Forschung erneuerbare Energien: Wir gestalten die Zukunft
Wetter- und Klimavorhersage, Hochleistungs-Computing und maschinelles Lernen
Im europäischen Forschungs- und Entwicklungsprojekt Maelstrom setzt 4cast konsequent auf Innovationen in den Bereichen Machine Learning und High Performance Computing. Der Fokus liegt auf der Erhebung und Analyse von Wetterdaten, einschließlich der Generierung von Live-Daten aus Social Media. Mit drei richtungsweisenden Projekten leistet 4cast einen wertvollen Beitrag zur Energiewende und einer nachhaltigeren Energieerzeugung. Auf diese Weise treiben wir durch Forschung erneuerbare Energien entscheidend voran.
Mit Forschung erneuerbare Energien voranbringen – das ist nur möglich, wenn präzise Wetterdaten zur Verfügung stehen. Die Vorhersagekraft von Wettermodellen hängt dabei maßgeblich von der Qualität und Quantität der Wettermessungen zur Initialisierung ab. Ein innovativer Ansatz ist die Nutzung sozialer Medien als Bürgerwetterstationen, um die Wettervorhersagen zu verbessern.
In einer ersten explorativen Studie haben wir untersucht, ob sich Regenereignisse aus Tweets vorhersagen lassen. Hierfür wurde ein Klassifikator auf Basis der DeBERTa-Architektur entwickelt, der anhand des Textinhalts von Tweets analysiert, ob es am Ort und Zeitpunkt des Tweets „regnet“ oder „nicht regnet“. Das Modell wurde mit vortrainierten Gewichten initialisiert und speziell für diese Anwendung optimiert.
Unser bestes Modell erreichte einen F1-Score von 0,66 für die Minderheitenklasse (Regen) sowie einen AUC-Wert von 0,77. Solche innovativen Ansätze zeigen, wie Forschung erneuerbare Energien durch die Integration moderner Technologien und neuer Datenquellen voranbringen kann.
Als Großwetterlagen bezeichnet man großskalige Wetterstrukturen über Deutschland. Diese können Rückschlüsse auf das lokale Wetter erlauben und somit – so die Annahme – auch auf den Energieertrag von Wind- und Solarparks. Im Rahmen von Maelstrom erforschen wir genau diesen Sachverhalt und versuchen herauszufinden, ob uns Großwetterlagen dabei helfen, unsere Vorhersagen noch weiter zu verbessern.
High-Performance Computing ist eine großartige Möglichkeit, hochkomplexe Berechnungen in kürzester Zeit durchzuführen, damit Forschung erneuerbare Energien voran treibt und innovative Lösungen schneller entwickelt werden können. Allerdings ist der Zugang zu Supercomputern limitiert, und die Arbeitsschritte für Machine-Learning-Wissenschaftler sehr komplex und mühsam. Zusätzlich arbeiten Forscher der Wetter- und Klimaphysik mit extrem großen Datenmengen, deren Verarbeitung häufig den Flaschenhals in der Performance von Machine-Learning-Prozessen bildet.
Um diese Herausforderungen zu adressieren, entwickeln wir eine Online-Plattform, die es Nutzern ermöglicht, Machine-Learning-Projekte zu entwickeln und sich mit anderen darüber auszutauschen. Die Plattform bietet eine Übersicht über alle Schritte des Workflows: von der Datenverwaltung über den Code bis hin zu Experimenten und trainierten Modellen. Eine direkte Anbindung an die Schnittstellen von Supercomputern erlaubt es, Modelltraining und -anwendung, beispielsweise für präzise Vorhersagen, direkt aus dem Browser zu starten. Ergebnisse von Trainings oder Anwendungen erscheinen in Echtzeit auf der Plattform, was den gesamten Prozess beschleunigt und optimiert.
Dieser Ansatz zeigt, wie Forschung erneuerbare Energien fördern kann, indem sie den Zugang zu modernster Technologie vereinfacht und gleichzeitig die Effizienz von Machine-Learning-Prozessen steigert.
