Fotovillamos termelésbecslés támogatása mélyneurális háló és hagyományos képfeldolgozási módszerek kombinálásával
Magyarországon egyre elterjedtebbek az időjárásfüggő megújuló energiatermelők (elsősorban a fotovillamos rendszerek), melyek változékony teljesítményleadása nagyban megnehezíti a villamosenergia szolgáltatók számára a szolgáltatásminőség megfelelő szinten tartását, a szabványokban megjelölt határértékek megsértésének elkerülését.
A szolgáltatásminőség biztosításához mára elengedhetetlenné vált a fotovillamos rendszerek teljesítményleadásának pontos előrejelzése. A napelemek termelésének szempontjából a legfontosabb időjárási esemény a felhőzet változása, amely ultrarövid távon nagy megbízhatósággal előre jelezhető égboltkamera-felvételek alapján.
Az Energiatudományi Kutatóközpont Környezetfizikai Laboratórium egyik kutatási témájának keretében vizsgáljuk a napelemek termelésének ultrarövidtávú előrejelzését égboltkamera-felvételek alapján. Vizsgálataimhoz a kutatási projekt keretében kihelyezett széles látókörű, nagy felbontású égboltkamera felvételeit, valamint a kamera mellé telepített napelemek és kapcsolódó időjárás-monitoring rendszer által szolgáltatott adatokat használtam.
A projekt keretében több módszert is vizsgáltunk. Implementáltunk több hagyományos képfeldolgozási algoritmust, melyek kis számításigényűek, de nem kellően pontosak és nem tudják figyelembe venni a légköri állapotjelzőket. Kidolgoztunk továbbá egy olyan mesterséges neurális háló modellt, mely hatékonyan kombinálja az időjárás adatokból és az égboltkamera-képekből származó információkat. Ez a modell azonban nagyon erőforrásigényes és a háló tanítási igen hosszú időbe telik.
Ebben a dolgozatban bemutatom az általam kidolgozott mesterséges neurális háló alapú globálsugárzás becslő módszert, mely a hagyományos algoritmusok és az adatalapú megközelítések előnyeit kombinálja. A teljes égbolt képek használata helyett az égbolt felhőzetét egy, a hagyományos képfeldolgozó algoritmusok segítségével előállított paramétervektorral jellemzem. Ez lecsökkenti a feldolgozott adatmennyiséget és igen hatékonnyá teszi a módszert, miközben továbbra is figyelembe veszi az égboltképekből származó legfőbb információkat. A jellemző vektor mellett a neurális háló az időjárás adatokat is bemeneti paraméterként feldolgozza.
A modellt pontosság és erőforrásigény szempontjából összehasonlítottam a teljes kameraképeket használó neurális háló módszerrel. A két modell átfogó összehasonlításához több meteorológiai adat-kombinációt állítottunk össze, melyek becslés pontosságára gyakorolt hatását mindkét modell esetében vizsgáltam.
szerző
-
Günter Dalma Mária
Egészségügyi mérnök szak, mesterképzés
mesterképzés (MA/MSc)
konzulensek
-
Barancsuk Lilla
PhD hallgató, Villamos Energetika Tanszék -
Oláhné Groma Veronika
tudomanyos munkatárs, Energiatudományi Kutatóközpont (külső)