Hogyan alkalmazhatja a MAVIR — a magyar átviteli rendszerirányító — a mesterséges intelligenciát egy olyan környezetben, ahol a működés nemcsak vállalati, hanem országos ellátásbiztonsági jelentőségű? Ezt a kérdést járta körül Simon Dezső, a MAVIR informatikai és üzletfejlesztési vezérigazgató-helyettese a Portfolio AI in Energy konferencián tartott előadásában.
Mi a MAVIR feladata és milyen eszközökkel dolgozik?
A MAVIR az átviteli hálózati szinten helyezkedik el a termelés, az elosztás és a fogyasztás között, és három alapfunkciót tölt be: rendszerirányítást, piacműködtetést, valamint az átviteli hálózat fejlesztését és üzemeltetését. A társaság közel 5000 kilométernyi távvezetéket kezel, 37 alállomással, 107 transzformátorral és 19 határkeresztező távvezetékkel. A MAVIR a magyar villamosenergia-rendszer biztonságáért és a termelés és fogyasztás folyamatos egyensúlyáért felel, ezért a működés 0–24, minden nap kritikus feladat.
Mire változott a rendszer az elmúlt években?
Simon Dezső ismertetése szerint a hazai rendszer korábban centralizált volt: néhány nagy, jól szabályozható erőmű adta a termelést, és az áramlás főként a termeléstől a fogyasztás felé tartott. Az elmúlt években azonban jelentős decentralizáció ment végbe a megújuló energiák, különösen a naperőművek gyors térnyerése miatt. Ez a változás növekvő bizonytalanságot és új rendszerirányítási kihívásokat hozott.
Konkrét adatok a bemutatóból:
- A háztartási méretű és egyéb naperőművi kapacitás 2012-ben 0,4 MW-ról 2025-re mintegy 9000 MW-ra nőtt; a prezentáció szerint a megújuló kapacitás 2029-re 13 240 MW-ra emelkedhet.
- A hagyományos erőművi kapacitás 2012 és 2025 között 9550 MW-ról 6548 MW-ra csökkent.
- A hazai rendszer csúcsterhelése 6443 MW-ról 7663 MW-ra nőtt.
Ezek a trendek indokolják az AI-alapú eszközök bevezetésének felgyorsítását, ugyanakkor a működésbiztonság szempontjai különösen érzékennyé teszik a TSO-k (átviteli rendszerirányítók) alkalmazását.
TSO-elvárások: ellátásbiztonság, költséghatékonyság, fenntarthatóság
Simon Dezső három pillérre bontotta a TSO-kkal szembeni elvárásokat: ellátásbiztonság, költséghatékonyság és fenntarthatóság. A MAVIR számára ebből az ellátásbiztonság az elsődleges – ebből nem lehet engedni. Ugyanakkor a vállalat gazdasági társaságként is működik, így folyamatos a nyomás a költséghatékonyság javítására. A fenntarthatóság pedig egyszerre a megújulók integrálásáról és a vállalat saját zöld működéséről szól.
A villamosenergia-átmenethez kapcsolódóan Simon kiemelte még az alábbi trendeket:
- megújuló integráció és az ebből fakadó növekvő időjárásfüggő bizonytalanság;
- közel valós idejű hálózatmenedzsment, rövidebb időablakokkal a piaci és műveleti döntésekben (pl. félórás horizontok);
- fokozott interoperabilitás TSO-k és DSO-k között, valamint európai piaci beágyazottság;
- a reziliencia erősítése (szélsőséges időjárás, geopolitikai kockázatok, kibertámadások);
- munkaerőhiány és az utánpótlás kérdése — európai szinten nagyságrendileg egymillió, a TSO-khoz kapcsolódó munkakör betöltése várható.
Hol illik az AI a rendszerirányításhoz?
A MAVIR szakértője szerint az AI számos releváns használati esetet kínál, de a bevezetés módja és a követelmények eltérnek egy átlagos vállalathoz képest, mivel itt az üzembiztonság alapfeltétel. Főbb AI-csoportok:
- előrejelzések és becslések: megújuló termelés, terhelés, időjárás, hálózati veszteségek, határmetszéki áramlások;
- döntéstámogatás és hibakezelés: operatív rendszerek segítése;
- optimalizáció: hálózatszámítás, szűkületek kezelése, energiaáramlás optimalizálása, digitális ikrek, automata kereskedelem támogatása;
- eszközmenedzsment: prediktív karbantartás, élettartam-növelés, preventív hibadetektálás;
- nagy nyelvi modellek: inkább belső működési és szervezeti hatékonyságot szolgálhatnak, nem a kulcsfontosságú rendszerirányítás automatizálására.
Simon Dezső példázta, hogy a TSO-k környezetében nem elég, ha egy modell „többnyire jó”: egy megoldás, amely 10-ből 8 alkalommal helyes javaslatot ad, de kétszer hibázik, az már elfogadhatatlan lehet, mert a hibák következménye rendszerszintű hatásokat válthatnak ki.
Adat- és kiberbiztonság, számítási kapacitás és üzembe integrálás
A MAVIR-nál hatalmas adattömeg áll rendelkezésre, ugyanakkor ez sokféle rendszerben, eltérő minőségben és struktúrában található. A társaság szigorú adatkezelési szabályok között működik, ezért a napi rendszerirányítási adatokat nem lehet egyszerűen külső felhőkbe feltölteni és ott tanítani. A fő kérdés ezért az, hogyan lehet az adatvagyont biztonságosan bevonni AI- és analitikai megoldásokba úgy, hogy az adat-, kiber- és működésbiztonsági feltételek teljesüljenek.
A számítási kapacitás is korlátos: a MAVIR rendelkezik saját géptermekkel, de nincs olyan kiterjedt AI-szerverparkja, amely nagyobb modellekhez vagy fejlettebb AI-megoldásokhoz szükséges lehet. A felhőhasználat biztonsági korlátai miatt architekturális megoldásokat kell találni, amelyek egyszerre biztosítják a kapacitást, a biztonságot és az üzembiztonsági kontrollt.
A gyakorlati megvalósításnál gyakran nem maga a fejlesztés a legnehezebb, hanem az elkészült AI-megoldás biztonságos és stabil integrálása a napi működésbe.
Mire jutottak eddig? Konkrét MAVIR-eredmények
Simon Dezső több konkrét AI-projektet ismertetett:
-
mFRR Tool: rövid távú kiegyenlítetlenség-előrejelző eszköz gépi tanulással. Az mFRR (kézi aktiválású frekvencia-helyreállítási tartalék) bevonásának optimalizálását segíti; egy év használati időszak alapján 1,3 milliárd forintos megtakarítási potenciált azonosítottak. A szakértő hangsúlyozta, hogy ez nem realizált megtakarítás, hanem azt mutatja, mekkora volt volna az elméleti potenciál, ha a modellt mindig alkalmazták volna.
-
Tartalékméretezés: adaptív módszertan az FRR-tartalékok lekötésére a várható rendszerállapot alapján. A bemutatott eredmény szerint a módszer 99,88%-os megbízhatóság mellett több mint 6%-os kapacitásmennyiség-csökkenést tett lehetővé, ami költségoldalon is jelentős tétel lehet.
-
Naperőművek ultra rövid távú előrejelzése: a napenergia pillanatnyi termelését támogató előrejelzések 3–11%-os pontossággal segítik a napi működést.
-
Drónos állapotfelmérés pilot: külső partnerrel végzett kísérlet drónos repüléssel és AI-alapú képfeldolgozással távvezetékek és tartóoszlopok állapotának felmérésére. A cél a karbantartás és hibadetektálás gyorsítása és hatékonyabbá tétele.
Nemzetközi helyzet és MAVIR jövőképe
Európai TSO-benchmark alapján Simon két következtetést emelt ki: egyrészt az AI-t a legtöbb TSO nem általános technológiai kísérletként, hanem konkrét, az adott ország kihívásaihoz illeszkedő megoldásként vezeti be; másrészt több nyugat-európai szereplő és egyes amerikai szereplők többéves előnyben vannak, amelyet a MAVIR igyekszik ledolgozni.
A MAVIR AI-jövőképét három cél köré építették:
- üzleti értékteremtés — mérhető haszon a core folyamatokban és vállalati támogató területeken;
- AI-ready vállalati állapot — további fejlesztések szükségesek a felkészültséghez;
- AI-kultúra erősítése — munkatársak képzése, biztonsági szemlélet és körültekintés.
A stratégia kilenc területet azonosít: irányítás, használati esetek, mérés, szervezet és közösség, képzés, kommunikáció, adat, technológia és architektúra. Irányítási oldalon külön AI-irányítási szervezet létrehozását tervezi a MAVIR, felelősségi körökkel és szabályzatokkal.
Záró gondolat: emberi döntés és felelősség
Simon Dezső hangsúlyozta, hogy az AI fontos támogató eszköz lehet: predikciót, döntéstámogatást, gyorsabb elemzéseket és hatékonyságnövelést hozhat. Ugyanakkor a döntés, a felelősség, a kontextusértés és a rendszerszintű gondolkodás emberi feladat marad. A MAVIR az elkövetkező években elsősorban támogatóként kívánja alkalmazni az AI-t, nem olyan rendszert építve, amely önállóan átvenné a rendszerirányítást.
