USD 93.3581

+0.14

EUR 103.6502

-0.52

Brent 74.56

+0.16

Природный газ 2.902

-0

2 мин
...

Прогнозы погоды станут точнее. Создан новый метод повышения качества данных с помощью машинного обучения

В основе метода - состязательное машинное обучение (adversarial machine learning).

Прогнозы погоды станут точнее. Создан новый метод повышения качества данных с помощью машинного обучения

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


Новости СМИ2




Подписывайтесь на канал Neftegaz.RU в Telegram