Villamosmérnöki Tudományok  Doktori Iskola 

BME-VIK, Villamos Energetika Tanszék, HUN-REN Energiatudományi Kutatóközpont, Környezetfizikai Laboratórium

Témavezető: Dr. Groma Veronika, Dr. Hartmann Bálint

Napelemes termelésbecslés mesterséges intelligencia és hagyományos képfeldolgozási módszertanok kombinálásával

A kutatási téma néhány soros bemutatása

A napelemes villamosenergia-termelés elmúlt évtizedben végbemenő dinamikus hazai térnyerésének köszönhetően felértékelődött a különböző napsugárzás-előrejelzések használata. A napelemes termelést ugyanis az igen változékony napsugárzás határozza meg, a gyors és szabálytalan felhőmozgás azonban nehezíti a pontos előrejelzést, komoly kihívás elé állítva a villamos hálózat üzemeltetőit. Kutatásunk célja egy olyan előrejelző módszer kidolgozása, amely az égboltról készített felvételekre támaszkodva néhány perces időtávra jelzi előre a várható napsugárzást.

Kutatásunkban a mesterséges intelligenciát és hagyományos képfeldolgozási algoritmusokat kombináljuk, ez a két módszer kölcsönösen kiegészítik egymást, kompenzálva egymás hátrányait.

 

1. ábra Égboltkamera az Energiatudományi Kutatóközpontban

 

A kutatóhely rövid bemutatása

HUN-REN Energiatudományi Kutatóközpont, Környezetfizikai Laboratórium, Energiastratégia és Környezeti Hatások Kutatócsoport

A kutatócsoport az interdiszciplináris energetika alap és alkalmazott kutatási kérdéseinek sokszínűségéhez igazodó szakmai hátterű (villamosmérnök, energetikai mérnök, építész, meteorológus, fizikus, geográfus) kutatók alkotják a következő 5 kutatási fókuszterületen dolgozva: energiarendszer-biztonság, villamos energetika, energetikai meteorológia és klimatológia, energiastatisztika, valamint épület- és városenergetika.

 

A kutatás történetének, tágabb kontextusának bemutatása

Összhangban a hazai és nemzetközi dekarbonizációs célokkal, a hazai napelemes kapacitás jelentősen bővült az elmúlt években, tavaly pedig elérte az 5000 MWp értéket [1]. A napelemek számának növekedése radikális hatással van a villamosenergia-hálózatra: veszélyezteti annak stabilitását, megterheli a hálózati infrastruktúrát, és ingadozó vagy túl magas feszültséget okoz a fogyasztóknál. Ezek a hatások egyre gyakrabban jelentkeznek, ezért ennek kiküszöbölésére és a napelemek hálózati hatásának megértésére az elmúlt években felértékelődött az ultrarövidtávú (maximum egy órás időhorizontú) termelésbecslés jelentősége. A napelemes termelést alapvetően a felhőzet határozza meg, ezért a rövidtávú termelésbecslő módszerek a felhőzet nyomon követesére és előrejelzésére támaszkodnak, amelyet általában egy égboltkamera képeinek elemzésével valósítanak meg. Az Energiatudományi Kutatóközpont Környezetfizikai Laboratóriumában rendelkezésünkre áll egy folyamatosan működő égboltkamera (1. ábra), amely segítségével percentként felvételt készítünk az égboltról (2.ábra). Ezeknek a képeknek az elemzésével készítjük el a napsugárzás-előrejelzést, a képek mellett felhasználva további méréseket is, például a kamera közelében elhelyezkedő időjárás-állomás által rögzített változatos meteorológiai adatokat (pl. szélsebesség, páratartalom, hőmérséklet).

 

A kutatás célja, a megválaszolandó kérdések.

A kutatás célja a napelemes rendszerek termelését közvetlenül meghatározó napsugárzás előrejelzési módszertanának kidolgozása. Az előrejelzéshez a felhőzetet és a meteorológiai méréseket összekapcsolva kell vizsgálnunk, mert a két adat önmagban általában nem bizonyul elégségesnek megfelelő pontosságú előrejelzéshez [2].

 2. ábra Az égboltkamera képe

Mivel a felhőzet, a meteorológiai mérések és a napsugárzás között egyszerű összefüggésekkel nem leírható, összetett kapcsolat van, ezért modellalapú technikák helyett adatalapú megközelítést használunk. Célunk egy olyan neurális háló modell kidolgozása, amely lehetővé teszi a nagy mennyiségű időjárási adat és kép hatékony feldolgozását, és a bemeneti adatok és a napsugárzás közötti bonyolult mintázatok felismerését (3. ábra).

 

3. ábra Meteorológiai paraméterek és égboltjellemzők alakulása négy különböző időjárású napon. A képek sorban: derűs nap tiszta égbolttal, változó felhőzöttségű nap, felhős nap, és egy igen vastag felhőzetű, téli nap. A képeken lászik, hogy a napsugárzás két komponensét (globálsugárzás és diffúz sugárzás) első sorban az égbolt felhőborítottsága határozza meg, de például a felhők inhomogenitásának aránya (ami a vastag, sötét felhők aránya a teljes felhőtakarón belül) is jelentős hatással van a napsugárzásra még azonos felhőzöttség mellett is.

Módszerek

A sugárzásbecslés egyik legnépszerűbb módja a mesterséges neurális hálók alkalmazása. A hálók előnye, hogy sokféle mérési adat (pl. képek, időjárási adatok, időbélyeg) kombinálását és egyidejű feldolgozását lehetővé teszik, és a változás időbeliségét is figyelembe tudják venni, így kézenfekvő módszerek a sugárzás előrejelzésére [2]. A neurális hálók alkalmazásának komoly akadálya azonban a nagy számításikapacitás-igény, hiszen egy összetett tudományos feladatra betanított háló paramétereinek száma több milliós nagyságrendű, tanítása és alkalmazása ezért drága, grafikus processzorokkal felszerelt informatikai infrastruktúrát igényel. Ennek kiküszöbölésre dolgoztuk ki azt a módszertant, amely az égboltkamera-képeket először kis számításigényű algoritmusokkal elemezi, és az égbolt azon főbb jellemzőit számszerűsíti, amelyek meghatározzák a napsugárzást. Ilyen jellemzők például a felhőtakaró százalékos értéke a teljes égbolthoz képest, a felhők fényáteresztő képessége vagy a felhőtakaró széttöredezettsége. Ezeknek a kinyerésére egyszerű, a klasszikus képfeldolgozásban használatos algoritmusokat alkalmazunk, mint amilyen a küszöbözés, összefüggő régiók keresése vagy a színelemzés. A feldolgozás igen hatékony, eredményeképpen pedig minden képhez megkapjuk a felhők alapjellemzőit. Ez a módszer egy tömörítési eljárásnak tekinthető, amely az égboltképekből az égboltot jellemző, kinyert adatokat állít elő, jelentősen lecsökkentve az adatmennyiséget. A neurális háló bemenetén már ezeket az előfeldolgozott adatokat kapja meg, így jóval kevesebb információt kell processzálnia, mintha az égboltképeket közvetlenül adnánk át feldolgozásra. A kisebb adatmennyiség a háló komplexitását és paraméterszámát is meghatározza, így az általunk használt neurális hálók már egy személyi számítógépen is rövid idő alatt betaníthatók. A háló vázlatos felépítése a 4. ábrán látható.

 

 

4. ábra A kidolgozott neurális háló vázlatos felépítése. A bemeneten különböző forrásokból származó adatokat adunk át, a kimeneten pedig a napsugárzás két komponense, a globálsugárzás és a diffúz sugárzás áll elő. A hálót a tényleges, időjárás-állomás által mért sugárzásadatokkal tanítjuk. A tanításhoz és a kiértékeléshez két év adatait, összesen 300000 mintapontot használtunk fel.

Eddigi eredmények

 

Az időjárás-állomás által mért adatok alapján időjárási szcenáriókat állítottunk össze, hogy megértsük, mennyire befolyásolják az egyes meteorológiai adatok a becslés pontosságát. Célunk az volt, hogy azonosítsuk a pontos előrejelzéshez nélkülözhetetlen meteorológiai méréseket, és felmérjük, mely mérések mellőzhetők anélkül, hogy befolyásolnák az eredményt. A különböző szcenáriókban különböző adatkombinációkat használunk; az első szcenárióban egyperces átlagértékeket és az azonos periódusra vonatkozó szórásértékeket is figyelembe vesszük, míg más szcenáriókban kevesebb adatot használunk. A tanításkor összesen két teljes év adatpontjait, több mint 300 000 egyperces mintát használtunk fel. Az eredmények azt mutatják, hogy míg az időjárási adatösszeállításnak nincs jelentős hatása a pontosságra, addig az égboltjellemzők felhasználása jelentősen javít a pontosságon ahhoz képest, ha csak a meteorológiai adatokat használjuk (5. ábra). Az égboltjellemzők használatával a háló a napsugárzásban a felhők hatására bekövetkező hirtelen letöréseket sokkal jobban leköveti.

A különböző szcenáriókra betanított neurális hálókat pontosság és erőforrásigény szempontjából összehasonlítottuk a kutatócsoport által kidolgozott, teljes kameraképeket használó, jóval komplexebb ún. Vision Transformer alapú neurális hálókkal is [3]. A teljes képeket feldolgozó hálóhoz képest a becslés pontossága nem romlik, azonban a háló tanításához szükséges erőforrások és a háló paraméterszáma között jelentős a különbség. A Vision Transformer háló tanítása ugyanazon a személyi számítógépen több napot vesz igénybe, míg az égboltjellemzőket használó háló csak körülbelül két órát. Ennek az olcsóbb és energiahatékonyabb módszernek egyik előnye, hogy korlátozott erőforrású rendszerekbe is könnyen integrálható, ami az edge computing alkalmazások népszerűségének növekedésével egyre fontosabbá válik [4].

 

Várható impakt, további kutatás

A rövidtávon várható napsugárzás és napelemtermelés ismeretében a villamosenergia-rendszer üzemvitelébe többféle módon is be lehet avatkozni. A beavatkozás célja az energiaszállítás hatásfokának és szolgáltatás minőségének javítása. A pontos előrejelzés ismeretében elkerülhetők a hirtelen letörések okozta termeléskiesések, például forgó tartalékok vagy energiatárolók vezérlésével, illetve túltermelés esetén a napelemek szükség szerinti leszabályozásával [5].

A kutatás jelenlegi fázisában a napsugárzás minél pontosabb becslése volt a célunk, azonban terveink közé tartozik egy több időintervallumra előrejelző modell kidolgozása is visszacsatolt neurális hálók alkalmazásával. Ahhoz pedig, hogy a modell teljesítményéről teljesebb képet kapjunk, szeretnénk vizsgálatokat végezni különböző időjárási körülményekre lebontva.

 

5. ábra A napsugárzás komponenseinek (globálsugárzás és diffúz sugárzás) alakulása a különböző időjárású napokon égboltjellemzők felhasználásával, illetve égboltjellemzők nélkül. A változó felhőzöttségű napokon megjelenő hirtelen letörések követése nehézséget okoz, azonban az esetek többségében a háló jól becsüli a sugárzást. Az égboltjellemzők jóval pontosabb becslést tesznek lehetővé, mert ezek hordozzák a felhőzetről az információt.

 

Saját publikációk, hivatkozások, linkgyűjtemény

Kapcsolódó saját publikációk listája.

 

[1] Barancsuk, L., Groma, V., Günter, D., Osán, J., Hartmann, B., Estimation of Solar Irradiance Using a Neural Network Based on the Combination of Sky Camera Images and Meteorological Data. Energies, Energies, Vol. 17(2), pp. 438., (2024)

 

[2] Barancsuk, L.; Günter, D., Groma, V., Hartmann B., Fotovillamos termelésbecslés támogatása multimodális neurális háló segítségével égboltkameraképek és különböző konfigurációjú időjárási adatok alapján, XIII. Mechwart András Ifjúsági Találkozó: Konferenciakiadvány Siófok, Magyarország: Magyar Elektrotechnikai Egyesület, Mechwart András Ifjúsági Társaság 181 p. pp. 7–19., 13 p. (2023)

 

[3] Günter, D., Barancsuk, L., Groma, V., Sinkovics, B., Az égboltkamerák szerepe a fotovillamos termelés rövidtávú előrejelzésében., Elektrotechnika, Vol. 116, pp. 7–9, (2023)

 

[4] Barancsuk, L.; Günter, D., Groma V., Fotovillamos termelésbecslés deep learning alapon, hagyományos képfeldolgozási módszerek integrálásával., Elektrotechnika, közlésre elfogadva, (2024)

 

Linkgyűjtemény

 

Hivatkozások listája.

[1] MAVIR, „Naptermelés becslés és tény adatok” Elérhető: https://mavir.hu/web/mavir/naptermeles-becsles-es-teny-adatok, 2023, Hozzáférés ideje: 2024. 03. 30.

 

[2] F. Barbieri, S. Rajakaruna, A. Ghosh, „Very short-term photovoltaic power forecasting with cloud modeling A review,” Renewable and Sustainable Energy Reviews, vol. 75, pp. 242–263, 2017

 

[3] Barancsuk, L.; Günter, D., Groma V., Hartmann B., Fotovillamos termelésbecslés támogatása multimodális neurális háló segítségével égboltkameraképek és különböző konfigurációjú időjárási adatok alapján, XIII. Mechwart András Ifjúsági Találkozó: Konferenciakiadvány Siófok, Magyarország: Magyar Elektrotechnikai Egyesület, Mechwart András Ifjúsági Társaság 181 p. pp. 7–19., 13 p. (2023)

 

[4] E.A. Papatheofanous, V. Kalekis; G. Venitourakis, F. Tziolos; D: Reisis, „Deep Learning-Based Image Regression for Short-Term Solar Irradiance Forecasting on the Edge,” Electronics, vol. 11, no. 3794, 2022

 

[5] R. Samu, M. Calais, G. Shafiullah, M. Moghbel, M. A. Shoeb, B. Nouri, and N. Blum, „Applications for solar irradiance nowcasting in the control of microgrids: A review,” Renewable and Sustainable Energy Reviews, vol. 147, p. 111187, 2021.