Adakah faedah AI untuk tenaga suria dan angin wujud?

Kuasa solar dan angin sedang berkembang pesat, tetapi peralihan dunia kepada elektrik boleh diperbaharui masih terlalu lambat untuk mencapai matlamat iklim dengan cepat. Memanfaatkan tenaga angin dan suria pada skala global lebih mudah diucapkan daripada dilakukan atas banyak sebab. Salah satunya ialah turbin angin dan panel solar adalah sistem kejuruteraan yang kompleks dan rewel yang terdedah kepada kegagalan. Kerosakan yang kerap mengurangkan pengeluaran kuasa dan menjadikan ladang angin dan solar mahal untuk dikendalikan dan diselenggara.

Joyjit Chatterjee, seorang saintis data di University of Hull di England, berkata keupayaan untuk menggunakan kecerdasan buatan untuk meramalkan pengeluaran kuasa dan kegagalan komponen boleh menjadikan tenaga elektrik boleh diperbaharui lebih menjimatkan dan boleh dipercayai untuk Mempercepatkan penerimaan yang meluas. Walau bagaimanapun, ia tidak digunakan di kawasan ini kerana ia digunakan dalam banyak bidang lain seperti e-dagang, pembuatan dan penjagaan kesihatan. "Kecerdasan buatan boleh memberi kesan sebenar terhadap perubahan iklim dan kemampanan," katanya, "tetapi terdapat sangat sedikit kerja yang berkaitan dengan sektor tenaga boleh diperbaharui."

Jadi Chatterjee dan rakan-rakannya, He Nina Dethlefs, Pengarah Sains Komputer di MU, menghimpunkan pakar dalam kecerdasan buatan dan tenaga boleh diperbaharui pada Persidangan Antarabangsa mengenai Perwakilan Pembelajaran (ICLR) baru-baru ini. Dalam kertas perspektif yang diterbitkan pada 10 Jun dalam Pola Jurnal Sains Data, pasangan itu membentangkan perkara penting daripada persidangan itu, menggariskan halangan yang mengehadkan kesan AI ke atas tenaga boleh diperbaharui dan cara teknologi yang mantap dan baru muncul boleh digunakan untuk kaedah kecerdasan buatan untuk mengatasinya halangan.

Turbin angin dan panel solar di ladang skala utiliti dilengkapi dengan penderia yang membolehkan pengendali memantau penjanaan kuasa dan kesihatan mereka dari jauh. Penderia ini termasuk penderia getaran, penderia suhu, pecutan dan penderia kelajuan. Data yang mereka hasilkan menawarkan peluang. Model AI yang dilatih mengenai penjanaan kuasa dan data kegagalan sejarah boleh meramalkan kegagalan yang tidak dijangka dalam kotak gear turbin angin atau penyongsang panel solar, membantu pengendali bersedia untuk gangguan dan merancang penyelenggaraan rutin.

Chatterjee berkata pembelajaran pengukuhan ialah teknik pembelajaran mesin baharu yang menarik yang boleh membantu menambah baik model ini. Dalam pembelajaran pengukuhan, algoritma berinteraksi dengan dunia semasa latihan, menerima maklum balas berterusan mengenai keputusan ganjaran atau hukuman untuk mempelajari cara mencapai matlamat tertentu. Jenis interaksi sebenar ini boleh datang dari manusia.

“Salah satu bahaya AI ialah ia tidak sempurna,” kata Chatterjee “Kami boleh melibatkan orang ramai untuk sentiasa membantu mengoptimumkan model AI membuat keputusan. Tetapi manusia perlu bekerjasama dengan model AI untuk mengoptimumkan model secara bersama untuk sokongan keputusan,” tambahnya, sambil menambah bahawa tumpuan pada penjanaan bahasa semula jadi (proses menukar data kepada teks yang boleh dibaca manusia) akan meningkatkan fokus. Percaya pada kecerdasan buatan dan tingkatkan penggunaannya. Disebabkan kekurangan ketelusan, jurutera industri enggan menggunakan beberapa model ramalan kegagalan yang dicipta oleh penyelidik. Menyediakan pengendali dengan mesej bahasa semula jadi yang ringkas akan memudahkan interaksi.

Bagi komuniti AI, salah satu halangan untuk mencipta model yang lebih baik ialah jumlah data yang tersedia secara terbuka yang terhad, memandangkan sensitiviti komersial industri angin dan solar. Chatterjee berkata selain keengganan industri untuk berkongsi data secara terbuka, kekurangan piawaian juga mempengaruhi pembangunan model AI. “Pengendali ladang angin di bahagian yang berlainan di dunia mengurus data secara berbeza, jadi amat mencabar bagi penyelidik untuk bekerjasama menggunakan sumber.”

Untuk menyelesaikan masalah ini, komuniti AI boleh menggunakan teknik pembelajaran Mesin untuk pemindahan pembelajaran. Dengan mengenal pasti corak tersembunyi dalam pelbagai ciri dalam data, kaedah ini membolehkan saintis data memindahkan pengetahuan yang diperoleh daripada menyelesaikan satu tugasan pembelajaran mesin kepada tugasan lain yang berkaitan, menjadikannya lebih mudah untuk melatih rangkaian saraf dan membangunkan model pembelajaran mendalam apabila data adalah terhad. "Ini akan membantu anda membangunkan model untuk turbin Y berdasarkan model hanya untuk turbin Sentiasa jawapannya. Model pembelajaran mendalam ini telah menjadi popular kerana ia secara tradisinya sesuai untuk belajar daripada imej dan teks. Masalahnya, rangkaian saraf sering gagal. Tambahan pula, melatih model berskala besar dan kompleks pengiraan ini memerlukan infrastruktur pengkomputeran berprestasi tinggi intensif tenaga, yang sukar dicapai di negara membangun.

Sekurang-kurangnya untuk sektor tenaga boleh diperbaharui, kadangkala tidak mengapa untuk bersederhana. Komuniti AI harus terlebih dahulu menumpukan pada menggunakan model pembelajaran mesin yang lebih mudah, seperti pepohon keputusan, untuk melihat sama ada ia berfungsi. "Secara amnya tidak setiap masalah memerlukan rangkaian saraf," kata Chatterjee "Mengapa meningkatkan pelepasan karbon dengan melatih dan membangunkan rangkaian saraf yang lebih kompleks dari segi pengiraan? Penyelidikan masa depan perlu dijalankan pada model yang kurang intensif sumber dan intensif karbon."

Atas ialah kandungan terperinci Adakah faedah AI untuk tenaga suria dan angin wujud?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!