Globálsugárzás előrejelzések utófeldolgozása gépi tanulás segítségével
Magyarország időjárását számtalan tényező befolyásolja, többek között a Napból érkező sugárzási mennyiség, a Kárpát-medence domborzati viszonyai vagy a légtömegek nedvességtartalma. A földrajzi szélesség és a légkör elnyelési tulajdonságai, ezen belül a felhőzet mennyisége nagyban meghatározza a besugárzás területi eloszlását. Mivel Magyarország viszonylag kis területi kiterjedéssel rendelkezik, a földrajzi szélesség hatása kevésbé érvényesül, a döntő szerepet a felhőzet játssza.
A napenergia előrejelzés pontossága rendkívül fontos a villamosenergia-hálózatot tekintve. Az egyre több beépített naperőmű kapacitás nagy kihívást jelent a hálózatnak, és a naperőművek telepítése még inkább népszerűvé válik mind a lakossági, mind pedig az ipari oldalt tekintve. A naperőművek okozta hálózati ingadozást tartalék erőművekkel kell kompenzálni, hiszen elsődleges szempont az ellátásbiztonság. A kiegyenlítő energia meglehetősen drága, azonban az előrejelzések által ezek a költségek csökkenthetőek. A napenergia előrejelzés a napsugárzás előrejelzésen keresztül történik. Pontosabb napsugárzás előrejelzéseket pedig különböző utófeldolgozási módszerek segítségével érhetünk el.
A szélsőséges időjárási események, mint például az elhúzódó hőhullámok vagy a hideg időszakok megváltoztathatják a fogyasztási szokásokat és befolyásolják a termelési kapacitásokat is. A korai előrejelzések lehetővé tennék a szélsőséges időjárásokra való felkészülést, ezáltal akár a villamosenergia-rendszer túlterhelődése is elkerülhető lenne.
A sugárzás előrejelzések legelterjedtebb módja a numerikus módszerek alkalmazása. Ezek az előrejelzések rendszerint szisztematikus hibával terheltek, amik azonban az utófeldolgozással csökkenthetőek. A dolgozatomban kétféle numerikus előrejelző modell adatait, az AROME és az ECMWF modellből származó globálsugárzás előrejelzéseket, illetve az Országos Meteorológiai Szolgálat Pestszentlőrincen található központi obszervatóriumából származó megfigyelési adatokat vizsgáltam. A kutatásom során többféle regressziós módszert használtam a gépi tanulás által, amelyeken belül különböző prediktorkombinációkat alkottam meg, ezáltal próbáltam minél több lehetőséget tanulmányozni.
A dolgozatom végén egy egységes verifikáció alapján kielemeztem az előrejelzések jóságát. A kapott 5 érték, melyek az átlagos torzítási hiba, az átlagos abszolút hiba, az átlagos négyzetes hiba négyzetgyöke, a korrelációs tényező és a varianciák aránya alapján könnyedén össze tudtam hasonlítani az eredményeket.
A dolgozatom lezárásaként pedig a kiértékelés segítségével kiválasztottam a lepontosabb módszert, mely a kutatásom szerint a legjobb előrejelzést adta.
szerző
-
Soós Viktória
Energetikai mérnöki alapszak (BSc)
alapképzés (BA/BSc)
konzulens
-
Dr. Mayer Martin János
adjunktus, Energetikai Gépek és Rendszerek Tanszék
