Regisztráció és bejelentkezés

Rövidtávú kiegyenlítetlenség előrejelzés gépi tanulással proaktív mFRR szabályozás céljából

Markovics Dávid MSc I. évf.,

Konzulensek:

Dr. Mayer Martin János, Energetikai Gépek és Rendszerek Tanszék, e-mail: mayer@energia.bme.hu,

Bessenyei Tamás, Magyar Villamosenergia-ipari Átviteli Rendszerirányító Zrt., bessenyeit@mavir.hu

Az elmúlt években az európai villamosenergia rendszer összekapcsolással párhuzamosan a kiegyenlítőenergia piacok is jelentős átalakuláson mentek keresztül, amely folyamat jelenleg is tart hazánkban, illetve az együttműködő országokban. Az átalakulás első lépése a hagyományos primer, szekunder és tercier tartalék fogalmak leváltása volt az új, egységes rendszerszintű szolgáltatási termék típusokra (FCR, aFRR, mFRR, RR) [1]. Ezek implementálása hosszabb távon a kiegyenlítőenergia szolgáltatások európai szintű harmonizálásának lehetőségét célozta meg, amelyért 2017-től kezdve aFRR esetén a PICASSO, míg az mFRR termékre a MARI projekt felelős. Ezen kereskedési platformok jelenleg előkészítés alatt állnak, mind az ENTSO-E, mind a résztvevő országok TSO-i részéről és várhatóan 2022 Q3-ban indul majd el az éles üzemük [2].

Jelen dolgozat fő problémafelvetése ehhez a felkészüléshez kapcsolódik; lényegében egy szemléletváltás lehetőségének vizsgálata, a jelenleg alkalmazott reaktív jellegű mFRR aktiválás átalakítása proaktívra [3], amely az eddigi jellemző szempontok (alacsony rendelkezésre álló forgó tartalék, erőművi kiesés) mellett gazdasági és egyéb rendszeroptimalizációs megfontolásokra ad lehetőséget. Ehhez a proaktív magatartáshoz szükség van kiegyenlítettlenség előrejelzésre, amely feltáró lehetőségelemzése képzi a dokumentum tartalmi részét.

Az elemzés első részében a rendelkezésre álló adatokat vizsgáltam különböző tanuló algoritmusok alkalmazásával, a magyarázó változók lehető legjobb kombinációját keresve, illetve páthuzamosan a modellválasztást előkészítve. A dolgozat második felében egy tesztkörnyezetet hoztam létre, amelyben Gradient Boosting alapú kvantilis regresszióval meghatározott kiegyenlítettlenség előrejelzésből, az adott időpontra vonatkozó változtatható kritériummal bíró aktiválási protokollal szimuláltam a MARI platformnak megfelelő termékdefiníciókkal elérhető mFRR szolgáltatásokat a tesztidőszakban. A vizsgálat fő eredményeihez használt kimutatások a medián becslések átlagos hibái, a konfidencia intervallum valós pontossága, a tesztidőszakban proaktívan aktivált mFRR szabályozás, annak aránya a teljes kiegyenlítettlenséghez, valamint az okozott keresztszabályozás mértéke. Ezek az eredmények különböző konfidenciaszint, illetve aktiválási kritérium mellett kerülnek bemutatásra a dolgozatban, a többszöri újratanítás hatását is kiemelve.

Irodalom:

[1] ENTSO-E (European Network of, Transmission System Operators, and for Electricity), “An overview of the European balancing market and electricity balancing guideline,” Nov. 2018, Accessed: Sep. 18, 2021. [Online]. Available: https://eepublicdownloads.entsoe.eu/clean-documents/Network%20codes%20documents/NC%20EB/entso-e_balancing_in%20_europe_report_Nov2018_web.pdf

[2] ENTSO-E, “mFRR-Platform Accession roadmap (2nd Update of Accession Roadmap),” Apr. 2021.

[3] ENTSO-E, “Explanatory document to all TSOs’ proposal for the implementation framework for a European platform for the exchange of balancing energy from frequency restoration reserves with manual activation in accordance with Article 20 of Commission Regulation (EU) 2017/2195 establishing a guideline on electricity balancing ,” Dec. 2018. Accessed: Sep. 26, 2021. [Online]. Available: https://eepublicdownloads.entsoe.eu/clean-documents/nc-tasks/EBGL/EBGL_A20_181218_ALL%20TSOs%20proposal_mFRRIF_explanatory_document_for%20submission.pdf?Web=0

szerző

  • Markovics Dávid
    Energetikai mérnöki mesterképzési szak
    mesterképzés (MA/MSc)

konzulens

  • Dr. Mayer Martin János
    tanársegéd, Energetikai Gépek és Rendszerek Tanszék

helyezés

I. helyezett