Fotovillamos termelés rendszerterhelési görbére vetített hatásának kvalitatív vizsgálata

OData támogatás
Konzulens:
Dr. Hartmann Bálint
Villamos Energetika Tanszék

A hazai energetikában nagyjából 2020-ig kitekintve a legfontosabb változást a fotovillamos termelés részarányának jelentős növekedése fogja jelenteni. Jelen dolgozattal célom a megjelenő terhelésbecslési kihívásokat elemezzem a rendszerirányító szemszögéből. Munkámat a vonatkozó szakirodalom feldolgozásával kezdtem. Ebben megvizsgáltam a jelenlegi villamosenergiapiaci-trendeket, valamint bemutattam a napelemes iparág utóbbi évtizedet jellemző fejlődését, mind a hazai, mind a nemzetközi piacon. Ezt követően ismertetem a rendszerirányító szemszögéből a fotovillamos termelés volatilis termeléséből adódó menetrendezési kihívásokat. A hazai erőművi környezetben és a trendek ismeretében becslést készítettem arra vonatkozóan, hogy milyen fotovillamos penetráció várható hazánkban a következő 5 évben.

A levont következtetések alapján a napi terhelési görbében megjelenő napelemes termelés hatását modelleztem neurális hálózatok segítségével. Célom az volt, hogy a MAVIR által elvárt 5%-os pontosságú becsléshez hasonló terhelésbecslési eljárást dolgozzak ki. Ehhez a neurális modell tanítását a 2010-2016 közötti terhelési és környezeti adatokkal végeztem, amikor a fotovillamos termelés hatása még marginális volt. Tehát egy olyan modellt alkottam mely képes másnapi terhelésbecslést létrehozni, azonban a napelemes termelés torzító hatását nem ismeri. Ezt követően terhelésbecslést végeztem a 2017-es időszakra és megvizsgáltam azt, hogy az ebben az időszakban már számottevő napelemes penetráció mellett van-e már tendenciózus eltérés a becslés és a valódi terhelési adatok között.

Jelen diplomamunka megírása számomra is egy tanulási folyamat volt mivel a mesterséges intelligencia alapú algoritmusok és a programozási feladatok új készségek elsajátítását igényelték. Ennek köszönhetően kezdetben egy Matlab beépített Neural Toolbox segítségével modelleztem a háló tanítását, azonban a zárt forráskódnak és a korlátozott paraméterezhetőségnek köszönhetően nem tudtam megfelelelő eredményt elérni. Ezt követően Python nyelven létrehoztam ugyanezt az előrecsatolt többrétegű hálózatot, azonban a jelentős fejlődés ellenére nem volt elegendően pontos az egyértelmű következtetések levonásához. Végül egy speciális, idősorok becslésére használt modellt, a Long Short-term Memory-t használtam, melynek köszönhetően már egyértelműen megállapítottam a fotovillamos termelés napi terhelésbecslésben megjelenő hatását.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.