Les avantages de l’IA pour l’énergie solaire et éolienne existent-ils ?

Les énergies solaire et éolienne sont en plein essor, mais la transition mondiale vers l’électricité renouvelable est encore trop lente pour atteindre rapidement les objectifs climatiques. Exploiter l’énergie éolienne et solaire à l’échelle mondiale est plus facile à dire qu’à faire pour de nombreuses raisons. La première est que les éoliennes et les panneaux solaires sont des systèmes complexes et délicats qui sont sujets aux pannes. Les pannes fréquentes réduisent la production d’énergie et rendent les parcs éoliens et solaires coûteux à exploiter et à entretenir.

Joyjit Chatterjee, data scientist à l'Université de Hull en Angleterre, a déclaré que la capacité d'utiliser l'intelligence artificielle pour prédire la production d'électricité et les pannes de composants pourrait rendre l'électricité renouvelable plus économique et plus fiable et accélérer son adoption généralisée. Cependant, il n’est pas utilisé dans ce domaine comme dans de nombreux autres domaines tels que le commerce électronique, l’industrie manufacturière et la santé. "L'intelligence artificielle pourrait avoir un impact réel sur le changement climatique et la durabilité", a-t-il déclaré, "mais il y a très peu de travaux liés au secteur des énergies renouvelables

Ainsi, Chatterjee et ses collègues, directrice de recherche en informatique à l'Université de Hull, Nina." Dethlefs a réuni des experts dans le domaine de l'intelligence artificielle et des énergies renouvelables lors de la récente Conférence internationale sur les représentations d'apprentissage (ICLR). Dans un article de perspective publié le 10 juin dans le Data Science Journal Patterns, les deux hommes présentent les principaux points à retenir de la conférence, soulignant les obstacles limitant l'impact de l'IA sur les énergies renouvelables et comment les technologies établies et émergentes peuvent être utilisées pour les méthodes d'intelligence artificielle afin de les surmonter. obstacles.

Les éoliennes et les panneaux solaires des fermes à grande échelle sont équipés de capteurs qui permettent aux opérateurs de surveiller à distance leur production d'électricité et leur état de santé. Ces capteurs comprennent des capteurs de vibrations, des capteurs de température, des accéléromètres et des capteurs de vitesse. Les données qu’ils génèrent offrent une opportunité. Les modèles d'IA formés sur la production d'électricité historique et les données de panne peuvent prédire les pannes inattendues des boîtes de vitesses des éoliennes ou des onduleurs de panneaux solaires, aidant ainsi les opérateurs à se préparer aux pannes et à planifier la maintenance de routine.

Chatterjee a déclaré que l'apprentissage par renforcement est une nouvelle technique d'apprentissage automatique passionnante qui peut aider à améliorer ces modèles. Dans l'apprentissage par renforcement, un algorithme interagit avec le monde pendant l'entraînement, recevant un retour continu sur les décisions de récompense ou de punition pour apprendre comment atteindre certains objectifs. Ce type d’interaction réelle pourrait provenir des humains.

« L'un des dangers de l'IA est qu'elle n'est pas parfaite », a déclaré Chatterjee. « Nous pouvons impliquer des personnes pour aider constamment à optimiser le modèle d'IA. Les gens craignent souvent que l'IA remplace la partie humaine et prenne des décisions. les humains doivent travailler avec des modèles d'IA pour les co-optimiser pour l'aide à la décision. . En raison d’un manque de transparence, les ingénieurs industriels hésitent à utiliser les quelques modèles de prévision des pannes créés par les chercheurs. Fournir aux opérateurs de brefs messages en langage naturel facilitera l’interaction.

Pour la communauté de l'IA, l'un des obstacles à la création de meilleurs modèles est la quantité limitée de données accessibles au public, compte tenu des sensibilités commerciales de l'industrie éolienne et solaire. Chatterjee a déclaré qu'outre la réticence de l'industrie à partager ouvertement les données, le manque de normes affecte également le développement de modèles d'IA. "Les exploitants de parcs éoliens dans différentes parties du monde gèrent les données différemment, il est donc très difficile pour les chercheurs de travailler ensemble sur les ressources."

Pour résoudre ce problème, la communauté de l'IA peut exploiter une méthode appelée apprentissage par transfert. En identifiant des modèles cachés dans diverses caractéristiques des données, cette approche permet aux data scientists de transférer les connaissances acquises lors de la résolution d'une tâche d'apprentissage automatique vers une autre tâche connexe, ce qui facilite la formation des réseaux neuronaux et le développement de modèles d'apprentissage profond lorsque les données sont limitées. "Cela vous aidera à développer un modèle pour la turbine Y basé sur un modèle uniquement pour la turbine X, même sans données historiques", a déclaré Chatterjee.

Pourtant, les réseaux de neurones ne sont pas toujours la réponse. Ces modèles d’apprentissage profond sont devenus populaires car ils sont traditionnellement adaptés à l’apprentissage à partir d’images et de textes. Le problème est que les réseaux de neurones échouent souvent. De plus, la formation de ces modèles informatiques complexes à grande échelle nécessite une infrastructure de calcul haute performance énergivore, ce qui est difficile à réaliser dans les pays en développement.

Au moins pour le secteur des énergies renouvelables, il peut parfois être acceptable d'être simple. La communauté de l'IA devrait d'abord se concentrer sur l'utilisation de modèles d'apprentissage automatique plus simples, tels que les arbres de décision, pour voir s'ils fonctionnent. "En général, tous les problèmes ne nécessitent pas un réseau neuronal", a déclaré Chatterjee. "Pourquoi augmenter les émissions de carbone en formant et en développant des réseaux neuronaux plus complexes en termes de calcul ? Les recherches futures doivent être menées sur des modèles moins gourmands en ressources et en carbone."

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!