Фото и видео

Новости (архив)


Контакты

contact@forca.ru

Результаты недавнего исследования предлагают новый способ оптимизации возобновляемых ресурсов, требуемой по мере их все увеличивающейся интеграции в общую сеть. Исследовательское подразделение IBM Research, работающее совместно с Национальной лабораторией возобновляемой энергии США (NREL), утверждает, что прогнозы солнца и ветра, сделанные ею при помощи обучающихся машин, и других технологий когнитивных вычислений, оказываются на 30 процентов точнее, чем прогнозы, получаемые при использовании традиционных подходов.
Присущие точным прогнозам ветра и солнечной активности трудности, требуют от энергетических компаний при использовании источников возобновляемой энергии иметь в резерве больше энергии, чем в случае традиционных ресурсов. При быстром росте установок солнечной энергии, увеличение уровня проникновения этих источников в отрасль требуют повышенного внимания к более точному прогнозированию. Улучшая точность прогнозов, энергетические компании могут работать эффективнее, увеличивая свои доходы. В конечном счете, это приведет к росту использования возобновляемой энергии, как более все широко принимаемого способа генерации электроэнергии.
Специалисты из IBM третий год работают совместно с академическими, правительственными и промышленными институтами, развивая самообучающуюся модель погоды и технологию прогнозирования возобновляемых источников энергии, названую SMT. Система SMT основана на обучающихся машинах, больших данных, и аналитики. Все это используется для непрерывного анализа, обучения и улучшения предсказаний солнечных прогнозов, полученных из большого числа моделей погоды. В противоположность этому, большинство применяемых сегодня технологий полагается на отдельные модели погоды, что дает более узкий взгляд на переменные, влияющие на доступность возобновляемой энергии.
Подход IBM создает общую платформу для прогнозирования доступности возобновляемой энергии, включая ветер и воду. Это передний край науки, использующий сложные технологии машинного обучения для объединения данных, полученных с территорий, информации от датчиков сетей, и от локальных метеостанций. В новом подходе также задействована физика облаков, основанная на камерах слежения за небом и спутниковых наблюдениях, и ряд моделей прогнозирования погоды. Система SMT впервые представляет такой широкий диапазон методов прогнозирования, интегрированных в единую, масштабируемую платформу.