Az adatok és a mesterséges intelligencia (AI) egyre nagyobb szerepet kapnak a villamosenergia-rendszer működtetésében és tervezésében — hangzott el a Portfolio AI in Energy 2026 konferencián Aszódi Attila, a Budapesti Műszaki és Gazdaságtudományi Egyetem (BME) Nukleáris Technikai Intézetének professzora előadásában.
Aszódi rámutatott, hogy a rendszerváltást nem csak az energiahordozók, hanem az adatmennyiség növekedése is hajtja: míg korábban néhány nagy erőmű volt meghatározó, ma már több százezer termelő működik a hálózatban. Ennek következtében az üzemviteli folyamatok egyre inkább „sztochasztikus”, azaz véletlenszerű elemekkel terheltek, amit a hagyományos, determinisztikus matematikai modellezés egyre kevésbé ír le teljesen megfelelően. Ebben tudnak segíteni a gépi tanulás és más AI-alapú módszerek.
Milyen szerepet játszanak az algoritmusok?
Aszódi kiemelte: az algoritmusok az energetikában több célra használhatók, például termelés-, ár- vagy karbantartás-tervezésre. Ugyanakkor hangsúlyozta, hogy kritikus tényező az adatok minősége és mennyisége, valamint az, hogy milyen céllal és milyen adatokkal tanítjuk az algoritmusokat. A ma széles körben ismert nagy nyelvi modellek (LLM-ek) részét képezik az AI-nak, de a villamosenergia-alkalmazásoknál különösen a gépi tanulás módszerei ígéretesek.
Az energiaigény növekedése és a beruházások
Aszódi felhívta a figyelmet arra is, hogy az új, tanuló algoritmusok jelentősen több számítási és ezzel együtt több villamos energiát igényelnek: gyakran 10–20–30-szor többet a korábbi eljárásoknál. A Nemzetközi Energiaügynökség (IEA) frissített jelentésére hivatkozva elmondta, hogy az öt legnagyobb technológiai cég az elmúlt évben több forrást fektetett AI-ba, mint amennyit a tengerentúlon a gáz- és olajágazatba invesztáltak. A szerverfarmok globális áramigényét tekintve előrejelzések szerint 2030-ra akár 1 000 TWh-re, 2035-re pedig 1 500 TWh fölé emelkedhet ez a fogyasztás.
Ennek következtében a technológiai vállalatok komoly beruházásokat hajtanak végre az energiaellátás biztosításába is; Aszódi példaként említette a kis moduláris reaktorok fejlesztésében való részvételt.
BME kutatása: magyarázható AI a másnapi ármodellezésben
Az előadás végén Aszódi ismertette a BME legújabb kutatását, amely az európai másnapi (day-ahead) villamosenergia-árak mesterséges intelligencia alapú modellezését vizsgálta. A Budapesti Műszaki és Gazdaságtudományi Egyetem Természettudományi Kara (BME TTK) hosszabb ideje elemzi az európai piacokat befolyásoló tényezőket; a mostani kutatás keretében az ún. magyarázható mesterséges intelligencia (explainable AI) algoritmusok alkalmazhatóságát tesztelték.
A modell betanításához 19 európai ország tíz évnyi adatait használták fel. A BME TTK fejlesztése a kutatók szerint jobb és pontosabb árelőrejelzést tesz lehetővé a villamosenergia-piac szereplői számára, miközben szabadon hozzáférhető adatokon és gyorsan lefuttatható AI modelleken alapul.
Aszódi megismételte, hogy a másnapi piaci előrejelzés az iparág egyik legösszetettebb feladata, de a tapasztalatok szerint a magyarázható AI-algoritmusok jól használhatók ilyen kihívásokhoz — ismétlés: az eredmények megbízhatósága erősen függ az adatok minőségétől és mennyiségétől.
Következtetések
Az előadás összefoglaló üzenete az volt, hogy az energetikai átalakulás nem csupán az energiahordozók cseréjét jelenti, hanem egy adatvezérelt, tanuló rendszerekre épülő működési paradigma megjelenését is. Ez egyszerre kínál új lehetőségeket a pontosabb előrejelzésekre és optimalizációra, valamint komoly kihívásokat az adatkezelésben, számítási és energiaigényben.
Címkék: adat, energia, mesterséges intelligencia, gépi tanulás, kutatás, BME, energetika, energiafogyasztás, villamosenergia-piac, algoritmus
