Năng lượng điện gió ngày càng được phổ biến rộng khắp trên thế giới.
Khi một công ty năng lượng muốn xây dựng một trang trại điện gió, họ thuê một công ty tư vấn thực hiện việc đo tốc độ gió tại hiện trường xây dựng nhà máy trong khoảng thời gian từ 8 đến 12 tháng. Các số liệu đo đếm này được đối chiếu với số liệu lưu trữ để đáng giá công suất phát điện tại hiện trường xây dựng nhà máy.
Tại một cuộc hội thảo quốc tế về trí tuệ nhân tạo vừa qua, các nhà nghiên cứu của MIT đã trình bày một kỹ thuật thống kê mới có khả năng dự đoán tốc độ gió tốt hơn các kỹ thuật hiện tại, thậm chí sử dụng dữ liệu chỉ có ba tháng. Nó sẽ giúp các công ty năng lượng tiết kiệm được tiền bạc và thời gian, đặc biệt trong việc đánh giá các địa điểm cho các trang trại gió ngoài biển khơi, nơi duy trì các trạm đo là đặc biệt tốn kém.
"Chúng tôi đã nói chuyện với những người trong ngành công nghiệp điện gió, và chúng tôi thấy rằng họ đang sử dụng một cơ chế rất đơn giản để ước lượng tài nguyên gió tại một địa điểm," Kalyan Veeramachaneni, một nhà nghiên cứu thuộc Phòng thí nghiệm Khoa học Máy tính và Phòng thí nghiệm Trí tuệ nhân tạo (CSAIL) của MIT, cho biết. Cụ thể, Veeramachaneni nói, thực tiễn tiêu chuẩn trong ngành là mô hình các tương quan trong dữ liệu tốc độ gió bằng cách sử dụng phân phối Gaussian (phân phối chuẩn) được gọi là "đường cong chuông" (đồ thị của mật độ xác suất có dạng chuông) quen thuộc từ các số liệu thống kê cơ bản.
"Dữ liệu ở đây không phải là Gaussian. Chúng ta đều biết rằng có thể vẽ một đồ thị đường cong chuông cho nó, nhưng đó không phải là một đại diện chính xác của dữ liệu."
Thông thường, một chuyên gia tư vấn về năng lượng gió sẽ tìm ra mối tương quan giữa các phép đo tốc độ gió tại một khu vực được đề xuất và các nhà máy được thực hiện trong cùng thời kỳ tại một trạm khí tượng gần đó, nơi hồ sơ lưu trữ kéo dài hàng thập kỷ. Cơ bản của vấn đề tương quan này là nhà tư vấn sẽ hiệu chỉnh các thông số lưu trữ tại trạm khí tượng để cung cấp tốc độ gió gần đúng tại hiện trường mới. Mô hình tương quan là những gì được biết đến trong số liệu thống kê như một sự phân bố chung. Điều đó có nghĩa là nó đại diện cho xác suất không chỉ của một phép đo đặc biệt tại một địa điểm, mà còn là sự trùng hợp ngẫu nhiên với một phép đo đặc biệt khác. Veeramachaneni nói: "Các chuyên gia trong ngành công nghiệp về gió thường mô tả sự phân bố chung như một sự phân bố Gauss.
Các đường cong khác nhau
Sự mới lạ đầu tiên của mô hình mà Veeramachaneni đã phát triển cùng với các đồng nghiệp của mình - Una-May O'Reilly, nhà nghiên cứu khoa học chính tại CSAIL, và Alfredo Cuesta-Infante của Universidad Rey Juan Carlos ở Madrid - là nó có thể tác động vào dữ liệu từ nhiều hơn một trạm thời tiết. Trong một số phân tích của họ, các nhà nghiên cứu đã sử dụng dữ liệu từ 15 địa điểm trở lên.
Nhưng lợi thế chính của nó là nó không bị hạn chế đối với phân bố xác suất Gaussian. Hơn nữa, nó có thể sử dụng các loại phân phối khác nhau để mô tả dữ liệu từ các hiện trường khác nhau và có thể kết hợp chúng theo những cách khác nhau. Thậm chí có thể sử dụng phân bố phi tham số, trong đó dữ liệu được mô tả không phải bởi một chức năng toán học, mà là bởi một bộ sưu tập các mẫu, theo cách mà một file nhạc số bao gồm các mẫu rời rạc của một sóng âm liên tục.
Một khía cạnh khác, mô hình có thể cho phép tìm thấy mối tương quan phi tuyến giữa các bộ dữ liệu. Phân tích hồi quy chuẩn, loại thường được sử dụng trong ngành công nghiệp điện gió, xác định đường thẳng tốt nhất xấp xỉ một điểm dữ liệu phân tán, theo một vài trị số đo khoảng cách. Nhưng thường, một đường cong sẽ mang lại một trị số gần đúng tốt hơn. Mô hình của các nhà nghiên cứu cho phép khả năng đó.
Xác nhận
Các nhà nghiên cứu lần đầu tiên áp dụng kỹ thuật của họ vào dữ liệu thu được từ một máy đo nhiệt độ trên nóc nhà Bảo tàng MIT, nơi đang tìm kiếm để lắp đặt một tua-bin gió. Khi đã có bằng chứng về độ chính xác của mô hình, họ đã áp dụng nó vào dữ liệu được cung cấp bởi một chuyên gia tư vấn chính trong ngành công nghiệp điện gió.
Chỉ với ba tháng dữ liệu lưu trữ của công ty cho một trang trại gió cụ thể, Veeramachaneni và các đồng nghiệp của ông đã có thể dự đoán tốc độ gió trong hai năm tới ba lần một cách chính xác như các mô hình hiện tại có thể sử dụng với tám tháng dữ liệu. Kể từ đó, các nhà nghiên cứu đã cải thiện mô hình của họ bằng cách đánh giá các cách khác nhau để tính toán phân phối chung. Theo phân tích bổ sung của dữ liệu từ Bảo tàng Khoa học, được báo cáo trong bài báo mới đây, cách tiếp cận sửa đổi của họ có thể tăng gấp đôi độ chính xác của các dự đoán.
Justin Dauwels, trợ lý giáo sư về kỹ thuật điện tại Đại học Kỹ thuật Nanyang, là một chuyên gia về "copulas" (là kỹ thuật thống kê mà các nhà nghiên cứu của MIT sử dụng để kết hợp các loại phân bố xác suất khác nhau). "Đội của Veeramachaneni đề xuất một mô hình phù hợp cho một ứng dụng thực tế quan trọng", Dauwels nói, "bằng cách mô tả chính xác các số liệu thống kê phi Gaussian, các mô hình dựa trên copulas đánh giá cao các mô hình Gaussian cổ điển, cung cấp phân bố biên chính xác tại các vị trí đo bằng các phép đo ít hơn. Phương pháp này có giá trị thực tiễn cao và tôi tin rằng nó sẽ được áp dụng cho nhiều vấn đề thực tế khác".
(Biên dịch từ renewableenergyworld.com)