Különböző gépi tanulási algoritmusok optimalizálása és összehasonlítása napelemparkok statisztikai alapú termelés előrejelzésére
A fotovoltaikus (PV) energiatermelés világszerte intenzíven fejlődik, egyre nagyobb részesedést vállal a villamosenergia termelésből. A klímavédelmi célok megvalósításában a hazai Nemzeti Energiastratégiában is jelentős és egyre erősebb szereppel bír ez a technológia, így igen aktuális, erősen kutatott téma [1] az időjárásfüggő tulajdonságából adódó stochasztikus termelésingadozások csökkentése, kiegyensúlyozása az ellátásbiztonság veszélyeztetése nélkül.
A kutatás során a termelés előrejelzési módszerek közül a statisztikai alapú, gépi tanulási algoritmusokat vizsgáltam, illetve egy saját eljárást készítettem, amelyek az OMSZ-től kapott 2019-es negyedórás sugárzás, hőmérséklet, szélsebesség adatok alapján adnak becslést az MVM egy alföldi 500 kW alatti napelemparkjának day-ahead és intraday termelésére. Az adatsorból a karbantartási, illetve éjjeli negyedórákat eltávolítva dolgoztam. Matlab-ban készítettem saját eljárást, amely hasonló pontokat keres adatsor azonos naptári időszakában, és ezeket átlagolva ad becslést, valamint a Python scikit learn könyvtárának beépített algoritmusait (LR, DT, SVM, k-NN, ABR, GBR, MLP) optimalizáltam, illetve ezekből a módszerekből további vegyes eljárásokat készítettem. Ezek eredményeit vizsgáltam, Továbbá bevezettem olyan mérőszámokat, amelyek segítségével tiszta és felhős napokra bontva külön betanított algoritmussal lehet jósolni.
A kiértékelés és összehasonlítás kérdése jelenleg egy erősen kutatott terület. Alapvetően nem létezik olyan széles körben elfogadott verifikációs rendszer, amely lehetővé tenné különböző típusú, elhelyezkedésű és méretű napelemparkok más-más szolgáltatótól szerzett előrejelzések alapján történő menetrendezés összehasonlítását [2]. Ennek tükrében az egyes eljárások egymáshoz képesti relatív jóságát vizsgáltam. Maga a hibaszámítás sem egyértelmű, hiszen a rendszerirányító főleg mérlegköri szinten értékeli a napelemparkokat, míg a tulajdonosok a havonta befizetendő kiegyenlítő energia pótdíj számláját szeretnék csökkenteni. Utóbbi elszámolási rendszere igen komplex, a sok változó miatt nem képezhető belőle explicit képlet a fizikailag mérhető eltérések általános értékelésére. Ebben a helyzetben két statisztikai módszer mentén vizsgáltam pontosságot, az átlagos abszolút hiba és a négyzetes hibák átlagos termelésre fajlagosított eredménye alapján.
A legjobb négy algoritmusnak az SVM, MLP, GBR és a k-NN adódott. A hibák csökkenthetőek tiszta és felhős időre való szeparálással, illetve a vizsgált negyedóra környezetében lévő adatok prediktorként való használatával. A különböző eljárások eredményeinek átlagolásával javítható az előrejelzés, azonban minkét hibaszámítás alapján legjobb módszert nem találtam, rendre Pareto jellegű görbéket tapasztaltam az ötvözéssel.
A területen egyértelműen sok lehetőség van még kutatásokra, az eljárások tovább fejleszthetőek, a legnagyobb potenciál az időhorizont csökkentésében és az értékelési elvek egyszerűsítésében, a célok rögzítésében vannak véleményem szerint.
Irodalom:
1. J. Antonanzas, N. Osorio, R. Escoba, R. Urraca, F.J. Martinez-de-Pison, F. Antonanzas-Torres (2016): Review of photovoltaic power forecasting. Solar Energy 2016
2. Dazhi Yang: Verification of deterministic solar forecasts. Solar Energy 2020
szerző
-
Markovics Dávid
Energetikai mérnöki alapszak (BSc)
alapképzés (BA/BSc)
konzulens
-
Dr. Mayer Martin János
adjunktus, Energetikai Gépek és Rendszerek Tanszék
