet zomaar verschillende gereedschappen voor hetzelfde werk. Ze denken verschillend over het probleem.

De ML-aanpak: leren van de geschiedenis

Een ML-prognose werkt zo: je voedt het model met maanden aan historische opbrengstdata van jouw installatie, naast de bijbehorende weerdata. Het model vindt statistische patronen: “toen de temperatuur X was, de bewolking Y en de wind Z, leverde deze installatie W watt.”

Hoe meer data je geeft, hoe beter het model de eigenaardigheden van je installatie leert: specifieke schaduwpatronen, gedrag van de omvormer, vervuiling, kabelverliezen. Met genoeg geschiedenis kan het effecten impliciet vastleggen die lastig expliciet te modelleren zijn.

Dat klinkt krachtig, en dat is het ook, met twee belangrijke kanttekeningen.

Kanttekening één: het koudestartprobleem. Een nieuwe installatie heeft geen geschiedenis. Het model kan niet leren wat het nooit heeft gezien. De meeste ML-prognoses hebben 2-6 maanden data nodig voordat ze betrouwbaar worden. In die periode, juist wanneer je een prognose het hardst nodig hebt omdat je je systeem nog leert kennen, krijg je niets bruikbaars.

Kanttekening twee: distributieverschuiving. ML-modellen gaan ervan uit dat de toekomst op het verleden lijkt. Veranderen de omstandigheden op een manier die het model niet kent, dan extrapoleert het slecht. Een uitzonderlijke lentesneeuwbui, een ongewoon heldere winterweek of een nieuw gebouw dat ‘s middags schaduw werpt: precies de momenten waarop je een nauwkeurige prognose wilt, en precies wanneer ML er het slechtst op is toegerust.

De natuurkundige aanpak: modelleren vanaf de basisprincipes

Een prognose op basis van natuurkunde werkt anders. In plaats van statistische verbanden te leren, simuleert ze het fysieke proces dat van zonlicht elektriciteit maakt.

De keten ziet er zo uit: begin met de positie van de zon (berekend met astronomie), modelleer hoe zonnestraling door de atmosfeer gaat (verstrooiing, absorptie, demping door wolken), splits het resultaat in directe en diffuse componenten, transponeer die naar het schuine paneeloppervlak, bereken de celtemperatuur en pas de fotovoltaïsche omzetting toe met temperatuurcorrectie.

Elke stap gebruikt gevestigde natuurkundige vergelijkingen. Het Perez- of Hay-Davies-transpositiemodel. Beer-Lambert-transmissie door de atmosfeer. Het eendiodemodel voor pv-cellen. Dat zijn geen gokjes of benaderingen: het zijn dezelfde vergelijkingen die zonne-energie-ingenieurs gebruiken om zonneparken te ontwerpen.

Het model heeft maar drie gegevens van jou nodig: hellingshoek, azimut en nominaal vermogen. Samen met je locatie (voor de zonnebaan) en een weersverwachting (voor de atmosferische omstandigheden) berekent het de verwachte opbrengst vanaf nul.

Waar elke aanpak sterk in is

ML is beter wanneer:

Je jarenlang schone opbrengstdata hebt en de omstandigheden stabiel zijn. Het model heeft elk weerpatroon van jouw locatie gezien. Er is niets aan je installatie veranderd. In dat geval kan ML micro-effecten impliciet vastleggen (gedeeltelijke schaduw om 3 uur ‘s middags in december, clipping van de omvormer op het hoogtepunt) die een natuurkundig model alleen met expliciete configuratie aankan.

ML is ook sterk in voorspellingen op heel korte termijn (minuten tot uren vooruit) met opbrengstdata in real time als invoer. Leveren je panelen nu 3,2 kW en is de lucht helder, dan kan een ML-model het volgende uur vrij goed extrapoleren zonder te begrijpen waarom.

Natuurkunde is beter wanneer:

Je een nieuwe installatie hebt. Je iets hebt veranderd (panelen erbij, nieuwe schaduw). De omstandigheden ongewoon zijn. Je een prognose nodig hebt voor een locatie of klimaat dat het model nooit heeft gezien. Je de vorm van de curve per uur wilt, niet alleen dagtotalen. Je niet maandenlang opbrengstdata met een derde partij wilt delen.

Natuurkundige modellen zijn ook transparanter. Klopt de prognose niet, dan kun je nagaan waarom: was de weersverwachting fout? Was het temperatuurmodel onnauwkeurig? Was de decompositie van de instraling fout? Bij ML zijn fouten ondoorzichtig: het model zat ernaast omdat het model ernaast zat.

De hybride mogelijkheid

De sterkste aanpak combineert beide. Gebruik natuurkunde als fundament: dat geeft het structurele inzicht in hoe zonlicht elektriciteit wordt. Gebruik daarna ML om te kalibreren: overschat het natuurkundige model voor jouw installatie steevast met 5%, dan kan een dunne ML-laag die correctie leren.

Zo krijg je het voordeel van natuurkunde bij een koude start (werkt vanaf dag één) met het vermogen van ML om zich in de loop van de tijd aan te passen aan installatiespecifieke effecten.

Volcast begint met natuurkunde. Vanaf je eerste prognose draait het model de volledige natuurkundige simulatieketen. Het hoeft niet te zien wat je panelen vorige maand deden om te voorspellen wat ze morgen doen. De wetten van de natuurkunde hebben geen trainingsperiode.

De vraag naar nauwkeurigheid

Mensen vragen vaak: “Welke is nauwkeuriger?” Het eerlijke antwoord is dat het afhangt van de tijdshorizon en van wat je met nauwkeurigheid bedoelt.

Bij prognoses voor de volgende dag worden beide aanpakken vooral beperkt door de onzekerheid van de weersverwachting, niet door het pv-model. Of je nu natuurkunde of ML gebruikt: zegt de weersverwachting “helder” en het regent, dan klopt je opbrengstprognose niet. De modelaanpak doet er minder toe dan de kwaliteit van de weerinvoer.

Voor de vorm van de curve per uur wint natuurkunde meestal. Ze modelleert de ochtendstijging, de piek rond het zonnige middaguur en de avonddaling correct op basis van meetkunde. ML kan die vorm leren, maar moet genoeg dagen zien om seizoensvariatie vast te leggen.

Voor schattingen van de energieopbrengst op lange termijn is natuurkunde robuuster, omdat ze zich niet overfit aan de weerpatronen van één bepaalde periode.

Voor nowcasting (de komende 15-60 minuten) wint ML met invoerdata in real time meestal, omdat het sneller op de actuele omstandigheden kan reageren dan een natuurkundig model dat draait op weerupdates om de 6 uur.

De echte vraag is niet “welke is nauwkeuriger” maar “welke geeft me een bruikbare prognose met wat ik nu heb”. Heb je jarenlange data en een stabiele installatie, dan kan ML uitstekend zijn. Begin je vers of wil je transparantie, dan is natuurkunde het juiste fundament.

Waarom dit voor jou uitmaakt

Als eigenaar van zonnepanelen bepaalt de aanpak van je prognosetool je ervaring op concrete manieren.

Met een tool op basis van natuurkunde heb je op dag één een werkende prognose. Je hoeft niet te wachten. Je hoeft geen data uit het portaal van je omvormer te exporteren. Je hoeft een derde partij je opbrengstgeschiedenis niet toe te vertrouwen.

Je krijgt ook een prognose waarover je kunt redeneren. Zegt de prognose morgen 25 kWh en haal je maar 18 kWh, dan kun je controleren: was het weer anders dan voorspeld? Was er onverwachte schaduw? Het natuurkundige model geeft je een kader om het verschil te begrijpen.

Dat is het soort prognose dat Volcast biedt. In de volgende artikelen duiken we dieper in elke stap van de natuurkundige simulatieketen.