Magyarország elkötelezett a megújuló energiaforrások villamosenergia-termelésen belüli részarányának növelése mellett, ezt mutatja a hazai naperőművek kapacitásának elmúlt években bekövetkezett jelentős növekedése. Az időjárástól erősen függő nap- és a szélerőművek európai elterjedése azonban jelentős kihívások elé állítja a villamosenergia-rendszert, hiszen ezek termelése egy napon belül, de az év során is jelentősen változik, és nem illeszkedik a villamosenergia-igény időbeli változásához. Ezen kívül előfordulhatnak olyan állapotok, amikor sem a nap-, sem a szélerőművek nem képesek termelni, vagy nagyon alacsony az általuk a rendszerbe betáplált energiamennyiség.
Azokat a rendszerállapotokat, amikor sem a nap nem süt, sem a szél nem fúj, vagy sokkal kisebb a betáplálásuk, mint ezen erőművek névleges kapacitása, Dunkelflaute, azaz magyarul sötétszélcsend állapotnak nevezzük a szakirodalomban. (Konkrét magyarországi ilyen esettel foglalkoztam például ebben a 2022. novemberi írásomban.)
A Dunkelflaute nagy kihívás elé állítja a műszaki szakembereket, ezért rendkívül fontos a jövőbeli villamosenergia-rendszerek tervezése szempontjából, hogy minél jobban megértsük, mikor és milyen gyakorisággal jönnek létre ilyen helyzetek.
Szintén fontos kérdés, hogy a nap- és szélenergia fejlesztésével milyen mértékig lehet a villamosenergia-rendszert karbonsemleges villamos energiával ellátni, és hogyan tudnak egy ilyen rendszerben az időjárásfüggő megújuló forrásokkal az atomerőművek együttműködni, közösen milyen karbonsemleges részarányt tudnak megvalósítani.
Ezen bonyolult kérdések megválaszolására gépi tanulási módszereket, ezen belül is a mesterséges neurális hálózatokat hívtuk segítségül a legújabb tanulmányunkban, amelyről a nemzetközi energetikai tudományos közösség egyik legrangosabb szakmai újságjában, a 11,4-es impakt faktorú Applied Energy című lap legújabb kiadásában számolunk be Probabilistic modeling of future electricity systems with high renewable energy penetration using machine learning címmel. (A tanulmány a folyóirat oldalán ingyenesen elolvasható teljes terjedelmében.)
A cikkben egy olyan módszert mutatunk be, amely szerint Magyarország esetére 3 év meteorológiai és megújuló erőművi termelési, valamint 6 év villamosenergia-felhasználási adatai alapján tanítottunk be egy mesterséges neurális hálózatokon alapuló modellt. Ez a gépi tanulási modell feltérképezi a légköri reanalízisből származó időjárási adatok, a fotovoltaikus nap- és szélenergia-termelés, valamint a villamosenergia-felhasználás közötti kapcsolatokat. A betanított mesterséges idegháló modellt arra használtuk fel, hogy 42 évre (1980–2021) visszamenőleg szintetikus óránkénti megújulóenergia-termelési és fogyasztási profilokat hozzunk létre, amelyek azt közelítik, hogy mi történne egy jövőbeli évben egy jövőbeli feltételezett villamosenergia-rendszerben, ha az időjárási körülmények úgy alakulnának, mint ahogy az történt az elmúlt 42 évben.
A modellezett profilokat egy új variancia-korrekciós módszerrel dolgoztuk fel, amely biztosítja a modellezett és a valós adatok statisztikai hasonlóságát, és így az ezeken a profilokon alapuló szimuláció megbízhatóságát. A cikkben bemutatott módszertan által lehetővé tett valószínűségi modellezésnek két gyakorlati alkalmazását is bemutatjuk a cikkben a magyar villamosenergia-rendszerre vonatkozóan: (1) vizsgáljuk a Dunkelflaute események gyakoriságát, és (2) előrejelzést adunk a jövőbeli villamosenergia-igények kiszolgálhatósága, valamint az egyes erőműtípusok kihasználhatósága vonatkozásában.
Az 5%-os küszöbértékkel rendelkező Dunkelflaute órák valószínűségének hőtérképe az év összes (8760) órájára vonatkozóan, a 42 év – neurális hálóval modellezett – kihasználási tényezője alapján. Az ábrán megjelenik január 1-től december 31-ig minden nap (vízszintes tengely) minden órája (függőleges tengely), a színekkel pedig 42 év adatai alapján annak a valószínűsége, hogy az adott órában 5% alatt marad mind a naperőművek, mind a szélerőművek órás kihasználási tényezője. A 0 valószínűségű állapotokat a fehér szín jelzi, minden fehértő eltérő színű pixel nullánál nagyobb valószínűséget mutat, a jobb oldali színskála szerint.
Applied Energy / Aszódi et al., 2023
A tanulmány fő megállapításai a következők
- A Dunkelflaute, vagyis sötétszélcsend események gyakoribbak Magyarországon, mint a szakirodalomban vizsgált országokban (Belgium, Németország).
- A legtöbb Dunkelflaute esemény csak néhány órán át tart, de éves szinten hosszabb, akár 19 órás eseményekre is lehet számítani.
- A megújulóenergia-termelés 2030-ban a mostani kapacitásokat jelentősen meghaladó 15 000 MW-os naperőművi és 3 000 MW-os szélerőművi kapacitások esetén is csak 42%-ot képvisel a hazai éves villamosenergia-igényen belül, így a hazai ellátáshoz jelentős további karbonsemleges kapacitásokra, elsősorban atomerőművekre van szükség.
- A közvetlen megújulóenergia-termelés Magyarországon még a nagyon magas 30 000 MW-os fotovoltaikus és 10 000 MW-os szélenergia-kapacitás mellett is csak az éves fogyasztás 60%-át lehet képes fedezni 2030-ban.
- Az új fotovoltaikus erőművek közvetlenül hasznosítható villamosenergia-termelése 5 000-6 000 MW beépített kapacitás felett jelentősen csökkenni kezd. Ennél a napenergia beépített kapacitásnál – ami már akár 1-2 éven belül elérhető Magyarországon – a kormányzatnak és a villamosenergia-rendszer gazdaságos és biztonságos működtetéséért felelős szakcégeknek nagyon megfontolt döntéseket érdemes hozniuk annak érdekében, hogy a létrejövő villamosenergia-rendszer fenntartható módon ki tudja szolgálni a fogyasztói igényeket.
*
Prof. Dr. Aszódi Attila energetikai mérnök a Budapesti Műszaki és Gazdaságtudományi Egyetem Nukleáris Technikai Intézetének egyetemi tanára. 2003–2004-ben a Gazdasági és Közlekedési Minisztérium Paksra kiküldött miniszteri biztosa, 2014–2019 között a Paksi Atomerőműért felelős kormánybiztos, majd államtitkár volt. Írása eredetileg Láncreakció című szakmai blogjában jelent meg.
