Comencemos por pensar qué son realmente los pronósticos de energía eólica y solar: funciones en el tiempo. Funciones gobernadas por relaciones subyacentes entre fenómenos físicos (meteorológicos) que no entendemos completamente. Claro que podemos parametrizarlos (REST2: modelo de radiación solar de alto rendimiento para irradiación de cielo sin nubes, iluminancia y radiación fotosintéticamente activa – Validación con un conjunto de datos de referencia), pero el problema de pronosticar esos parámetros aún persiste. En otras palabras: sabemos que la irradiancia solar incidente depende en cierto grado del contenido de NO2 en aerosol, pero ¿cómo pronosticamos el contenido de NO2? Luego comienza a encontrarse con los mismos problemas abordados por esta pregunta de Quora: ¿Se utilizan algoritmos de aprendizaje automático en el pronóstico del tiempo? ¿De ser asi, cuales? Si no, ¿por qué?
Por lo tanto, la tentación es pensar en esto como un aprendizaje supervisado de algún proceso estocástico a lo largo del tiempo. En otras palabras: dados n años de datos solares y eólicos medidos, ¿cuáles son los mejores modelos para pronosticar el potencial solar y eólico en el próximo paso? La investigación ha demostrado que la respuesta a esta pregunta depende en gran medida del rango del siguiente paso de tiempo. ¿Quieres saber la irradiancia solar en los próximos 5 minutos, 5 horas o 5 días? (Figura de la revisión de los métodos de pronóstico de irradiancia solar y una propuesta para redes insulares a pequeña escala)
Teniendo en cuenta estos antecedentes, aquí hay tres desafíos actuales (que también podrían generalizarse en términos generales a desafíos en el aprendizaje supervisado / pronóstico)
1) No hay suficientes datos: como desarrollador de energía renovable, está tratando de determinar el potencial de la energía solar o eólica en un lugar en particular, que puede o no tener un buen historial de datos medidos de energía solar y eólica. Tal vez el sitio no tenía una estación meteorológica, o tal vez los instrumentos estaban desactualizados, o los datos se midieron solo una vez al día, etc. ¿Realmente desea instrumentar una ubicación, recopilar datos durante unos años antes de poder hacer pronósticos razonables? ? Probablemente no.
- Cómo identificar la ubicación de cualquier mensaje de texto usando ML o NLP
- ¿El CAPM está muerto, en el sentido de que el aprendizaje automático moderno y el modelado financiero han hecho que su aplicación en el mundo real sea redundante?
- Muchas empresas hablan de 'big data' y 'aprendizaje profundo', y siempre ponen estas etiquetas en sus productos. ¿Cuál es el verdadero significado detrás de esto?
- ¿Qué es un método de kernel en el contexto del aprendizaje automático?
- ¿Cuál es la diferencia entre la agrupación de texto y la clasificación de texto?
Aquí hay una idea: transferencia de aprendizaje (Una encuesta sobre transferencia de aprendizaje). ¿Puede entrenar un modelo en un lugar donde tenga un buen historial de datos, por ejemplo, Pao Alto, y luego usarlo para pronosticar la energía solar o eólica en otro lugar, por ejemplo, Cape Cod? Tal vez
Esto lleva al segundo desafío
2) Sobreajuste / Evaluación del modelo : el aprendizaje supervisado intenta ajustar una curva con el número de puntos de datos medidos. (Figura de la página en ulb.ac.be). Es posible que su modelo que funciona extremadamente bien en Pao Alto con una tasa de error muy pequeña no se transfiera muy bien a otra ubicación. De las dos figuras siguientes, la primera podría funcionar muy bien en Pao Alto, pero la segunda podría ser un modelo más general que podría funcionar mejor en Cape Cod.
¿Cómo estimamos la calidad de los modelos?
3) Modelos de conjunto / Incorporación de múltiples métodos de pronóstico: los métodos de conjunto en el aprendizaje automático tienen una definición rigurosa (Métodos de conjunto en el aprendizaje automático), pero para
Para el propósito de esta discusión, voy a usar el término libremente. ¿Qué pasa si dejas el trabajo de pronosticar las variables ambientales a los expertos meteorológicos? ¿Puedes incorporar sus predicciones en tus modelos? Por ejemplo: supongamos que entrenó un modelo de predicción que toma la temperatura, la humedad y la cobertura de nubes de hoy como entradas y estima la irradiancia solar o la velocidad del viento de hoy. ¿Puede su modelo usar las predicciones de mañana para la temperatura, la humedad y la capa de nubes de un servicio meteorológico como Pronóstico e Informes Meteorológicos – Largo alcance y local para estimar la irradiancia solar o la velocidad del viento de mañana ? Si es así, ¿cómo evaluar el modelo y cómo generalizarlo? (Ver Desafío 1 y 2).
Nuevamente, estos son desafíos escritos como una introducción general al área del problema. Según sus antecedentes, una búsqueda más exhaustiva de literatura podría responder mejor a su pregunta.