A fotovoltaikus rendszerek

termelésének előrejelzése

Békési Bálint, Bessenyei Tamás

ESZK, energetikai mérnök hallgató, BSc
KLENEN konferencia, 2023.03.09.
Előadás tartalma

Miért kell ezzel foglalkozni?

Termeléselőrejelzés időtávlatai, módszerei

Háztartási méretű kiserőművek modelljei

MAVIR Zrt. HMKE projekt

2
Miért fontos téma a HMKE-k termelésbecslése?

● Teljesítményüket nehéz előrejelezni

o Időjárásfüggésük

o Különböző elhelyezkedésük

o Különböző tájolásuk miatt

● Dinamikus, nagy mértékű elterjedés az elmúlt évtizedben

● Beépített teljesítményük (1,4 GW) összemérhető a
konvencionális nagyerőművekével – igen jelentős szerep
● Pontosabb előrejelzés – pontosabb menetrend

3
 Hosszútáv
1 hónap – 1 év
Beépített kapacitás
Forrás- és hálózatfejlesztés
Energiapiaci folyamatok, portfólió
optimalizálás
Középtáv
Néhány nap – 1 hónap
Karbantartás
Kötelezettségvállalási döntések

Időtávlatok

Rövidtáv Ultrarövidtáv
1 másodperc – 1 óra
1 óra – néhány nap
Feszültségszabályozás KÖF és KIF
Hálózatbiztonsági számítások
hálózaton
Rendszerszintű tartaléktervezés
DA és ID menetrendek elkészítése Rendszerstabilitási, teherelosztási
vizsgálatok 4
Előrejelzési modellek, módszerek

● 4 elterjedt modell
○ Fizikai
○ Statisztikai
○ Gépi tanuláson alapuló
○ Hibrid

5
Fizikai modell

● Fizikai paraméterek alapján történik a becslés

○ Tájolás, dőlésszög
○ Sugárzás intenzitás, hőmérséklet
○ DC oldali veszteség, inverter hatásfok

● Nehéz mérni, sok kombináció, sok adat, sok számítás

● Napelemparkok – azonos jellemzők
● Numerical Weather Prediction – hő- és áramlástani egyenlet
● Égkamerák
● Ultrarövidtáv
6
Statisztikai modell

● A múlt segítségével következtetünk a jövőre

● Összefüggések keresése
● Sok különböző változóval is könnyű dolgozni
● Időközben beépített egységeket nem veszi figyelembe
● Idősoros előrejelzés, regresszió számítás

7
Gépi tanuláson alapuló modell

● Statisztikaihoz hasonló
● A gép keresi az összefüggéseket
● Pontosabb becslés
● Nagy memória és számítási kapacitást igényel
● Neurális hálók, Support Vector Machine, Extreme Learning
Machine

8
Hibrid modell

● Előzőek kombinációja
● Pontosabb becslést kapunk
● De nagyobb számítási kapacitást igényel
● Pl.: Fizikai modellt kiegészítjük gépi tanuláson alapulóval

9
MAVIR projekt

● Jelenleg fizikai modell alapján becsülnek

● Ezt egészítenék ki gépi tanuláson alapulóval
● Jelenleg 170 ezer HMKE egység, további növekedés a cél
● Nagyobb beépítettség, nagyobb kiegyenlítetlenség
● Fel- és leszabályozások száma és mértéke is növekedett
● Cél: ezt a kiegyenlítetlenséget csökkenteni

10
11
Közel valós idejű modell

● Probléma: a mérőórák csak a termelés és fogyasztás eredőjét mérik

● Pontos adatot csak az inverterből kapunk – MAVIR erre nem lát rá
● Megoldás: néhányból következtetünk az egész ország termelésére
○ 10.000 db, 60 MW beépített teljesítményű inverter
○ Egyenletesen, járásonként elosztva
○ 5 percenként frissülő adatok

● Extrapoláció segítségével következtetnek

● 15-20% körüli lefedettség esetén már viszonylag jó közelítést kapunk

12
Néhány órára előretekintő becslés

● Fizikai modell, lineáris, determinisztikus becslés

○ Ehhez kellenek időjárási adatok
○ 6 óránként küldi az OMSZ
○ Ezen intervallumon belül kell becslést végezni

● Gépi tanulás bevezetése a cél

● Felhasználás: ODSZ, üzemelőkészítők – kiegyenlítő szabályozási
folyamatok optimalizálása – pénz és CO2 spórolás
● Pontosabb becslés – nagyobb penetráció

13
Köszönöm a figyelmet!

Békési Bálint, Bessenyei Tamás

ESZK, energetikai mérnök hallgató, BSc
KLENEN konferencia, 2023.03.09.
bekesi.balint@eszk.org