Kutatás

A sugárzás villamos teljesítménnyé alakítása fizikai úton egy modellsoron keresztül történik. A globálsugárzás összetevőkre bontása, a sugárzás modulsíkra vetítése, a tükröződési veszteségek, a modulhőmérséklet, a modul villamos működése, az árnyékolás és az inverter viselkedése egymás után következik, és minden lépéshez több publikált modell áll rendelkezésre. A lehetséges kombinációk száma így ezres nagyságrendű, és sokáig nem volt tisztázott, melyik választás mennyit nyom a latban. Egy korai munkánkban ezt számoltuk végig módszeresen, és az eredmény a terület egyik legtöbbet idézett viszonyítási alapja lett.

A másik megközelítés a gépi tanulás, amely a fizikai összefüggések explicit leírása helyett múltbeli adatokból tanulja meg az időjárási változók és a termelés kapcsolatát. Módszeres összehasonlításunkban huszonnégy gépi tanulási modellt vetettünk össze azonos adatokon, azonos verifikációs feltételek mellett. Azóta a tanuló adat hosszának hatását is megvizsgáltuk, és egységes keretben hasonlítottuk össze a mélytanuló és a klasszikus gépi tanulási modelleket. A két megközelítés azonban nem egymás alternatívája. Kimutattuk, hogy a legjobb pontosságot a hibridizáció adja, amelyben a fizikai modell részeredményei a gépi tanulási modell prediktoraivá válnak: a fizikai leírás elvégzi azt, amit megbízhatóan tud, a tanuló modell pedig azt korrigálja, amit a fizikai modell nem fed le.

Ehhez az irányhoz tartoznak azok a részletkérdések is, amelyek elsőre másodlagosnak tűnnek, mégis mérhetően befolyásolják az eredményt: a napelemtáblák dőlésszöge és sortávolsága, az inverter méretezése, az árnyékolási veszteségek, valamint az, hogy mennyire pontosan ismertek egyáltalán az erőmű műszaki adatai. Ezekről önálló vizsgálatokat végeztünk. A modellezés kérdéseit nemzetközi együttműködésben egy összefoglaló tanulmányban is rendszereztük, a regressziós közelítésektől a modellsorokon át a hibridizációig és a valószínűségi kiterjesztésekig.

Egy erőmű üzemeltetője a másnapi termelésre ad be ajánlatot a piacon. Ha az előrejelzés egyetlen érték, akkor nem tudja, hogy nyugodt, derült napra készül-e, amikor a becslés néhány százalékon belül pontos lesz, vagy változékony frontátvonulásra, amikor az eltérés ennek sokszorosa is lehet. A két esetben eltérő ajánlati stratégia, tartalékméretezés vagy akkumulátor-menetrend lehet optimális. A valószínűségi előrejelzés erre ad választ: a várható termelés mellett annak eloszlását is megadja.

A valószínűségi előrejelzések alapja az ensemble időjárás-előrejelzés, amelyben a meteorológiai modellt nem egyszer, hanem több tucatszor futtatják kissé eltérő kezdeti feltételekkel, és a kapott előrejelzések szórása jelzi a bizonytalanságot. Ezt az elvet kiterjesztettük a napelemes modellezésre is: ugyanazt az időjárás-előrejelzést sokféle modellsoron vezettük végig, majd a kétféle bizonytalanságforrást egyetlen közös keretben kezeltük. Ez a modellsor ensemble a csoport saját fejlesztésű megközelítése.

A nyers ensemble azonban rendszerint túl magabiztos: a tényleges hibák szórása nagyobb annál, mint amit a tagok eltérése jelez, ezért statisztikai utófeldolgozásra van szükség. A legalkalmasabb modell megtalálása érdekében összehasonlítottuk az eloszlás- és kvantilisalapú kalibrálási eljárásokat napelemes ensemble előrejelzéseken, és külön vizsgáltuk azt is, mely bemeneti változók javítják ténylegesen az utófeldolgozás eredményét. Azt is megnéztük, hogyan hasznosítható az ensemble információtartalma akkor, amikor a végeredménynek egyetlen determinisztikus előrejelzésnek kell lennie. Az eljárásokat nemcsak az átlagos pontosság, hanem a megbízhatóság és az élesség szempontjából is értékeljük, átfogóbb képet kapva az előrejelzés jóságáról.

Egy előrejelzés jóságát rendszerint az átlagos eltéréssel mérjük. Ez kényelmes, mert egyetlen számot ad, és bármely két módszert összehasonlíthatóvá tesz. A felhasználót azonban nem az átlagos eltérés érdekli, hanem a kiegyenlítő energia költsége, az elmaradt piaci bevétel vagy egy rosszul ütemezett akkumulátor vesztesége. Eredményeink szerint a két szempont nem esik egybe: a legkisebb hibájú előrejelzés nem mindig a leghasznosabb.

A kérdés egyik fele módszertani. Megmutattuk, hogy a hibamutatók értelmezése sem magától értetődő, és különböző hibamutatók eltérő előrejelzéseket rangsorolnak legjobbként. Kimutattuk azt is, hogy az utófeldolgozás elhelyezése a számítási láncban, vagyis hogy a sugárzásra vagy már a teljesítményre alkalmazzuk, érdemben megváltoztatja az eredményt, és hogy a kalibrálás a verifikáció következtetéseit is átrendezi.

A kérdés másik fele gazdasági. Valós piaci árakon számoltuk ki üzemi napelemes előrejelzések tényleges költségét a másnapi piacon, összekapcsolva a pontossági és a gazdasági értékelést, és külön is összevetettük a különböző módon készített előrejelzések hibáinak költségét. Ezekből az elemzésekből az is látszik, hogy a költségek nem egyenletesen oszlanak el az évben: a kiegyenlítő költség jelentős része néhány olyan időszakban keletkezik, amikor rendszerszinten is jelentősek az eredő hibák és szűkösek a tartalékok. Egy előrejelzés valódi hasznossága ezért nagyrészt azon múlik, mennyire pontos ezekben az időszakokban.

A numerikus időjárás-előrejelző modellek néhány órától két hétig terjedő időtávon teljesítenek jól, a legközelebbi órákra azonban nem: több óra is eltelik, mire a friss mérésekből előrejelzés készül. Márpedig éppen a néhány órás időtáv az, amin a napon belüli piacok működnek, vagy épp egy akkumulátor menetrendjéről dönteni kell. A műholdkép ezt a rést tudja betölteni, mert a felhőzet állapotáról rendszeres időközönként készített felvétel kis késleltéssel építhető be az előrejelzésbe.

Fejlesztéseink jelenleg doktori kutatás keretében folynak, három irányban. Az első a jövőbeli felhőképek becslése a korábbi felvételekből U-Net alapú mélytanuló hálózattal, amellyel a felhők mozgása a hagyományos elmozdulásvektor-alapú módszereknél pontosabban jelezhető előre. A második a napelemparkok termelésének becslése műholdadatokból. A harmadik a háztartási méretű napelemes termelés járási szintre összegzett meghatározása, amely a rendszerirányítás szempontjából jelentős, egyedileg nem mért termelést teszi követhetővé. Ezeket az eredményeket a közeljövőben konferenciákon mutatjuk be.

A folytatás a különböző forrásokból származó előrejelzések összekapcsolása, hiszen a műholdas, a numerikus modellen alapuló és a helyszíni mérésekre épülő becslések pontossága eltérően változik az előrejelzési időtávval. A numerikus modellek összehasonlításában azt is vizsgáltuk, mikor kerekedik felül a nagy felbontású, regionális modell a globálison. Másik fontos irány a műholdkép alapú becslések felhasználása különböző alkalmazásokban, például a hálózati kiegyenlítetlenség gépi tanuláson alapuló becslése során.

Ez a kérdés régóta foglalkoztat minket. Korábbi munkánkban háztartási méretű hibrid rendszerek optimalizálására dolgoztunk ki keretrendszert, amely a napelemet, a szélturbinát, a napkollektort, az akkumulátort, a hőtároló tartályt és a hőszigetelés vastagságát egyszerre méretezi, és a beruházási költség mellett a teljes életciklusra vetített környezeti hatást is célfüggvényként veszi figyelembe. Az eredmények szerint a gazdasági és a környezeti optimum jellemzően eltérő rendszerösszetételt jelent, a kettő közötti kompromisszum pedig számszerűsíthető.

Újabb munkánk azt vizsgálja, ami a szakirodalomban meglepően kevés figyelmet kapott: mennyit számít a fogyasztás időbeli lefutása. Mért adatokból származó, jellegzetes hazai háztartási profilokkal dolgoztunk, amelyek napi és éves menetükben egyaránt különböznek. Az azonos éves fogyasztás jelentősen eltérő megújuló kapacitásokat igényel attól függően, hogy mikorra esik. E különbség számszerűsítésén keresztül a fogyasztásoldali beavatkozások gazdasági értéke is levezethető. Az optimalizálást a teljes megújuló lefedettségen túl különböző megújuló részarányokra is elvégeztük, így az eredmény a végállapoton túl az odavezető utat is leírja.

Országos léptékben egy jövőbeli, magas megújuló részarányú villamosenergia-rendszer viselkedését is megvizsgáltuk gépi tanuláson alapuló valószínűségi modell segítségével. Folyamatban lévő munkánkban a zöld hidrogén előállítása és a villamosenergia-ellátás közötti egyensúlyt keressük hibrid megújuló rendszerekben. Hosszabb távú célunk, hogy a rendszermodellünket fokozatosan bővítsük további technológiákkal és a villamosenergia-szektoron túli energiaigényekkel.

A lítiumion-akkumulátor ma szinte szinonimája az energiatárolásnak, pedig nagy méretben más technológiák is versenyképesek. A nátrium-kén akkumulátor bőségesen elérhető alapanyagokból épül, viszont csak háromszáz fok fölött üzemel, mert elektródáinak olvadt állapotban kell lenniük. A vanádium redox áramlásos akkumulátor teljesítménye és kapacitása egymástól függetlenül méretezhető, ami hosszabb tárolási időkre előnyös. Mindkettőnek vannak olyan tulajdonságai, amelyek állandó hatásfokkal nem írhatók le, a rendszerszintű vizsgálatokban mégis rendszerint ez történik.

Mindkét technológiára részletes rendszermodellt építettünk. A vanádium redox áramlásos akkumulátor esetében azt vizsgáltuk, hogyan viselkedik a rendszer eltérő földrajzi és éghajlati körülmények között, míg a nátrium-kén akkumulátornál a hőtani és a villamos működés csatolt modellezésére helyeztük a hangsúlyt. Ezekre építve azt elemeztük, hogyan viselkednek ezek az akkumulátorok optimalizált menetrend szerinti működés során, vagyis a valós alkalmazáshoz közeli körülmények között. Ez a lépés azért lényeges, mert a részletes cellamodelleket a szakirodalomban gyakran önkényesen felvett terhelési profilokon vizsgálják, az eredmények így nem mindig emelhetők át a gyakorlati alkalmazásokba.

Kutatásunk másik iránya az üzemvitel optimalizálása, amelyben lineáris programozás segítségével a tároló töltését és kisütését az év minden órájára egyszerre optimalizáljuk. Megmutattuk azt is, hogy háztartási méretben a tároló vezérlése akkor a leghatékonyabb, ha a termelés és a fogyasztás előrejelzésére támaszkodik, összekötve tárolási munkánkat az előrejelzési kutatásunkkal. Az elektrokémiai tárolás mellett a hidrogénalapú tárolás lehetőségeivel is foglalkozunk, elsősorban rendszerszintű összefüggéseiben.

Kutatásunk egyik korai iránya az erőművek tervezésének optimalizálása volt. Genetikus algoritmussal határoztuk meg a szabadtéri napelemes erőművek gazdasági optimumát, majd a vizsgálatot kiterjesztettük a környezeti szempontokra: az ökotervezési munkánkban a beruházás és az életciklusra vetített környezetterhelés együttes, többcélú optimalizálásával mutattuk meg, hogy a két szempont eltérő optimális kialakításhoz vezet. Azt is vizsgáltuk, hogyan befolyásolja a tervezés eredményét a felhasznált meteorológiai adatok időbeli felbontása, rámutatva arra, hogy az órás átlagos sugárzási adatokon alapuló szimulációk könnyen a megtérülés túlbecsléséhez vezethetnek.

Az életciklus-elemzés azóta állandó eleme a rendszerszintű munkánknak. Ha egy megújuló rendszer csak jelentős túlméretezéssel és nagy tárolókapacitással képes folyamatos ellátást adni, akkor a környezeti előny kisebb lehet a vártnál, hiszen minden további beépített egység gyártása is terhelést jelent. Rendszermodelljeinkben ezért a költségek mellett a környezeti hatásokat is számszerűsítjük.

Ebből az irányból nyílik a következő kérdés, amelyen dolgozunk. Egy megújuló alapú rendszerben az ellátás költsége és környezeti terhelése nem azonos az év különböző szakaszaiban: a nyári délelőtti fogyasztás fedezése lényegében ingyenes, egy januári, szélcsendes esti órára viszont csak jelentős többletberuházással lehet felkészülni. E különbség megbízható számszerűsítése segíthet abban, hogy az energiahatékonysági beavatkozások és a támogatások oda kerüljenek, ahol a hozzáadott értékük a legnagyobb.