Машинное обучение помогло улучшить солнечные электростанции

Исследователи разработали две новые модели на основе алгоритма ANFIS, которые позволяют лучше оценить мощность, которую будут вырабатывать еще не построенные фотоэлектрические системы. Модели могут давать оценки с точностью до 1 дня.

Предсказать мощность солнечных электростанций еще на этапе проектирования теперь стало возможным — исследователи разработали алгоритм, рассчитывающий множество параметров будущей системы. Для повышения точности он использует оптимизационные модели с машинным обучением

Фотоэлектрические системы, преобразовывающие почти неограниченный запас солнечной энергии в электричество, являются одними из наиболее перспективных установок альтернативной энергетики. Однако, интеграция фотоэлектрических систем в существующие энергосистемы — непростой процесс. Поскольку выходная мощность таких установок в значительной степени зависит от условий окружающей среды, управляющим электростанциями и электросетями нужны оценки того, сколько энергии они будут вырабатывать. Это поможет специалистам планировать оптимальные графики выработки и технического обслуживания.

На сегодняшний день существует множество алгоритмов, позволяющих оценить мощность, производимую солнечными электростанциями на несколько часов вперед, изучая полученные ранее данные и анализируя текущие переменные. Один их таких алгоритмов называется адаптивной нейронечеткой системой вывода (adaptive neuro-fuzzy inference system/ANFIS). Сегодня он применяется для прогнозирования производительности сложных систем возобновляемой энергетики. Ранее многие исследователи уже объединяли ANFIS с различными алгоритмами машинного обучения, чтобы еще больше повысить его производительность.

В новом исследовании авторы предложили две новые модели на основе этой вычислительной системы. Они получили название «гибридных алгоритмов», поскольку сочетают традиционный подход ANFIS с двумя различными методами оптимизации, которые считаются мощными и вычислительно эффективными стратегиями поиска оптимальных решений энергетических задач.

Чтобы оценить производительность своих моделей, команда сравнила их вычисления с другими гибридными алгоритмами на основе ANFIS. Авторы проверили прогностические способности каждой модели, используя данные реальной фотоэлектрической системы, развернутой в Италии в ходе предыдущего исследования. Одна из двух разработанных учеными моделей превзошла все ранее созданные «гибриды» и показала большой потенциал для прогнозирования фотоэлектрической мощности солнечных систем как на коротком, так и на длинном горизонтах.

Исследование опубликовано в журнале Renewable and Sustainable Energy Reviews.