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
