Lietuvieši izstrādā mākslīgā intelekta rīku atjaunojamās enerģijas plānošanai

Cik daudz elektroenerģijas konkrētā apgabalā būtu jāražo saules elektrostacijām, cik – vēja elektrostacijām, un cik daudz no saražotās enerģijas būtu jāuzkrāj? Uz šādiem jautājumiem atbildes meklējuši Lietuvas Enerģētikas institūta un Kauņas koledžas zinātnieki, izstrādājot mākslīgā intelekta pieeju hibrīdu atjaunojamās enerģijas sistēmu modelēšanai.

Pētījuma mērķis bija izveidot mākslīgā intelekta risinājumu, kas palīdz prognozēt, cik daudz elektroenerģijas var saražot saules, vēja un biomasas avoti, kā arī paredzēt elektrotīkla slodzi un novērtēt, kā dažādi atjaunojamās enerģijas īpatsvari ietekmē CO₂ emisijas.

Pētījumā izmantoti desmit gadu vēsturiskie dati par saules, vēja un biomasas elektroenerģijas ražošanu, kā arī dati par tīkla slodzi. Zinātnieki salīdzināja trīs mākslīgā intelekta pieejas, lai saprastu, kā labāk plānot hibrīdu atjaunojamās enerģijas sistēmu konkrētai teritorijai.

Pirmā pieeja vislabāk prata mācīties no pagātnes datiem. Tā pētīja, kā iepriekš mainījušies laikapstākļi, saule, vējš un elektrības patēriņš, un pēc tam prognozēja, kas varētu notikt tālāk. Šī pieeja sniedza visstabilākās un precīzākās prognozes, taču tai bija nepieciešama lielāka datora jauda.

Konkrētajai teritorijai pirmā pieeja piedāvāja šādu konceptuālu sadalījumu: 23,6% elektroenerģijas uzkrāšana, 22,6% vējš, 11,2% saule, 6,5% biomasa un 36,1% piesārņojošie energoavoti. Autori to interpretē kā konservatīvāku pieeju, kur lielāks uzsvars ir uz tīkla stabilitāti un esošās infrastruktūras iesaisti.

Otrā pieeja arī mācījās no datiem, bet darīja to vienkāršāk un ātrāk. Tā nebija tik precīza kā pirmā, tomēr piedāvāja risinājumu ar lielāku vēja un saules enerģijas īpatsvaru.

Savukārt otrā pieeja piedāvāja "zaļāku" struktūru: 40,4% vējš, 17,1% saule, 3,3% biomasa, 11,5% elektroenerģijas uzkrāšana un 27,6% piesārņojošie energoavoti. Šāds variants paredz lielāku atjaunojamās enerģijas īpatsvaru, īpaši no vēja enerģijas.

Trešā pieeja darbojās kā vairāku mazu lēmumu kopums, kas vēlāk izvēlas kopējo atbildi. Šī pieeja tik sarežģītām lietām kā vēja un saules enerģijas prognozēšana nebija tik precīza kā pārējās divas.

Pētījumā modelēts, ka, palielinot atjaunojamās enerģijas īpatsvaru no 10% līdz 90%, CO₂ emisijas teorētiski varētu samazināties līdz pat 80%. Pirmā pieeja rāda straujāku emisiju kritumu līdz aptuveni 50% atjaunojamās enerģijas īpatsvaram, bet pēc tam samazinājums kļūst lēnāks. Savukārt otrā pieeja rāda vienmērīgāku emisiju samazinājumu visā 10–90% diapazonā.

Pētnieki uzsver, ka šis nav gatavs investīciju plāns elektrostaciju būvniecībai. Tas ir modelēšanas instruments, un rezultāti ir atkarīgi no vēsturisko datu kvalitātes, konkrētās teritorijas klimata, tīkla jaudas, enerģijas pieprasījuma un politiski ekonomiskajiem nosacījumiem.

Autori arī norāda, ka šādu modeļu izmantošanai citās teritorijās vajadzīgi konkrētajam reģionam atbilstoši dati un regulāra datu atjaunošana, jo klimata pārmaiņas un tehnoloģiju attīstība var ietekmēt prognožu precizitāti.

Pētījums parāda, ka mākslīgais intelekts var kļūt par nozīmīgu palīgu energosistēmu plānošanā. Tas ļauj salīdzināt dažādus scenārijus un meklēt līdzsvaru starp saules, vēja, biomasas un enerģijas uzkrāšanas risinājumiem, vienlaikus ņemot vērā gan elektroenerģijas pieprasījumu, gan klimata mērķus.

Seko "Delfi" arī Instagram un YouTube profilā – pievienojies, lai uzzinātu svarīgāko un interesantāko pirmais!