태양광 및 풍력 에너지에 대한 AI의 이점이 존재합니까?

태양광 발전과 풍력 발전은 호황을 누리고 있지만 재생 가능 전력으로의 전 세계 전환은 기후 목표를 빠르게 달성하기에는 여전히 너무 느립니다. 전 세계적으로 풍력과 태양 에너지를 활용하는 것은 여러 가지 이유로 말처럼 쉽지 않습니다. 하나는 풍력 터빈과 태양 전지판이 복잡하고 까다롭게 설계되어 고장이 나기 쉽다는 것입니다. 빈번한 고장으로 인해 전력 출력이 감소하고 풍력 및 태양광 발전소의 운영 및 유지 비용이 많이 듭니다.

영국 헐 대학의 데이터 과학자인 조이짓 채터지(Joyjit Chatterjee)는 인공 지능을 사용하여 전력 생산 및 부품 고장을 예측하는 능력을 통해 재생 가능한 전기를 보다 경제적이고 안정적으로 만들어 광범위한 채택을 가속화할 수 있다고 말했습니다. 그러나 전자상거래, 제조, 의료 등 다른 많은 분야에서와 마찬가지로 이 영역에서는 사용되지 않습니다. "인공 지능은 기후 변화와 지속 가능성에 실질적인 영향을 미칠 수 있지만 재생 에너지 부문과 관련된 연구는 거의 없습니다."라고 그는 말합니다.

따라서 헐 대학교 컴퓨터 과학 연구 책임자인 채터지(Chatterjee)와 동료들 Nina Dethlefs는 최근 ICLR(International Conference on Learning Representations)에서 인공 지능 및 재생 가능 에너지 분야의 전문가를 모았습니다. 데이터 과학 저널 패턴(Data Science Journal Patterns)에 6월 10일 발표된 관점 논문에서 두 사람은 재생 에너지에 대한 AI의 영향을 제한하는 장벽과 기존 및 신흥 기술을 인공 지능 방법에 사용하여 이러한 문제를 극복할 수 있는 방법을 설명하면서 컨퍼런스의 주요 내용을 제시합니다. 장애물.

유틸리티 규모 농장의 풍력 터빈과 태양광 패널에는 운영자가 발전량과 상태를 원격으로 모니터링할 수 있는 센서가 장착되어 있습니다. 이러한 센서에는 진동 센서, 온도 센서, 가속도계 및 속도 센서가 포함됩니다. 그들이 생성하는 데이터는 기회를 제공합니다. 과거의 발전 및 고장 데이터를 학습한 AI 모델은 풍력 터빈 기어박스 또는 태양광 패널 인버터의 예상치 못한 고장을 예측하여 운영자가 정전에 대비하고 일상적인 유지 관리를 계획하는 데 도움을 줍니다.

Chatterjee는 강화 학습이 이러한 모델을 개선하는 데 도움이 될 수 있는 흥미롭고 새로운 기계 학습 기술이라고 말했습니다. 강화 학습에서 알고리즘은 훈련 중에 세계와 상호 작용하여 보상 또는 처벌 결정에 대한 지속적인 피드백을 받아 특정 목표를 달성하는 방법을 학습합니다. 이러한 실제 상호 작용은 인간에게서 나올 수 있습니다.

“AI의 위험 중 하나는 완벽하지 않다는 것입니다.”라고 Chatterjee는 말했습니다. “AI 모델을 최적화하는 데 지속적으로 도움을 줄 수 있는 사람들이 있습니다. 하지만 사람들은 종종 AI가 인간 부분을 대체하고 결정을 내릴 것이라고 걱정합니다. 인간은 의사 결정 지원을 위해 AI 모델을 공동 최적화해야 합니다.”

자연어 생성(데이터를 사람이 읽을 수 있는 텍스트로 변환하는 프로세스)에 초점을 맞추면 AI에 대한 신뢰가 높아지고 활용도가 높아질 것이라고 그는 덧붙였습니다. . 투명성이 부족하기 때문에 업계 엔지니어들은 연구원들이 만든 소수의 고장 예측 모델을 사용하는 것을 꺼려합니다. 운영자에게 간단한 자연어 메시지를 제공하면 상호 작용이 촉진됩니다.

AI 커뮤니티의 경우 더 나은 모델을 만드는 데 방해가 되는 장벽 중 하나는 풍력 및 태양광 산업의 상업적 민감성을 고려할 때 공개적으로 사용 가능한 데이터의 양이 제한되어 있다는 것입니다. Chatterjee는 업계가 데이터를 공개적으로 공유하는 것을 꺼리는 것 외에도 표준의 부족도 AI 모델 개발에 영향을 미친다고 말했습니다. "세계 각지의 풍력 발전소 운영자는 데이터를 다르게 관리하기 때문에 연구원들이 자원을 함께 작업하는 것이 정말 어렵습니다."

이 문제를 해결하기 위해 AI 커뮤니티는 전이 학습 기계 학습 기술이라는 방법을 활용할 수 있습니다. 데이터의 다양한 특징에 숨겨진 패턴을 식별함으로써 데이터 과학자는 하나의 머신러닝 작업을 해결하여 얻은 지식을 다른 관련 작업으로 이전할 수 있으므로 데이터가 제한될 때 신경망을 더 쉽게 훈련하고 딥러닝 모델을 개발할 수 있습니다. Chatterjee는 "이것은 과거 데이터 없이도 터빈 X 전용 모델을 기반으로 터빈 Y 모델을 개발하는 데 도움이 될 것입니다"라고 말했습니다.

하지만 신경망이 항상 답은 아닙니다. 이러한 딥 러닝 모델은 전통적으로 이미지와 텍스트를 통한 학습에 적합했기 때문에 인기를 얻었습니다. 문제는 신경망이 종종 실패한다는 것입니다. 또한 이러한 대규모의 계산적으로 복잡한 모델을 훈련하려면 에너지 집약적인 고성능 컴퓨팅 인프라가 필요하며 이는 개발도상국에서는 달성하기 어렵습니다.

적어도 재생에너지 분야에서는 때로는 단순해도 괜찮을 수도 있습니다. AI 커뮤니티는 먼저 의사 결정 트리와 같은 보다 간단한 기계 학습 모델을 사용하여 작동하는지 확인하는 데 중점을 두어야 합니다. Chatterjee는 "일반적으로 모든 문제에 신경망이 필요한 것은 아닙니다. 계산적으로 더 복잡한 신경망을 훈련하고 개발하여 탄소 배출량을 늘리는 이유는 무엇입니까? 향후 연구는 덜 자원 집약적이고 탄소 집약적인 모델에 대해 수행되어야 합니다."라고 말했습니다.

위 내용은 태양광 및 풍력 에너지에 대한 AI의 이점이 존재합니까?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!