Вашингтон, 11 июл - ИА Neftegaz.RU. Ученые из Национальной лаборатории по возобновляемым источникам энергии (ВИЭ) Министерства энергетики США (NREL) разработали новый метод повышения качества данных с помощью машинного обучения, позволяющий быстро повысить разрешение данных о скорости ветра в 50 раз, а о солнечном излучении - в 25 раз.
Об этом 7 июля 2020 г. сообщила группа товарищей Национальной лаборатории возобновляемой энергии (NREL) Министерства энергетики США.
Группа исследователей Р. Кинг, К. Стенгель (Karen Stengel), Э. Глоус (Andrew Glaws) и примкнувший к ним Д. Хеттингер (Dylan Hettinger) использовали альтернативный метод, используя состязательное обучение, при котором модель позволяет получать физически реалистичные детали, делая полное наблюдение за 1 раз, предоставляя климатические данные с высоким разрешением с гораздо более высокой скоростью. Этот подход позволит ученым быстрее и с большей точностью завершить исследования ВИЭ в будущих климатических сценариях.
Они поведали о подходе в материале «Состязательное сверхразрешение климатологических данных о ветре и Солнце» (Adversarial super-resolution of climatological wind and solar data), опубликованном в журнале Труды Академии наук США.
Зачем нужны климатические прогнозы:
- точные прогнозы с высоким разрешением важны для прогнозирования изменений ветра, облаков, дождя и морских течений, которые питают ВИЭ.
- краткосрочные - способствуют принятию оперативных решений;
- среднесрочные необходимы для планирования и распределения ресурсов;
- долгосрочные климатические прогнозы - основа для планирования инфраструктуры и выработки политики.
Тезисы Р. Кинга:
- трудно сохранить временное и пространственное качество в климатических прогнозах;
- климатические прогнозы крайне важны, в т.ч. для возобновляемой энергетики,
- отсутствие данных с высоким разрешением для различных сценариев является основной проблемой при планировании устойчивости к энергопотреблению;
- появились различные методы машинного обучения для улучшения грубых данных с помощью суперразрешения - классического процесса визуализации, заключающегося в резкости нечеткого изображения путем добавления пикселей;
- но до сих пор никто не использовал состязательную подготовку для сверхразрешения климатических данных.
Дерзкий интерн Э. Глоус, специализирующийся на машинном обучении:
- состязательная подготовка (adversarial machine learning) - ключ к этому прорыву».
Производительность нейронных сетей повышают за счет их конкуренции друг с другом при генерировании новых реалистичных данных высокого качества.
Исследователи NREL подготовили 2 типа нейронных сетей в модели:
-
для распознавания физических характеристик солнечного излучения и данных о скорости ветра,
-
для интеграции этой информации в данные низкого разрешения ( грубой точности).
В процессе обучения нейросети создают все более и более реалистичные данные и совершенствуются в умении различать реальные и фальшивые входные данные.
Благодаря новому методу исследователям удалось добавить до 2,5 тыс. пикселей на каждый оригинальный пиксель исходной - грубой информации.
Говоря простым языком разработчиков, такой подход:
- может быть применен к широкому спектру климатических сценариев от региональных до глобальных масштабов,
- вообще изменит парадигму прогнозирования климатической модели.
Качественные климатические прогнозы, создаваемые по новым методам, смогут повысить эффективность работы ВИЭ.
NREL - это базовая национальная лаборатория Минэнерго США по исследованиям и разработкам в области ВИЭ.
NREL управляется компанией Alliance for Sustainable Energy, LLC в Департаменте энергетики.
Автор: А. Шевченко, О. Бахтина