Hành trình Khoa học, Không gian và Thời gian!
Các nhà nghiên cứu đã phát triển một phương pháp học máy mới để tăng nhanh độ phân giải của dữ liệu vận tốc gió lên 50 lần và dữ liệu bức xạ mặt trời lên 25 lần – một sự cải tiến chưa từng có trước đây với dữ liệu khí hậu.
Các nhà nghiên cứu tại Phòng thí nghiệm năng lượng tái tạo quốc gia của Bộ Năng lượng Hoa Kỳ (DOE) đã phát triển một phương pháp học máy mới để nhanh chóng tăng cường độ phân giải của dữ liệu vận tốc gió lên 50 lần và dữ liệu bức xạ mặt trời lên 25 lần – một sự tăng cường chưa bao giờ đã đạt được trước với dữ liệu khí hậu.
Các nhà nghiên cứu đã thực hiện một cách tiếp cận khác bằng cách sử dụng đào tạo đối thủ, trong đó mô hình tạo ra các chi tiết thực tế bằng cách quan sát toàn bộ các trường tại một thời điểm, cung cấp dữ liệu khí hậu có độ phân giải cao với tốc độ nhanh hơn nhiều. Cách tiếp cận này sẽ cho phép các nhà khoa học hoàn thành các nghiên cứu năng lượng tái tạo trong các kịch bản khí hậu trong tương lai nhanh hơn và với độ chính xác cao hơn.
“Để có thể tăng cường độ phân giải không gian và thời gian của các dự báo khí hậu, tác động mạnh mẽ không chỉ đến quy hoạch năng lượng mà cả nông nghiệp, giao thông, và nhiều hơn nữa”, Ryan King, một nhà khoa học tính toán cao cấp tại NREL, chuyên nghiên cứu sâu về vật lý học chia sẻ.
Các đồng nghiệp của King và NREL Karen Stengel, Andrew Glaws và Dylan Hettinger đã viết một bài báo mới trình bày chi tiết về cách tiếp cận của họ, có tiêu đề “Siêu phân giải dữ liệu gió và khí hậu mặt trời”, xuất hiện trên tạp chí Proceedings of the National Academy of Science of United Hoa Kỳ.
Dự báo khí hậu chính xác, độ phân giải cao rất quan trọng để dự đoán các biến đổi của gió, mây, mưa và dòng hải lưu cung cấp năng lượng tái tạo. Dự báo ngắn hạn thúc đẩy quá trình ra quyết định hoạt động; dự báo thời tiết trung hạn hướng dẫn lập kế hoạch và phân bổ nguồn lực; và dự báo khí hậu dài hạn thông báo quy hoạch cơ sở hạ tầng và hoạch định chính sách.
Tuy nhiên, rất khó để bảo tồn chất lượng thời gian và không gian trong dự báo khí hậu. Việc thiếu dữ liệu độ phân giải cao cho các kịch bản khác nhau là một thách thức lớn trong kế hoạch phục hồi năng lượng. Nhiều kỹ thuật máy học khác nhau đã xuất hiện để tăng cường dữ liệu thô thông qua siêu phân giải – quá trình hình ảnh cổ điển để làm sắc nét một hình ảnh mờ bằng cách thêm pixel. Nhưng cho đến nay, không ai đã sử dụng đào tạo đối nghịch để siêu dữ liệu khí hậu.
“Đào tạo đối thủ là chìa khóa cho bước đột phá này”, Glaws, một postdoc NREL, người chuyên về học máy cho biết.
Đào tạo đối thủ là một cách để cải thiện hiệu suất của các mạng thần kinh bằng cách cho chúng cạnh tranh với nhau để tạo ra dữ liệu mới, thực tế hơn. Các nhà nghiên cứu NREL đã đào tạo hai loại mạng thần kinh trong mô hình – một loại để nhận ra các đặc điểm vật lý của dữ liệu bức xạ mặt trời và tốc độ gió có độ phân giải cao và loại khác để chèn các đặc điểm đó vào dữ liệu thô. Theo thời gian, các mạng tạo ra dữ liệu thực tế hơn và cải thiện việc phân biệt giữa đầu vào thật và giả. Các nhà nghiên cứu NREL đã có thể thêm 2.500 pixel cho mỗi pixel gốc.
Bằng cách sử dụng đào tạo đối nghịch – trái ngược với cách tiếp cận số truyền thống đối với dự báo khí hậu, có thể liên quan đến việc giải quyết nhiều phương trình vật lý – nó tiết kiệm thời gian tính toán, chi phí lưu trữ dữ liệu và làm cho dữ liệu khí hậu có độ phân giải cao dễ tiếp cận hơn.
Cách tiếp cận này có thể được áp dụng cho một loạt các kịch bản khí hậu từ quy mô khu vực đến toàn cầu, thay đổi mô hình dự báo mô hình khí hậu.
NREL là phòng thí nghiệm quốc gia chính của Bộ Năng lượng Hoa Kỳ về nghiên cứu và phát triển năng lượng tái tạo và hiệu quả năng lượng. NREL được điều hành cho Bộ năng lượng bởi Liên minh năng lượng bền vững, LLC.
Nguồn truyện:
Tài liệu được cung cấp bởi DOE / Phòng thí nghiệm năng lượng tái tạo quốc gia . Lưu ý: Nội dung có thể được chỉnh sửa cho kiểu dáng và độ dài.
Tạp chí tham khảo :