Investigadores del Laboratorio Nacional de Energía Renovable NREL del Departamento de Energía de los EE. UU. DOE han desarrollado un nuevo enfoque de aprendizaje automático para mejorar rápidamente la resolución de los datos de velocidad del viento en 50 veces y los datos de irradiancia solar en 25 veces, una mejora quenunca antes se había logrado con datos climáticos.
Los investigadores adoptaron un enfoque alternativo mediante el entrenamiento de confrontación, en el que el modelo produce detalles físicamente realistas al observar campos completos a la vez, proporcionando datos climáticos de alta resolución a una velocidad mucho más rápida. Este enfoque permitirá a los científicos completar la energía renovableestudia en futuros escenarios climáticos más rápido y con mayor precisión.
"Ser capaz de mejorar la resolución espacial y temporal de los pronósticos climáticos impacta enormemente no solo en la planificación energética, sino también en la agricultura, el transporte y mucho más", dijo Ryan King, científico informático de NREL que se especializa en información físicaaprendizaje profundo.
Los colegas de King y NREL, Karen Stengel, Andrew Glaws y Dylan Hettinger, escribieron un nuevo artículo que detalla su enfoque, titulado "Superresolución adversaria de datos climatológicos de viento y solar", que aparece en la revista Proceedings of the National Academy of Sciences oflos Estados Unidos de América.
Los pronósticos climáticos precisos y de alta resolución son importantes para predecir las variaciones en el viento, las nubes, la lluvia y las corrientes marinas que alimentan las energías renovables. Los pronósticos a corto plazo impulsan la toma de decisiones operativas; los pronósticos del clima a mediano plazo guían la programación y la asignación de recursos;y los pronósticos climáticos a largo plazo informan la planificación de la infraestructura y la formulación de políticas.
Sin embargo, es muy difícil preservar la calidad temporal y espacial en los pronósticos climáticos, según King. La falta de datos de alta resolución para diferentes escenarios ha sido un gran desafío en la planificación de la resiliencia energética. Han surgido varias técnicas de aprendizaje automático para mejorarlos datos gruesos a través de la súper resolución: el proceso clásico de imágenes de enfocar una imagen borrosa mediante la adición de píxeles. Pero hasta ahora, nadie había utilizado el entrenamiento de confrontación para superresolver los datos climáticos.
"El entrenamiento adversario es la clave de este avance", dijo Glaws, un postdoc NREL que se especializa en aprendizaje automático.
El entrenamiento adversario es una forma de mejorar el rendimiento de las redes neuronales al hacer que compitan entre sí para generar datos nuevos y más realistas. Los investigadores de NREL entrenaron dos tipos de redes neuronales en el modelo: una para reconocer las características físicas de-resolución de la radiación solar y los datos de velocidad del viento y otro para insertar esas características en los datos gruesos. Con el tiempo, las redes producen datos más realistas y mejoran la distinción entre entradas reales y falsas. Los investigadores de NREL pudieron agregar 2.500 píxeles por cada originalpíxel
"Al utilizar el entrenamiento de confrontación, a diferencia del enfoque numérico tradicional para los pronósticos climáticos, que puede implicar resolver muchas ecuaciones físicas, ahorra tiempo de computación, costos de almacenamiento de datos y hace que los datos climáticos de alta resolución sean más accesibles", dijoStengel, un interno graduado de NREL que se especializa en aprendizaje automático.
Este enfoque puede aplicarse a una amplia gama de escenarios climáticos desde escalas regionales a globales, cambiando el paradigma para el pronóstico del modelo climático.
NREL es el principal laboratorio nacional del Departamento de Energía de EE. UU. Para investigación y desarrollo de energía renovable y eficiencia energética. NREL es operado para el Departamento de Energía por Alliance for Sustainable Energy, LLC.
Fuente de la historia :
Materiales proporcionado por DOE / Laboratorio Nacional de Energía Renovable . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :