Полуторасуточный прогноз силы ветра поможет оптимизировать выходную мощность ветрогенераторов



    Дочерняя компания Alphabet DeepMind была приобретена компанией Alphabet в 2014 году. С 2010 года она разрабатывает программы искусственного интеллекта для решения сложных задач. Согласно недавнему сообщению Google, один из последних проектов DeepMind был сосредоточен на предсказуемости энергии ветра. Те огромные ветрогенераторы, которые расположены вдоль шоссе, вырабатывают энергию только тогда, когда есть ветер. В отсутстие дорогого накопления энергии трудно спланировать, сколько энергии смогут обеспечить их турбины.

    Это не значит, что владельцы ветропарков не пытаются прогнозировать объемы производства электроэнергии. В течение многих лет индустрия энергетики использовала методы искусственного интеллекта, чтобы попытаться приблизиться к реальным предсказаниям ветра.

    E & E News опубликовали вчера статью, показывающую, насколько сложно прогнозировать мощность ветроэлектростанции: во время недавнего полярного вихря на Среднем Западе США энергия ветра падала. Но когда температура продолжала падать до -14° С (-22° F), некоторые турбины автоматически отключались, чтобы предотвратить поломки механических частей ветряков. Это приводило к непредсказуемому дефициту электроэнергии для системного энергооператора.



    Когда температура упала до -14° С (-22° F), энергия ветра падала быстрее, чем ожидалось

    Но в DeepMind говорят, что программы искусственного интеллекта, которые были разработаны за последний год, могут помочь приблизить линию «ветровой мощности» к линии «ожидаемой ветровой мощности». Алгоритмы, разработанные DeepMind, были обучены на исторических данных о погоде и годовой мощности ветра, записанной 700-мегаваттными ветряными турбинами, принадлежащими Google.

    DeepMind и Google хотели бы иметь возможность прогнозировать мощность ветра за 36 часов. «Это важно, потому что источники энергии, которые могут быть запланированы (то есть могут поставлять определенное количество электроэнергии в установленное время), часто более ценны для энергосистемы», — пишет сегодня Google. Модель, разработанная DeepMind, помогает владельцам ветряных электростанций, таким как Google, делать почасовые обязательства перед региональным менеджером энергосистемы «на целый день вперед».

    Google сообщает, что эта возможность позволит сообщить местному управляющему энергосистемой, сколько ветра обеспечит ферма на день вперед, «увеличит стоимость нашей энергии ветра примерно на 20 процентов по сравнению с базовым сценарием». Как Google количественно оценивает «ценность», пока неизвестно.

    Тем не менее, компания выпустила этот симпатичный маленький .gif, показывающий, как его прогнозы отслеживают фактическую мощность ветра в данный день:



    Диаграмма прогноза энергии ветра

    «Мы надеемся, что такой подход к машинному обучению поможет усилить экономическое обоснование использования энергии ветра и способствовать дальнейшему внедрению безуглеродной энергетики в электрических сетях по всему миру», — пишет Google.
    AdBlock похитил этот баннер, но баннеры не зубы — отрастут

    Подробнее
    Реклама

    Комментарии 4

      +2
      Тем не менее, компания выпустила этот симпатичный маленький .gif

      А не получится, как с обучением нейросетей на предсказание цен на нефть, и другие графики колебаний?
      Ну то есть учить алгоритм на исторических данных графика, и это алгоритм выдает 99% попадание ответа на исторических данных, но на реальных (скажи что будет в ближайшем будущем) ошибается только в путь.

        +2
        На биржах топчется множество крупных игроков, желающих выгрести себе самые выгодные ордера и постоянно совершенствующие свои алгоритмы предсказаний, тем самым меняя сами законы поведения рынка. С ветром таких проблем (пока) нет.
        Да и цена ошибки не так высока, не угадал — «ну простите, бывает, покупайте энергию у соседней ГЭС».
        +1
        В DeepMind работает достаточно сильная команда, поэтому удивляет, что их прогноз оказался не совсем удачным (судя по графику). Вообще, задача прогноза событий на несколько шагов вперед на основе совокупности динамических рядов является актуальной уже много лет. Для обычных климатических показателей (температура, влажность, …) работать проще, чем с ветром (направление, скорость, …). «Порывистый» характер ветра требует иного подхода в постановке задачи. Было бы интересно «потрогать» эти данные, если бы они были в публичном доступе.
          +2
          >разработанные DeepMind, были обучены на исторических данных о погоде и годовой мощности ветра

          В данном случае это бы не помогло — там пол страны обновило температурные рекорды, а остальные вплотную приблизились к рекордам середины 70х. Экстраординарные события обучением не отловишь. А не экстраординарные и так очень хорошо предсказывают, см. например предсказания на неделю и на день вперед немецких энергосистем (солнце/ветер/цены электричества)

          Только полноправные пользователи могут оставлять комментарии. Войдите, пожалуйста.

          Самое читаемое