پیش بینی تولید برق از باد و خورشید

Machine-learning technology is being used to accurately predict energy generation from wind and solar for integration with the national grid, as part of a collaboration between مرکز نوآوری گرید دانشگاه موناش, ورلی و Palisade Energy.

La آژانس انرژی تجدید پذیر استرالیا (ARENA)-funded project aims to provide wind and solar power generators with more accurate and reliable five-minute-ahead self-forecasting tools.

با بهبود دقت پیش‌بینی‌های پنج دقیقه‌ای که مورد نیاز بازار ملی برق است، راه‌حل‌های پیش‌بینی توسعه‌یافته توسط تیم Worley و Monash می‌توانند شبکه ایمن‌تر و قابل اطمینان‌تری را فعال کنند. این امر از طریق پیش‌بینی‌های بهتر برای کاهش دفعات ارسال ضعیف امکان‌پذیر می‌شود، در نتیجه از سهم بالاتری از انرژی‌های تجدیدپذیر در بازار بدون به خطر انداختن ثبات کلی شبکه حمایت می‌شود.

The development of the machine learning forecasting methodology was led by Dr Christoph Bergmeir from the Department of Data Science and AI at the Faculty of Information Technology (IT) at Monash University, in collaboration with Monash Business School’s Department of Econometrics and Business Statistics, and was initiated by the Monash Energy Institute’s Grid Innovation Hub.

«پیش‌بینی کوتاه‌مدت انرژی تجدید پذیر تولید انرژی کار آسانی نیست. انرژی تجدیدپذیر را نمی‌توان بر اساس تقاضا تولید کرد، زیرا ملزم به ... منابع طبیعی دکتر برگمیر گفت: «مانند باد و خورشید. بنابراین، برای دستیابی به یک شبکه پایدار و تولید برق کافی، به یک روش پیش‌بینی کوتاه‌مدت قابل اعتماد نیاز داریم.»

“By introducing machine learning methodologies to this short-term forecasting process, we’re able to apply algorithms that are trained on historical time series data, resulting in the accurate forecasting of wind and solar energy.”

از مزایای کلیدی این پروژه می توان به افزایش نفوذ انرژی تجدیدپذیر در شبکه به دلیل افزایش قابلیت توزیع تولیدات تجدیدپذیر و کاهش پرداخت خدمات جانبی کنترل فرکانس (FCAS) توسط ژنراتورها که ناشی از عدم دستیابی به اهداف پیش بینی شده است، اشاره کرد.

راه‌حل پیش‌بینی ما برای مشتریان انرژی‌های تجدیدپذیر فعلی ما ارزش فوری فراهم می‌کند، زیرا آنها هزینه‌های کمتر FCAS را هدف قرار می‌دهند. و با PowerPredict officially launched, renewable generators in Australia and internationally can benefit from our power forecasting technology,” said Denis Marshment, Global Vice President of Data Science Customer Solutions at Worley.

انتظار می‌رود تحقیق و توسعه این مدل‌ها به کل دانش پیرامون کاربرد یادگیری ماشین و سایر فناوری‌های هوش مصنوعی در پیش‌بینی باد و خورشید بیافزاید.

تغییرات طبیعی آب و هوا، پیش بینی دقیق سطح تولید برق کوتاه مدت خود را برای ژنراتورهای تجدیدپذیر دشوار می کند و این بر پایداری شبکه تأثیر می گذارد. تنها در سال 2020، پیش‌بینی‌های نادرست انرژی برای ژنراتورهای استرالیایی 210 میلیون دلار هزینه داشت، بنابراین استفاده از الگوریتم‌های یادگیری ماشین برای دیدن پنج دقیقه آینده بسیار ارزشمند است. مارشمنت گفت: الگوریتم‌های پیش‌بینی ما به بهبود 45 درصدی در پیش‌بینی‌های توان خروجی مشتریانمان دست یافتند.

این فناوری پتانسیل کاهش قیمت انرژی را در سراسر جهان دارد و به طور بالقوه راه هایی را برای آب و سایر اشکال انرژی پاک باز می کند.

«اگر ژنراتورهای تجدیدپذیر بتوانند فاکتورهای پرداخت عامل خود را کاهش دهند، می‌توانند برق ارزان‌تری تولید کنند و در نهایت این صرفه‌جویی می‌تواند به مشتریان منتقل شود. این امر همچنین انرژی های تجدیدپذیر را رقابتی تر می کند، که این نیز یک نتیجه مطلوب است.

دانشیار Ariel Liebman، مدیر موسسه انرژی موناش، افزود: "این یک برنامه هیجان انگیز و به موقع از یکی از تیم های ستاره علوم کامپیوتر و هوش مصنوعی موسسه انرژی موناش و گرید نوآوری هاب است. این پروژه نشان می دهد که چگونه صنعت، به نمایندگی از شرکای رویایی ما Worley، و دانشگاه می توانند واقعی ایجاد کنند ضربه together both commercially and in contributing to the global effort to stop climate change.”

پیش بینی تولید برق از باد و خورشید در ابتدا توسط پایداری مهم است.