Polacy będą przewidywać moc OZE. Użyją sztucznej inteligencji

Odnawialne źródła energii to przyszłość energetyki. Mają one jednak sporą wadę. Ich generacja zależy od pogody, którą trudno przewidywać. Polscy naukowcy mają na to jednak sposób. Wykorzystają sztuczną inteligencję.

Europa i świat zdecydowanie stawiają na odnawialne źródła energii. Zastąpienie paliw kopalnych fotowoltaiką i farmami wiatrowymi w znacznym stopniu wpłynie na ograniczenie emisji CO2 i innych szkodliwych substancji, co ograniczy wpływ ludzkości na środowisko naturalne. Trzeba mieć jednak świadomość, że OZE mają swoje wady. Podstawowa dotyczy nieregularności produkcji.

W przypadku elektrowni konwencjonalnych i atomowych to człowiek decyduje kiedy i ile energii będzie generowanej. Odnawialne źródła energii, takie jak fotowoltaika i turbiny wiatrowe, są zależne od pogody. W związku z tym, do optymalnego planowania pracy OZE konieczne jest możliwie dokładne prognozowanie warunków atmosferycznych.

Dalsza część artykułu pod materiałem wideo

Naukowcy Interdyscyplinarnego Zakładu Analiz Energetycznych Narodowego Centrum Badań Jądrowych i Politechniki Śląskiej opracowali rozwiązanie, które pozwala przewidywać, jaką moc będą generować farmy wiatrowe w krótkim jak i dłuższym okresie. System, nad którym pracowali polscy badacze, miał łączyć precyzję przewidywania z szybkością działania.

Szybkość obliczeń jest ważna, ponieważ docelowo taki system miałby działać w skali całego kraju i pozwalać na przewidywanie produkowanej mocy w 15-minutowych odstępach czasu. Naukowcy w systemie wykorzystali dwa źródła danych. Część z nich pochodziła z systemów SCADA z farm wiatrowych, natomiast reszta z komercyjnych prognoz pogody, które są przekazywane co sześć godzin.

Na potrzeby projektu wykorzystywano standardowe metody uczenia maszynowego, tj. sztuczne sieci neuronowe, lasy losowe, drzewa wzmacniane gradientowo i algorytm k-najbliższych sąsiadów. Naukowcy podkreślają istotę czasu wykonywania obliczeń.

- Musi on być krótki, gdyż w systemie zakładane jest cotygodniowe ponowne trenowanie modelu tak, aby wziąć pod uwagę ewentualne czasowe włączenia czy wyłączenia turbin, co może mieć duży wpływ na trafność przewidywań. Jednocześnie, w przypadku wielkoskalowego wykorzystania systemu, istnieje potrzeba optymalizacji pod kątem złożoności obliczeniowej, co jest szczególnie dużym wyzwaniem w przypadku korzystania ze sztucznych sieci neuronowych - mówi dr hab. inż. Marcin Blachnik, pierwszy autor artykułu.

Z przeprowadzonych badań wynika, że optymalnym rozwiązaniem na potrzeby tego rodzaju projektu jest wykorzystanie modelu losowych lasów. Wynika to z faktu, że precyzja przewidywań i czas potrzebny na wykonanie prognozy są zbliżone do tego, co oferują sztuczne sieci neuronowe, lecz czas wytrenowania modelu jest nawet kilkadziesiąt razy krótszy.

- Co więcej, w modelu wykorzystującym lasy losowe można stosunkowo prosto zaimplementować równoległe wykonywanie obliczeń, co pozwala dalej zwiększyć jego efektywność. Dodatkowo, ze względu na specyfikę modelu i dokładną znajomość jego funkcjonowania, unikamy problemu tzw. czarnej skrzynki, co ma miejsce w przypadku sztucznych sieci neuronowych - dodaje Marcin Blachnik.

Z badań wynika, że największą poprawę jakości przewidywania spowodowało uwzględnienie w modelach gradientu prędkości i kierunku wiatru. Warunki pogodowe, takie jak wilgotność powietrza czy temperatura nie miały dużego wpływu na wyniki, co może być spowodowane faktem, że ich pomiarów dokonuje się na poziomie dwóch metrów, więc są one tylko częściowo powiązane z warunkami, które panują na wysokości 90 czy 110 m.