Thesis supervisor: Martin János Mayer
Location of studies (in Hungarian): BME Energetikai Gépek és Rendszerek Tanszék Abbreviation of location of studies: EGR
Description of the research topic:
a.) Előzmények
A megújuló energiaforrások, különösen az időjárásfüggő nap- és szélenergia hasznosítása jelentősen növekedett az elmúlt évtizedben, és hasonló növekedés várható a következő évtizedekben is. A növekvő beépített kapacitások mellett a megújuló termelés időjárásfüggő ingadozása jelentős kihívásokat jelent a hálózati integráció szempontjából, ami korlátozhatja ezen technológiák további terjedését. A probléma megoldásának egy fontos eszköze a megújuló energiatermelés minél pontosabb előrejelzés, amire jó lehetőséget adnak a napjainkban egyre fejlettebbé váló gépi tanulási algoritmusok.
b.) A kutatás célja
A kutatás célja új, gépi tanuláson alapuló módszerek fejlesztése a megújuló energiatermelők hálózati integrációjának támogatására, különös tekintettel az időjárásfüggő megújuló termelés és a kapcsolódó hálózati hatások előrejelzésére. A jelenleg használt determinisztikus előrejelzések kiterjesztése a valószínűségi térbe.
c.) Az elvégzendő feladatok, azok fő elemei, időigénye
Megújulók hálózati integrációjával és az ehhez szükséges előrejelzésekkel kapcsolatos szakirodalom alapos feldolgozása, a gépi tanulási módszerek megismerése (1 év). A hálózati integráció szempontjából fontos előrejelzési feladatok beazonosítása, a szükséges adatok összegyűjtése és feldolgozása (0,5 év). Előrejelzési módszerek fejlesztése gépi tanulás és fizikai modellezés segítségével (1 év). Az előrejelzések kiértékelése, bizonytalanságuk elemzése, és valószínűségi előrejelzések készítése (0,5 év). Az eredmények alapján publikációk készítése, valamint a disszertáció megírása (1 év). A feladatok a fenti sorrendtől eltérően, részben átfedésben is végezhetők.
d.) A szükséges berendezések:
Számítógép, hozzáférés a szakirodalomhoz, szoftverek, adatbázisok.
e.) Várható tudományos eredmények
Új determinisztikus és valószínűségi előrejelzési módszerek kidolgozása, ezek alkalmazásához kapcsolódó módszertani javaslatok megfogalmazása.
f.) Irodalom
[1] Mayer MJ, Gróf G. Extensive comparison of physical models for photovoltaic power forecasting. Appl Energy 2021;283:116239. doi:10.1016/j.apenergy.2020.116239.
[2] Markovics D, Mayer MJ. Comparison of machine learning methods for photovoltaic power forecasting based on numerical weather prediction. Renew Sustain Energy Rev 2022;161:112364. doi:10.1016/j.rser.2022.112364.
[3] Mayer MJ. Benefits of physical and machine learning hybridization for photovoltaic power forecasting. Renew Sustain Energy Rev 2022;168:112772. doi:10.1016/j.rser.2022.112772.
[4] Mayer MJ, Yang D. Probabilistic photovoltaic power forecasting using a calibrated ensemble of model chains. Renew Sustain Energy Rev 2022;168:112821. doi:10.1016/j.rser.2022.112821.
[5] Mayer MJ, Yang D. Pairing ensemble numerical weather prediction with ensemble physical model chain for probabilistic photovoltaic power forecasting. Renew Sustain Energy Rev 2023;175:113171. doi:10.1016/j.rser.2023.113171.
[6] Mayer MJ, Biró B, Szücs B, Aszódi A. Probabilistic modeling of future electricity systems with high renewable energy penetration using machine learning. Appl Energy 2023;336:120801. doi:10.1016/j.apenergy.2023.120801.
Number of students who can be accepted: 1
Deadline for application: 2024-10-15
2024. IV. 17. ODT ülés Az ODT következő ülésére 2024. június 14-én, pénteken 10.00 órakor kerül sor a Semmelweis Egyetem Szenátusi termében (Bp. Üllői út 26. I. emelet).
Login
