Distributed solar generation forecasting using attention-based deep neural networks for cloud movement prediction
Diese Arbeit präsentiert eine groß angelegte empirische Studie, die zeigt, dass der Einsatz von auf Attention basierenden tiefen neuronalen Netzen zur Vorhersage der Wolkenbewegung aus Satellitenbildern die Genauigkeit der Prognose dezentraler Solargenerierung signifikant verbessert, insbesondere für hochgelegene Wolken, über 50 PV-Standorte in Australien hinweg.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich das Stromnetz wie einen riesigen, empfindlichen Balanceakt vor. Auf der einen Seite haben wir unseren ständigen Bedarf an Elektrizität, um unsere Lichter, Telefone und Kühlschränke zu betreiben. Auf der anderen Seite haben wir Solarpaneele auf Hausdächern, die fantastisch darin sind, saubere Energie zu erzeugen, aber notorisch launisch sind. Sie funktionieren großartig, wenn die Sonne scheint, aber wenn eine flauschige weiße Wolke vorbeizieht, kann ihr Energieertrag in Sekundenschnelle einbrechen. Das ist das „Wolkenproblem“. Um das Netz stabil zu halten, müssen wir genau wissen, wann und wo eine Wolke auf ein Solarpaneel treffen wird, nicht nur in der nächsten Stunde, sondern in den nächsten Minuten.
Wissenschaftler haben versucht, dies zu lösen, indem sie in den Himmel schauen, ganz ähnlich wie ein Wetterprognostiker. In der Vergangenheit nutzten sie einfache Mathematik, um zu erraten, wohin Wolken ziehen würden, unter der Annahme, dass sie einfach wie ein Zug auf einer Schiene entlanggleiten. Aber Wolken sind chaotisch; sie verändern ihre Form, wachsen und schrumpfen. Vor kurzem sind Computer intelligent genug geworden, um „Deep Learning“ zu nutzen – eine Art von künstlicher Intelligenz, die aus Bildern lernt –, um die Wolkenbewegung vorherzusagen. Ein neuerer, noch smarterer Trick namens „Attention“ wurde erfunden. Denken Sie an „Attention“ wie an einen Scheinwerfer: Anstatt das ganze Bild des Himmels zu betrachten, lernt der Computer, ein helles Licht nur auf die wichtigsten Teile (die Wolken) zu richten und die langweiligen Teile (den klaren blauen Himmel) zu ignorieren. Aber hier stellt sich die große Frage: Hilft uns dieser schicke „Scheinwerfer“-Trick tatsächlich dabei, die Elektrizität besser vorherzusagen, oder ist es nur ein cooler Partytrick?
Diese Arbeit taucht genau in diese Frage ein. Die Forscher richteten ein massives Experiment mit 50 verschiedenen Solarkraftwerkstandorten in Perth, Australien, ein. Sie bauten eine Pipeline, die in zwei Schritten arbeitet: Zuerst betrachtet ein Computer Satellitenbilder von Wolken und sagt voraus, wohin sie sich in der nächsten Stunde bewegen werden; zweitens wird diese Vorhersage in eine Solarkraftwerksprognose eingespeist, um zu schätzen, wie viel Elektrizität erzeugt werden wird. Sie testeten drei verschiedene Arten von „Wolken-Prädiktoren“: einen Standard-Typ (ConvLSTM), einen mit einem „Self-Attention“-Scheinwerfer (SAConvLSTM) und einen mit einem „Convolutional Block Attention“-Scheinwerfer (CBAMConvLSTM). Sie verglichen diese gegen ein „Ground Truth“-Szenario (bei dem sie die zukünftigen Wolken perfekt kannten) und ein „Persistence“-Szenario (bei dem sie einfach annahmen, dass sich die Wolken überhaupt nicht bewegen würden).
Die Ergebnisse waren sehr aufschlussreich. Die Studie fand heraus, dass, obwohl alle Deep-Learning-Modelle die Wolkenbewegung besser vorhersagen konnten als bloßes Raten, die Modelle mit den „Attention“-Mechanismen die wahren Stars waren, allerdings mit einem Haken. Die Forscher entdeckten, dass die Attention-basierten Modelle die signifikanteste Steigerung der Genauigkeit speziell im Umgang mit hochgelegenen Wolken lieferten. Für diese hohen Wolken verbesserten die Attention-basierten Methoden den Skill-Score der Solarprognose um 5,86 % oder mehr im Vergleich zu den Nicht-Attention-Methoden. Die Arbeit legt jedoch nahe, dass der Vorteil für tiefere Wolken nicht so eindeutig war. Im Wesentlichen hilft der „Scheinwerfer“ dem Computer, sich auf die kniffligen, hoch oben liegenden Wolken zu konzentrieren, die schwerer zu verfolgen sind, was zu einer zuverlässigeren Vorhersage führt, wie viel Energie die Sonne liefern wird. Dies ist nicht nur ein theoretischer Sieg; es ist ein praktischer Schritt, um unser Licht an der halten zu können, wenn der Himmel bewölkt wird, und beweist, dass das Lehren von Computern, auf die „richtigen“ Teile des Himmels zu „achten“, unser Stromnetz wesentlich stabiler machen kann.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.