Energiafogyasztás-előrejelzés nagyfogyasztóknak: így lesz olcsóbb az energia

Miért pénz a pontos előrejelzés?

A villamosenergia-piacon a fogyasztónak (pontosabban a mérlegkörét vivő kereskedőnek) előre be kell adnia, hogy másnap negyedóránként mennyit vesz igénybe. Ez a menetrend. Gáznál a bontás durvább, jellemzően napi.

A menetrend nem jóslás, hanem kötelezettségvállalás. Ha eltérsz tőle, a különbséget a rendszer kiegyenlítő energiával rendezi, és ennek az árát utólag tudod meg. Innen jön a mechanizmus, ami a kereskedőt is érdekli: aki pontosan megmondja, mikor mennyit fogyaszt, annak a kereskedő kisebb kockázati felárat épít az ajánlatába. Aki bizonytalan, azt a kereskedő beárazza.

Ezért két, egymástól független helyen lehet megtakarítani:

• A beszerzésnél. A pontos, bizonyítható fogyasztási profil jobb tárgyalási pozíció. A kereskedő nem jóindulatból ad kedvezőbb árat, hanem mert kisebb kockázatot vállal veled.
• A felhasználásnál. Ha tudod, mikor drága és mikor ingyen van az energia, akkor a rugalmas folyamataidat oda tolhatod, ahol a legkevesebbe kerül.

A kettő közül a második az, ami 2019 óta gyökeresen átalakult.

Mi változott 2019 óta? Három dolog

1. A negatív árak mindennapossá váltak. Az Energiaügyi Minisztérium adatai szerint 2025 januárja és augusztusa között 309 alkalommal volt nulla vagy negatív a villamos energia piaci ára, miközben a teljes 2024-es évben 306 ilyen óra volt. Ez már nem kivételes esemény, hanem a nyári napok visszatérő szakasza.

2. A rugalmatlanság mérhetően drága lett. A Green Cloud elemzése szerint 2026 első öt hónapjában a negatív árú órák több mint 43 millió euró, nagyjából 20 milliárd forint veszteséget jelentettek a piacnak, szemben a 2023 ugyanezen időszakában mért 1 millió euró alatti értékkel. Ugyanez az elemzés mutatja meg a jelenség másik arcát: az ipari napelemes termelés 2023-ban még 85 százalékban 50 euró / MWh fölötti áron talált vevőt, 2026-ban már csak 51 százalékban.

Érdemes tisztán látni, hogy ez elsősorban termelői veszteség. A fogyasztó oldalán ugyanez a szám a kihasználatlan lehetőség mértéke.

3. Finomabb lett a piac felbontása. 2025. október 1-jei szállítási napra a HUPX másnapi piacán élesben elindultak a 15 perces termékek, az európai piac-összekapcsolás (SDAC) részeként. Aki eddig órás logikában gondolkodott, annak nemcsak több lehetősége van, hanem nagyobb a felelőssége is: negyedórás bontásban egy pontatlan előrejelzés több helyen tud hibázni.

Hogyan működik a fogyasztás-előrejelzés a gyakorlatban?

A napi egyszeri, főóra-leolvasásra és historikus átlagokra épülő becslés ma már csak egy fokkal pontosabb a tippelésnél. Egy gépi tanuláson alapuló menetrendező modell ennél lényegesen több bemenetet használ:

• a historikus fogyasztási adatokat, mérési pontonként
• a termelési tervet, a műszakrendet és a leállásokat
• a lokális időjárás-előrejelzést (nem az országos átlagot)
• az energia várható költségét, vagyis a másnapi és a kiegyenlítő árak viszonyát
• a saját termelő- és tárolóeszközök állapotát
• az arbitrázslehetőségeket, például azt, hogy negatív áramár esetén megéri-e túlhűteni a hűtőházat

A kimenet nem egy szám, hanem egy negyedórás bontású javaslat a másnapi menetrendre, mellette azzal, hogy hol és merre érdemes eltérni. A tervezett szabályozói változás nyomán ez a felbontás 5 percesre is állítható lesz.

Két dolog különbözteti meg a modellt egy táblázattól. Az egyik, hogy a modell visszamér: elemzi a korábbi futások eredményeit, és a javaslatok ettől lesznek egyre pontosabbak. A másik, hogy napon belül is újratervez: ha az intraday piacon úgy alakulnak az árak, hogy a reggel beadott terv már nem a legjobb, a rendszer jelez.

Ez a fejlesztés tipikusan nem egy nagy dobásban készül el, hanem iteratív ciklusokban, a legnagyobb fogyasztási helyekkel kezdve.

Ami nehéz benne

Nem minden előrejelezhető, és ezt érdemes kimondani. Az ünnepnapok és a hosszú leállások köré épített minták vékonyak, mert kevés a múltbeli eset. A logisztikai késések miatt egy szállítmány feldolgozása átcsúszik a következő napra. Vannak olyan tényezők is, amelyeket egyszerűen nem érdemes modellezni, mert a hatásuk kicsi és a mintázatuk zajos. Egy jó modell ezeket nem elfedi, hanem a bizonytalanságot számszerűsíti, és megmutatja, hol nagy a tévedés kockázata.

Mennyibe kerül a pontatlanság?

A kiegyenlítő energia ára előre nem ismert és extrém volatilis. Ez az az árkockázat, amit a legjobb menetrend mellett sem lehet nullára vinni.

Az iparági reflex az, hogy a menetrendi eltérés hiba, a kiegyenlítő energia pedig büntetés. Ebből az következik, hogy a cél a hibák minimalizálása. Ez védekező stratégia, és van vele egy probléma: pénzt hagy az asztalon.

Bizonyos piaci helyzetekben a tudatos menetrendi eltérés nyereséges. Ha a kiegyenlítő ár negatív, akkor az eltérés nem pótdíjat, hanem bevételt jelent. Ezt a különbséget előre jelezni lehet, és erre épül a KiO logikája: a modell a másnapi piac zárása előtt megmutatja, mikor érdemes szándékosan eltérni a tervtől. Ügyféladataink szerint 1 MW kapacitásra vetítve éves szinten akár 70 000 euró többleteredmény is elérhető, és a hatás negyedórás bontásban visszamérhető.

Két külön dolgot csinál tehát a rendszer: csökkenti a nem szándékos eltérésekből fakadó költséget, és megkeresi azokat a helyzeteket, ahol a szándékos eltérés nyereséget hoz.

Hol jelenik meg a haszon egy üzemben?

A harmadik és a negyedik sor az, ahol a legtöbb üzem a legtöbbet hagyja kihasználatlanul, mert mindkettő azt kívánja, hogy előre tudjuk, mi lesz az ár.

Mi mozdítható egy üzemben?

Nem sok, de általában több, mint amit a termelésirányítás elsőre felajánl. A tipikus jelöltek: hűtőházak és hűtőkörök túlhűtése, sűrített levegős rendszerek feltöltése, szennyvíz- és vízkezelés ciklusai, elektrolízis, szárítás, darabos anyagok előkészítése, flottatöltés, épületklíma. A közös bennük, hogy van bennük tárolási képesség, hőben, nyomásban, anyagban vagy töltöttségben.

Ami nem mozdítható, az nem is téma. A termelés folytonossága nem optimalizálási változó.

A saját napelem, akkumulátor és gázmotor bevonása

A zöldítési hullámban telepített ipari napelemek és tárolók esetén az ígért megtérülés sokszor nem mutatkozik a mérlegen. Az ok általában nem az eszközben van, hanem abban, hogy adatvezérelt vezérlési réteg nélkül ezek az eszközök szigetüzemű fekete dobozok maradnak.

Ha viszont egy rendszerbe kerülnek a fogyasztási és a piaci adatokkal, három dolog válik lehetségessé:

• Rejtett hibák kiszűrése. Az inverterhibák és a teljesítményromlás a termelési adatokból korán látszanak, ha van mihez hasonlítani. Ehhez kell egy PV-előrejelzés, ami a konkrét park tényleges viselkedésére tanul rá, nem katalógusgörbét használ.
• Prioritásváltás az ár szerint. Magas piaci árnál a saját napelemes termelés fogyasztása a nyereséges, negatív árnál viszont az, ha a hálózatról töltöd az akkumulátort.
• Élettartam és nyereség együtt. Az akkumulátor-menedzsment akkor hoz pénzt, ha a töltöttségtől függő határköltséget és a telepek degradációját egyetlen célfüggvényben kezeli az arbitrázslehetőséggel. Külön optimalizálva a kettő egymás ellen dolgozik.

Miért nem elég a statikus teljesítménygörbe?

Mert a fizikai világ változékonyabb nála. A panelek dőlésszöge és tájolása telephelyenként más, a fokozatos degradáció évről évre csökkenti a hozamot, a szomszéd földeken beinduló mezőgazdasági munka pora és a permetezés éppúgy befolyásolja a termelést, mint a szaharai homok. Ezek egyike sem szerepel a katalógusban.

Ugyanez igaz az időjárási adatra: a régiós előrejelzés nem elég pontos a telephelyed tényleges mikroklímájához. Egy váratlan felhő, ami egy időre leárnyékolja a park felét, apró előrejelzési hibának látszik, a menetrendtől viszont azonnal elmozdít.

A megoldás nem több szabály, hanem egy modell, ami a saját hibáiból tanul: folyamatosan összeveti az elvárt és a tényleges termelést, és ez alapján hangolja magát. Minél több adat folyik át rajta, annál szorosabban simul rá a telephely valós viselkedésére.

Mit csinál pontosan a töltöttségfüggő vezérlés?

Ez a rész gyakran marad homályos, pedig egyszerű logika. A vezérlés a pillanatnyi töltöttségi szint (SoC), a tervezett menetrend és a várható árak alapján dinamikusan alakítja a határköltséget: alacsony töltöttségnél korlátozza a kitárolást, magasnál viszont priorizálja.

A cél a két véglet elkerülése. Egy olyan szoftver, ami vakon kergeti az ártüskéket, rövid távon keres, de évekkel rövidíti meg a telepek élettartamát. Egy túlóvatos viszont üres akkuval várja a legjobb kitárolási lehetőséget, és lemarad róla.

Mi kell hozzá? Adat, integráció, kiberbiztonság

Adat. Negyedórás mérési adat a fogyasztási helyekről, termelési terv, az eszközök műszaki paraméterei, és hozzáférés az időjárási és piaci adatokhoz. A gyakorlatban az első kérdés nem az, hogy van-e elég adat, hanem hogy hozzá lehet-e férni értelmezhető formában.

Integráció legacy rendszerekkel. A legtöbb ipari vezérlőrendszert (SCADA, PLC) egy kiszámíthatóbb energiapiacra tervezték, és a gyártás évtizedes folytonosságára optimalizálták. Ami akkor kiszolgálta a termelést, az ma a gyors reakciót gátolja. A cseréjük viszont gazdaságilag irreális, és nem is szükséges: a szoftvereink a meglévő SCADA mellett működnek, döntéstámogató rétegként.

Kiberbiztonság és NIS2. Az energiaoptimalizálás nem érhet annyit, hogy új informatikai kockázatot vigyen az üzembe. A megközelítésünk három ponton zárja ezt ki:

• Zárt, saját adatkapu. A termelőkhöz és a fogyasztókhoz saját ipari hardverrel csatlakozunk (Linkbox), nem a gyár belső hálózatán keresztül. Az eszköz két elkülönített SIM-kártyát használ: az egyik a helyszíni adatkapcsolatért, a másik a távoli menedzsmentért felel, így a kritikus funkciók szét vannak választva. Ahol instabil a mobilhálózat, ott műholdas kapcsolat a tartalék. A teljes adatforgalom zárt, központi VPN-szerveren megy át.
• Szigorúan csak olvasási jog. Az adatréteg elkülönülve fut a gyári IT-hálózattól. Egy meghibásodás sem tud téves utasítást küldeni a vezérlésnek.
• Megszokott formátumú kimenet. A menetrendi javaslat abban a formában érkezik, amiben használni tudod, jellemzően Excelben vagy API-n.

Rendelkezésre állás. A rendszer georedundáns felhőkörnyezetben fut, 7x24 órás felügyelettel. Ha egy eszköz elérhetetlenné válik, az algoritmus észleli a vezérelhetetlenséget és fallback üzemmódba kapcsol, ahelyett hogy hiányos adatokból számolna tovább. A Linkbox üzemeltetése, hibaelhárítása és meghibásodás esetén a cseréje is a mi feladatunk, ez nem terheli a gyár IT-csapatát.

A döntés a tiéd: human-in-the-loop

A rendszer kiszámítja az optimumot, a jóváhagyást viszont mindig ember adja meg, jellemzően a műszakvezető. Ez nem technikai korlát, hanem szándékos tervezési döntés, két okból.

Az első üzemeltetési: a termelésfolytonosság kockázata nem áll arányban azzal, amit az automatizálás nyerne. A második emberi: az adatvezérelt döntéshozatal nem attól működik, hogy a szoftver dönt, hanem attól, hogy a döntéshozó megbízik a javaslatban. A megbízás pedig úgy épül, hogy látja a javaslat mögötti logikát, és visszamérve látja, hogy jól járt vele.

Ehhez a rendszer nem lehet fekete doboz. A döntések naplózva vannak és utólag visszanézhetők, a pénzügyi hatás pedig negyedórás bontásban látszik. Ahol a folyamat automatizálható, ott automatizáljuk, de a beállított logika bármikor felülírható.

Ez egyben a projekt legnagyobb kockázata is. Aki már látott adatprojektet elbukni, tudja, hogy a kudarc oka ritkán a modell, sokkal inkább az, hogy a javaslat nem illeszkedett a napi működésbe.

Mikor érdemes belevágni?

Öt jel, amiből látszik, hogy van mit keresni:

1. Az energia a három legnagyobb változó költséged egyike, és az éves fogyasztásod legalább néhány GWh.
2. Van rugalmasság a folyamatokban, ha csak egy-két órás időzítési szabadság is.
3. Van negyedórás mérési adat, vagy kiépíthető.
4. Van vagy lesz saját termelőd, tárolód (PV, akkumulátor, gázmotor, kogeneráció).
5. A menetrendet ma ember készíti Excelben, historikus adatokból.

Ha ezekből három igaz, egy adatvagyon-felmérés vagy egy üzleti validációs workshop néhány hét alatt megmutatja a nagyságrendet, még a fejlesztés előtt.

Mennyi idő, amíg működik?

Minden portfólió és IT-infrastruktúra más, de a bevezetés íve tipikusan így néz ki:

Az első két szakasz a döntési pont: onnan már látszik a nagyságrend és a csatlakoztatás módja, tehát az érdemi fejlesztés előtt el lehet dönteni, megéri-e.

A bevezetés pénzügyi kockázatát át tudjuk vállalni: az ipari energiaoptimalizálásnál beruházásmentes, sikerdíjas (zero CAPEX) konstrukcióban dolgozunk, ahol a díjunk a visszamért, tényleges megtakarítás előre egyeztetett százaléka. Ennek az a feltétele, hogy a megtakarítás mérhető legyen, ezért a rendszerhez tartozik egy dashboard és havi tételes riport, amiben az is látszik, hogyan alakult volna az eredmény a rendszer nélkül.

Honnan tudjuk ezt?

Az energiapiaci előrejelzés nálunk nem új terület. 2014-ben a Global Energy Forecasting Competition (GEFCom) valószínűségi szélenergia- és napenergia-előrejelzési kategóriájában is második helyezést értünk el, a módszertant pedig 2016-ban publikáltuk az International Journal of Forecastingben. 2017-ben ugyanezen a versenyen 177 akadémiai és céges nevező közül a három győztes csapat közé kerültünk.

A gyakorlati oldal ma így áll:

• Egy energiakereskedő cégcsoportnak teljes portfóliókezelést fejlesztettünk, az adatgyűjtéstől a tőzsdei kereskedésen át a számlázásig. Ez a CET esettanulmányunk.
• Jelenleg több száz MW összteljesítményű magyar ipari portfólión optimalizáljuk az energiafelhasználást.
• Egy nagy hazai energiakereskedővel közös pilotban 10 szélerőmű menetrendezési előrejelzését támogatjuk élesben.
• Ipari forgógépes prediktív karbantartási projekteket valósítottunk meg a Molnál, a Slovnaftnál és a BV Papersystemsnél.

Az energiapiaci megoldásainkat 2025 óta önálló márkánk, a Nexten.ai viszi tovább, a fejlesztés és az üzemeltetés pedig a Dmlab data science csapatának a munkája. A rendszerépítés és üzemeltetés továbbra is a dmlab.hu-n szerepel szolgáltatásként, mert ugyanez a kompetencia más iparágakban is használható.

Gyakori kérdések

Mi az energiafogyasztás-előrejelzés?

Annak megbecslése, hogy egy fogyasztó a következő időszak minden elszámolási egységében (villamos energiánál negyedóránként) mennyi energiát fog felhasználni. A becslésből készül a menetrend, amit a mérlegkört vivő kereskedő ad be. A becslés pontossága azért üzleti kérdés, mert az eltérést kiegyenlítő energiával kell rendezni.

Miért negyedórás bontásban kell előre jelezni?

Mert a villamosenergia-rendszer elszámolása ilyen felbontásban történik. 2025. október 1-je óta a HUPX másnapi piacán is elérhetők a 15 perces termékek, tehát a kereskedés felbontása is követi ezt. Gáznál a bontás jellemzően napi.

Mi a kiegyenlítő energia, és miért drága?

A menetrendtől való eltérést a rendszer utólag rendezi, ennek az ára a kiegyenlítő energia ára. Két dolog teszi kockázatossá: előre nem ismert, és extrém volatilis. Bizonyos piaci helyzetekben viszont negatív, tehát a tudatos eltérés nyereséget hoz.

Mennyivel pontosabb egy gépi tanulásos modell a historikus becslésnél?

Ez üzemenként más, mert azon múlik, mennyi és milyen adat van, és mennyire változékony a termelés. Amit mondani tudunk: ügyféladataink szerint a kiegyenlítő energia optimalizálásával 1 MW kapacitásra vetítve éves szinten akár 70 000 euró többleteredmény elérhető. A tényleges hatás negyedórás bontásban visszamérhető, ezért nem kell elhinni, hanem ki lehet számolni.

Le kell cserélni a meglévő SCADA rendszert?

Nem. A cseréjük a legtöbb üzemnél gazdaságilag irreális, és nem is szükséges. A döntéstámogató réteg a meglévő rendszerek fölé épül, külön, csak olvasási jogú adatkapun keresztül.

Mennyi idő, amíg éles lesz?

A szakmai egyeztetés és az adatkérés jellemzően 1-2 hét, a műszaki feltárás és a csatlakoztatási terv további 2-4 hét, az implementáció, a tesztelés és az élesítés pedig 2-6 hónap, az üzem méretétől és az adatok állapotától függően. A nagyságrend viszont már az első két szakasz után látszik.

Beavatkozik a szoftver a termelésbe?

Nem. A rendszer javaslatot ad, a jóváhagyást mindig az erre kijelölt munkatárs adja meg. Az adatréteg elkülönülve fut a gyári IT-hálózattól, így egy meghibásodás sem tud utasítást küldeni a vezérlésnek.

Mennyi adat kell a kezdéshez?

Általában egy év negyedórás fogyasztási adat már elég ahhoz, hogy a nagyságrendet megbecsüljük, mert ennyi idő alatt a szezonalitás és a jellemző üzemmenetek lefutnak. Rövidebb idősorral is lehet kezdeni, csak a bizonytalanság nagyobb.