На Международной совместной конференции по искусственному интеллекту в конце этого месяца исследователи Массачусетского технологического института представят новый статистический метод, который дает более точные прогнозы скорости ветра, чем существующие методы, даже если он использует данные всего за три месяца. Это может сэкономить время и деньги энергетическим компаниям, особенно при оценке площадок для морских ветряных электростанций, где обслуживание измерительных станций является особенно дорогостоящим.
«Мы поговорили с людьми из ветроэнергетики и обнаружили, что они использовали очень, очень упрощенный механизм для оценки ветровых ресурсов на объекте», — говорит Калян Верамачанени, научный сотрудник Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL). ) и первый автор новой статьи.
В частности, говорит Веерамачанени, стандартной практикой в отрасли является предположение, что данные о скорости ветра подчиняются так называемому распределению Гаусса — «колоколообразной кривой», знакомой из базовой статистики.
«Данные здесь негауссовы; мы все это знаем», — говорит Вирамачанени. "Вы можете подогнать к нему колоколообразную кривую, но это не точное представление данных."
Как правило, консультант по ветроэнергетике находит корреляции между измерениями скорости ветра на предлагаемом участке и измерениями скорости ветра, сделанными в тот же период на близлежащей метеостанции, где записи ведутся на протяжении десятилетий. На основе этих корреляций консультант скорректирует исторические данные метеостанции, чтобы обеспечить приблизительную скорость ветра на новом месте.
Модель корреляции — это то, что в статистике известно как совместное распределение. Это означает, что он представляет собой вероятность не только конкретного измерения в одном месте, но и совпадения этого измерения с конкретным измерением в другом месте.
Консультанты по ветроэнергетике, говорит Верамачанени, обычно характеризуют это совместное распределение как распределение по Гауссу.
Различные кривые
Первое новшество модели, которую Верамачанени разработал со своими коллегами — Уна-Мэй О’Рейли, главным научным сотрудником CSAIL, и Альфредо Куэста-Инфанте из Университета Рей Хуана Карлоса в Мадриде — это то, что она может учитывать данные. от более чем одной метеостанции.
В некоторых своих анализах исследователи использовали данные с 15 или более других сайтов.
Но его главное преимущество заключается в том, что он не ограничивается гауссовскими распределениями вероятностей. Более того, он может использовать разные типы распределений для характеристики данных с разных сайтов и может комбинировать их по-разному.
Он может даже использовать так называемые непараметрические распределения, в которых данные описываются не математической функцией, а набором образцов, подобно тому, как цифровой музыкальный файл состоит из дискретных образцов непрерывной звуковой волны.
Другой аспект модели заключается в том, что она может находить нелинейные корреляции между наборами данных.
Стандартный регрессионный анализ того типа, который обычно используется в ветроэнергетике, определяет прямую линию, которая наилучшим образом аппроксимирует разброс точек данных в соответствии с некоторой мерой расстояния. Но часто изогнутая линия дает лучшее приближение. Модель исследователей допускает такую возможность.
Проверка
Исследователи впервые применили свою технику к данным, собранным с анемометра на крыше музея Массачусетского технологического института, который собирался установить ветряную турбину на своей крыше. Получив доказательства точности своей модели, они применили его к данным, предоставленным им крупным консультантом в области ветроэнергетики.
Имея только три месяца исторических данных компании по конкретному участку ветряной электростанции, Верамачанени и его коллеги смогли предсказать скорость ветра на следующие два года в три раза точнее, чем существующие модели с данными за восемь месяцев.
С тех пор исследователи улучшили свою модель, оценив альтернативные способы вычисления совместных распределений. Согласно дополнительному анализу данных Музея науки, который представлен в новой статье, их пересмотренный подход может удвоить точность их прогнозов.