Machine Learning für die Agri-Photovoltaik
-
© stud. Projekt
Wie viel Licht bleibt für die Pflanzen?
Machine Learning für die Agri-Photovoltaik
Von der Globalstrahlung zur photosynthetisch aktiven Strahlung – drei Modellansätze im ehrlichen Vergleich
Das Problem. Agri-Photovoltaik-Anlagen ermöglichen es, auf derselben Fläche gleichzeitig Landwirtschaft zu betreiben und
Solarstrom zu erzeugen. Die Solarmodule werfen jedoch Schatten und verändern die Lichtverhältnisse für die Pflanzen darunter. Für das Pflanzenwachstum entscheidend ist dabei nicht die gesamte Sonneneinstrahlung (GHI), sondern nur deren photosynthetisch aktiver Anteil (PAR, 400–700 nm).
Die Herausforderung. PAR wird nur selten direkt gemessen, da die nötigen Sensoren teuer und wartungsintensiv sind. GHI hingegen erfasst praktisch jede Solaranlage ohnehin. Bislang schätzt man PAR meist mit einer festen physikalischen Faustformel (PAR ≈ 2,06 × GHI) – unabhängig von Bewölkung, Luftfeuchtigkeit oder Sonnenstand, die das tatsächliche Verhältnis stark beeinflussen.
Unser Ansatz. Im Team haben wir drei unabhängige Machine-Learning-Modelle entwickelt, die PAR aus GHI und Wetterdaten vorhersagen: XGBoost (Mahdi), Random Forest (Ethan) und ein Neuronales Netz (Tristan). Datenbasis sind rund 17,8 Millionen Sekundenmessungen zweier Wetterstationen in Ostdeutschland über mehr als ein Jahr. Nach sorgfältiger Datenbereinigung und Merkmalsableitung (u. a. Sonnenstand und Klarheitsindex über die Bibliothek pvlib) wurde jedes Modell so trainiert und getestet, dass ausschließlich vollständig unbekannte Kalendertage zur Bewertung dienten – eine wesentliche Voraussetzung für eine ehrliche Einschätzung der Modellgüte.
Ergebnis. Insgesamt liegen unsere Modelle und die Baseline (bei uns PAR = GHI × 2,06) nah beieinander: Je nach Modell und Gütemaß ist mal die Baseline, mal das Modell im Vorteil. Die R²-Werte der drei Modelle und der Baseline sind sehr ähnlich; Unterschiede zeigen sich eher in den Fehlermaßen wie MAE und RMSE. Gut zu wissen: Das beste R² unserer Modelle liegt bei 0,9896, das beste R² der Baseline bei 0,9851.
Nutzen. Landwirt:innen können den Lichtverlust unter Modulen vor dem Bau abschätzen, Planer:innen den Modulabstand ertragsschonend gestalten und Forschende PAR-Zeitreihen auch für Standorte ohne eigenen PAR-Sensor rekonstruieren.
