Předpověď slunečního záření založená na zobrazování oblohy
Nizozemský výzkumný tým vyvinul model předpovědi slunečního záření, který využívá techniku dlouhé krátkodobé paměti (LSTM). Navržená metodika údajně dosahuje lepších výsledků než jiné prognostické přístupy. Výzkumníci z nizozemské Utrechtské univerzity a EKO Instruments Europe vyvinuli nové strojové učení a
Nizozemský výzkumný tým vyvinul model předpovědi slunečního záření, který využívá techniku dlouhé krátkodobé paměti (LSTM). Navržená metodika údajně dosahuje lepších výsledků než jiné prognostické přístupy.
Výzkumníci z nizozemské Utrechtské univerzity a EKO Instruments Europe vyvinuli nové strojové učení a krátkodobou předpověď slunečního záření založenou na zobrazování celé oblohy.
Model se zakládá na modelu dlouhé krátkodobé paměti (LSTM). Což je druh rekurentní neuronové sítě schopné učit se závislosti na pořadí v problémech s predikcí sekvencí. Technika LSTM přebírá relevantní části předem trénovaného modelu strojového učení a aplikuje je na nový, ale podobný problém.
„Naším cílem je zlepšit přesnost předpovědí implementací rozšíření dat a případně rozšířením sítě senzorových míst tak, aby zahrnovala data v reálném čase z více míst,“ řekla hlavní autorka výzkumu Khadija Barhmi.
Akademici vysvětlili, že LSTM používá paměťové buňky, které mohou uchovávat informace po dlouhou dobu, a brány, které řídí tok informací a rozhodují o tom, co se stane zapomenuto a co zachováno.
„Sítě LSTM, podmnožina rekurentních neuronových sítí (RNN), jsou známé svou výjimečnou schopností modelovat časové sekvence,“ uvedli. ,,Integrací LSTM s celooblohovými snímky a místními meteorologickými daty náš výzkum formuluje nový přístup. A ten nám umožňuje vytvářet budoucí reprezentace vývoje oblohy."
Přesná předpověď slunečního záření vyvinutá v Nizozemsku
Metoda predikce vyvinutá vědcem využívala zobrazování celé oblohy, zachycující snímky oblohy, z nichž se model může dozvědět o umístění, pohybu a formaci mraků. Využívá prahový algoritmus, který klasifikuje pixely jako cloud nebo clear-sky na základě předem definovaných prahových hodnot. Pohyb mraků se vypočítává pomocí dvousnímkového algoritmu odhadu toku.
Tým umístil celooblohové kamery do zařízení Plataforma Solar de Almería (PSA) v jižním Španělsku, přibližně 880,2 metru od sebe. Každý z nich pořídil snímky, které pokrývaly 180 stupňové zorné pole se vzorkovací frekvencí 15 sekund. Kromě toho se na stejném místě umístily senzory měřící okolní teplotu, globální horizontální ozáření (GHI) a relativní vlhkost. Model LSTM se také doplnil externími meteorologickými daty shromážděnými z otevřených zdrojů, jako je přesný index oblohy a vzdálenost Slunce-Země.
Testování, kombinace i ověřování
„Jako soubor dat považujeme data od 1. srpna 2019 do 31. prosince 2019. Ty zahrnují 121 slunečných dnů, 29 částečně zatažených dnů a tři zatažené dny,“ uvedla výzkumná skupina. ,,Abychom vyhodnotili účinnost různých parametrů, provedli jsme rozsáhlé srovnání během devíti dnů."
Ověřovací sada zahrnovala různé povětrnostní podmínky, včetně slunečných dnů, částečně zatažených dnů a zatažených dnů.
Tato nová metoda se porovnávala s jinými metodami strojového učení, jako např. Random Forest (RF) a Artificial Neural Networks (ANN) s touto ověřovací sadou. Porovnával se taky s modelem perzistence, standardním základním modelem v předpovědi slunečního záření, a s nejmodernějším modelem SKIPP'D. Všechny se testovaly s různými vstupními daty, s různými kombinacemi snímků oblohy, dat ze senzorů a meteorologických dat.
„Modely RF a ANN dosahují svého nejlepšího výkonu, když používají pouze podmnožinu funkcí „na místě“. Což naznačuje, že se jim nedaří zachytit cenné informace z prvků extrahovaných ze snímků,“ uvedli vědci. „Nicméně LSTM je překonává, když má přístup k této podmnožině. Díky pochopení složitosti těchto funkcí poskytuje LSTM nejlepší předpovědi ze všech testovaných modelů. Navíc sada funkcí „all-data“ funguje pro LSTM v průměru nejlépe za všech povětrnostních podmínek.“
Skóre rampy (RS) modelu LSTM – používaného k měření předpovědní schopnosti fluktuací GHI – bylo 39 % za slunečného počasí a 25 % za částečně zatažených podmínek. „Naše srovnávací aktivity zahrnovaly srovnávací analýzu mezi naším modelem hlubokého učení a metodou SKIPP'D,“ dodala skupina. ,,Model LSTM překonal ve validaci a prokázal vynikající zachycení časové dynamiky, což je zásadní pro solární předpověď."
Vědci představili svůj model ve studii „All sky imaging-based short-term solar irradiance forecasting with Long Short-Term Memory networks“ publikované na Solar Energy.
Zdroj: pv-magazine, Vapol