Forskere bruger kunstige neurale netværk til præcist at forudsige kortsigtet solindstråling

Forskere fra Universidad Politécnica de Madrid og det Nicaraguanske Institut for Territoriale Studier har udviklet en teknik til at lave nøjagtige forudsigelser af kortsigtet global solindstråling (GSI) ved hjælp af kunstige neurale netværk (ANN).

Undersøgelsen introducerer en ny metode baseret på observationer foretaget parallelt af nabosensorer og værdier for flere variabler (temperatur, fugtighed, tryk, vind og andre skøn). Eksperimenter blev udført ved hjælp af kunstige neurale netværk med forskellige arkitekturer og parametre for at bestemme, hvilke af disse der genererede de bedste forudsigelser for de forskellige undersøgte tidsrammer.

Resultaterne tillod forskere at udvikle modeller, der forudsiger kortsigtet GSI med fejlprocenter på under 20 procent. Dette kan være nyttigt for virksomheder, der administrerer både solcelleanlæg og termiske solvarmeanlæg til at estimere produktionskapaciteten af ​​deres installationer.

En stor udfordring for det moderne samfund er effektiv udnyttelse af naturressourcer og minimering af miljøpåvirkninger på grund af den øgede efterspørgsel og forbrug af energi. Dermed, vedvarende energi, især solenergi, er blevet en langsigtet løsning med større potentiale mindre effekt.

I særdeleshed, fotovoltaisk solenergi kan tilsluttes transport- og distributionsnetværk, men det kræver, at udbud og efterspørgsel efter energi styres tilstrækkeligt. Derfor, forudsigelsen af ​​GSI inden for få timer og med en minimal fejlrate er påkrævet for at estimere den forventede energiproduktion.

Forskellige metoder bruges til at estimere global solbestråling, herunder numeriske forudsigelser baseret på placeringer og tid suppleret med forskellige korrektionsmodeller, metoder baseret på satellitbilleder, der registrerer uklarheden og estimerer tabene i den ideelle model. Andre modeller er baseret på tidsserier eller kunstig intelligens. Hver metode har fordele og ulemper. For eksempel, den satellitbaserede forudsigelse har vist sig at være universel, da den giver estimater for store geografiske områder. Imidlertid, det afhænger af tilgængeligheden af ​​sådanne billeder for visse områder af planeten og forbehandlingen af ​​billederne, blandt andet.

I tilfælde af forudsigelser baseret på numeriske metoder, atmosfærens dynamik estimeres på en realistisk måde gennem assimilering af data. Imidlertid, de garanterer den generelle stabilitet af vejrudsigten på lokale meteorologiske begivenheder. Indtil nu, metoderne baseret på kunstig intelligens bruger kun de endogene inputvariabler, der er knyttet til stedet for forudsigelsen.

Undersøgelsen udført af UPM- og INETER-forskere fokuserede på hypotesen om, at det var muligt at forbedre den kortsigtede prognose for global solbestråling gennem generation af modeller baseret på kunstige neurale netværk ved hjælp af op til 900 input, der viser udviklingen af ​​variabler i en nærliggende rumlig-tidsmæssig kontekst.

Forskningsresultaterne viser kapaciteten af ​​de udviklede modeller baseret på kunstige neurale netværk til at identificere både lineære og ikke-lineære sammenhænge mellem variablerne. Forfatterne skriver, "Dette har givet os mulighed for at forudsige den kortsigtede globale solbestråling med en betydelig prognosefærdighed og normaliseret rodgennemsnitlig kvadratfejl på mindre end 20 procent i forhold til resten af ​​modeller baseret på kunstige neurale netværk. Derudover er de udviklede metoder har gjort det muligt for os at identificere en sammenhæng mellem forudsigelserne via et glidende tidsvindue på en til tre timer og fire til seks timer vedrørende referencedistancen på 55 km. Dette kan føre til en forskningslinje til at bruge forskellige referenceafstande til forskellige forudsigelsesskydervinduer."

Disse resultater har anvendelser til virksomheder, der administrerer både solcelleanlæg og solvarmeanlæg til at estimere produktionskapaciteten af ​​deres installationer, som gældende lovgivning kræver, og operatørerne af nationale elektriske systemer. Begge felter kan bruge disse metoder til at nå deres mål mere effektivt, maksimere investeringsafkastet og justere kurven for efterspørgsel og udbud.