Sztuczna inteligencja pomoże w przewidywaniu produkcji energii z wiatru

Naukowcy z NCBJ i Politechniki Śląskiej sprawdzili, czy da się zastosować metody uczenia maszynowego do precyzyjnego prognozowania generacji energii przez farmy wiatrowe w długim horyzoncie czasowym. Analizy pozwoliły wskazać najlepszą metodę.

W związku z rosnącą rolą energetyki opartej na odnawialnych źródłach energii konieczne staje się jak najdokładniejsze przewidywanie mocy tych źródeł i generowanej energii w długiej perspektywie czasowej. Informacje takie mogłyby mieć istotne znaczenie dla stabilizacji systemu energetycznego. Badacze z Zakładu Analiz Energetycznych Narodowego Centrum Badań Jądrowych (NCBJ) oraz Politechniki Śląskiej postanowili wykorzystać do tego celu metody uczenia maszynowego. Przeanalizowali możliwość przewidywania mocy, z jaką pracować będą lądowe farmy wiatrowe.

Precyzyjny, szybki i skalowalny

Wykorzystane narzędzia badawcze bazowały na prognozach pogody i danych historycznych o mocy w określonym przedziale czasu. Celem było skuteczne przewidywanie mocy, z jaką farmy wiatrowe będą wytwarzać energię, w perspektywie krótko- i długookresowej (dziesiątki godzin i dni). Jednocześnie system taki musi być skalowalny, żeby mógł objąć farmy działające na terenie całego kraju. Założeniem było prognozowanie poziomu mocy w 15-minutowych odstępach czasu.

REKLAMA

Dane wejściowe modelu pochodziły ze znajdującego się w farmach wiatrowych systemu SCADA (Supervisory Control and Data Acquisiton) oraz dostępnych komercyjnych prognoz warunków pogodowych otrzymywanych co 6 godzin. Do utworzonych zestawów danych naukowcy zastosowali metody uczenia maszynowego: sztuczne sieci neuronowe, lasy losowe, drzewa wzmacniane gradientowo i algorytm k-najbliższych sąsiadów – w celu określenia ich trafności przewidywania i czasu wykonywania obliczeń.

– Czas obliczeń był w analizach szczególnie istotny. Musi on być krótki, gdyż w systemie zakładane jest cotygodniowe ponowne trenowanie modelu, tak aby wziąć pod uwagę ewentualne czasowe włączenia czy wyłączenia turbin, co może mieć duży wpływ na trafność przewidywań. Jednocześnie w przypadku wielkoskalowego wykorzystania systemu istnieje potrzeba optymalizacji pod kątem złożoności obliczeniowej, co jest szczególnie dużym wyzwaniem w przypadku korzystania ze sztucznych sieci neuronowych – wyjaśnia dr hab. inż. Marcin Blachnik.

Optymalne rozwiązanie

Podczas analiz naukowcy prześledzili wpływ na czas i precyzję przewidywania typu danych wejściowych (informacje wyłącznie z prognoz pogody, informacje z systemu SCADA i połączenie obu), a także poszczególnych danych pogodowych – od prędkości i kierunku wiatru w miejscu pracy elektrowni po uwzględnianie całego okolicznego pola wiatru, jego gradientów 2 godziny przed określonym punktem w czasie i 2 godziny po oraz interpolacji brakujących informacji z prognoz pogody.

Naukowcy nie tylko badali wydajność poszczególnych modeli, ale też przeanalizowali warianty złożone z ich kombinacji. Wyznaczyli także krzywe uczenia, żeby zoptymalizować wielkość zestawu danych koniecznego do przetrenowania każdego modelu.

REKLAMA

Z przeprowadzonych badań wynika, że optymalnym rozwiązaniem jest model tzw. losowych lasów.

– Precyzja przewidywań i czas konieczny na wykonanie prognozy przez model dorównuje sztucznym sieciom neuronowym, jednak czas wytrenowania pozostaje nawet kilkudziesięciokrotnie krótszy – opisuje Marcin Blachnik. – Co więcej, w modelu wykorzystującym lasy losowe można stosunkowo prosto zaimplementować równoległe wykonywanie obliczeń, co pozwala dalej zwiększyć jego efektywność. Dodatkowo ze względu na specyfikę modelu i dokładną znajomość jego funkcjonowania unikamy problemu tzw. czarnej skrzynki, co ma miejsce w przypadku sztucznych sieci neuronowych.

Kilka wskaźników pogodowych bez wpływu na wynik

Według wyników analiz największą poprawę jakości przewidywania spowodowało uwzględnienie w modelach gradientu prędkości i kierunku wiatru. Dużego wpływu na wyniki nie miały natomiast takie warunki pogodowe jak wilgotność powietrza, temperatura i ciśnienie. Badacze wskazują, że może to wynikać z faktu, że prognozy pogody podają warunki na poziomie 2 m powyżej gruntu, więc są one tylko częściowo powiązane z warunkami panującymi na wysokości 90–110 m, gdzie pracują turbiny wiatrowe.

Naukowcy podają również, że interpolacja prognoz wejściowych w celu uzyskania 15-minutowej rozdzielczości czasowej nie poprawia istotnie jakości wyników, a pochłania znaczące zasoby obliczeniowe.

Badania pokazały też zalety wykorzystania kombinacji różnych modeli. W krótkim horyzoncie czasowym (2–3 godzin) przewagę mają modele bazujące na autoregresji. W dłuższej natomiast większą precyzję uzyskano na podstawie danych pochodzących z prognoz pogody. Najlepszą jakość finalnych przewidywań przyniesie więc połączenie tych metod.

Wyniki swoich analiz naukowcy przedstawili w artykule opublikowanym w czasopiśmie „Energies”.