La combinación de imágenes ultravioleta máxima (EUV) y velocidades históricas puede predecir si se producirá o no un viento solar de alta velocidad. Puntaje de crédito: House: Ciencia y saber hacer (2022). DOI: 10.34133/2022/9805707

A medida que un número cada vez mayor de programas de alta tecnología se exponen a la configuración del área, la predicción del clima del área puede ofrecer una mayor seguridad para estas unidades. Dentro del sistema fotovoltaico, el clima del área está influenciado principalmente por las circunstancias del viento fotovoltaico. El viento fotovoltaico es una corriente de partículas supersónicas cargadas de plasma que pueden desencadenar tormentas geomagnéticas, afectar las comunicaciones de onda corta y amenazar la protección de la infraestructura energética y petrolera al pasar sobre la Tierra.

Predicción correcta de la viento fotovoltaico El ritmo permitirá a las personas hacer preparativos satisfactorios para evitar perder fuentes. La mayoría de las estrategias actuales utilizan únicamente conocimientos de modalidad única como entrada y no tienen en cuenta la complementariedad de conocimientos entre modalidades completamente diferentes. En un artículo de análisis publicado recientemente en House: Ciencia y saber hacerZongxia Xie, de la Facultad de Inteligencia y Computación, Tianjin College, propuso una técnica de predicción multimodal (MMP) que aprendió colectivamente datos imaginativos y proféticos y secuenciales en un marco unificado de extremo a extremo para la predicción del ritmo del viento fotovoltaico.

Primero, el escritor lanzó la construcción general de MMP, que presenta un extractor de características imaginativo y profético, Vmodule, y un codificador de secuencia de tiempo, Tmodule, además de un módulo Fusion. Posteriormente, se lanzaron las construcciones de Vmodule y Tmodule. Conocimiento de imágenes y conocimiento de la secuencia había sido procesado por Vmodule y Tmodule, respectivamente. Vmodule usó el modelo de GoogLeNet entrenado previamente como un extractor de características para extraer características de imagen ultravioleta alta (EUV).

Tmodule consistía en una red neuronal convolucional (CNN) y una memoria bidireccional a corto plazo (BiLSTM) para codificar opciones de datos de secuencia para ayudar a la predicción. Se incluyó un predictor de fusión multimodal, que permite la fusión característica y la regresión de la predicción. Después de extraer opciones de dos módulos, los 2 vectores característicos se concatenaron en un solo vector para la fusión multimodal. Los resultados de la predicción se obtuvieron mediante un regresor de predicción multimodal. La técnica de fusión multimodal se utilizó para comprender datos complementarios para mejorar la eficiencia general.

Luego, para confirmar la efectividad del maniquí MMP, el escritor realizó algunos experimentos. Las fotografías EUV observadas por el observatorio de dinámica fotovoltaica (SDO) televisión por satélite para PC y el conjunto de datos OMNIWEB medido en el nivel de Lagrangian 1 (L1) se habían adoptado para el experimento. El escritor preprocesó fotografías EUV y los datos del viento fotovoltaico de 2011 a 2017.

Dado que los datos de secuencia de tiempo tenían continuidad en la dimensión temporal, el autor dividió los datos de 2011 a 2015 como conjunto de entrenamiento, los datos de 2016 como conjunto de validación y 2017 como conjunto de verificación. Posteriormente, se describió el montaje experimental. El escritor perfeccionó el GoogLeNet preentrenado en el conjunto de datos de ImageNet para extraer opciones de imagen EUV.

Métricas similares a Root Imply Sq. El error (RMSE), el error absoluto implícito (MAE) y el coeficiente de correlación (CORR) se utilizaron para la comparación para juzgar el rendimiento de predicción continua del modelo. RMSE se calculó tomando la raíz cuadrada de la implicación aritmética de la distinción entre el valor observado y el valor esperado.

MAE representó la implicación de error absoluto entre el valor esperado y notado. CORR puede significar la similitud entre la secuencia notada y la esperada. Además, se adoptó la calificación de talento de Heidke para juzgar si el modelo puede capturar la velocidad del viento solar de altura con precisión.

Los experimentos comparativos confirmaron que MMP logra la mayor eficiencia en muchas métricas. Además, para mostrar la efectividad de cada módulo dentro del modelo MMP, el escritor realizó experimentos de ablación. Se puede ver muy bien que la erradicación del módulo V condujo a una disminución en los resultados experimentales, particularmente para la predicción a largo plazo. A diferencia de la eliminación de Vmodule, la eliminación de Tmodule tuvo un impacto más importante en la predicción a corto plazo.

El escritor también comparó el rendimiento de varios modelos preentrenados para demostrar la eficacia de ellos para aprovechar las opciones de imagen y descubrió que GoogLeNet obtuvo los resultados métricos más importantes y efectivos. Además, se realizaron experimentos de comparabilidad de hiperparámetros para confirmar la racionalidad de nuestra elección de parámetros de maniquí.

Por último, el escritor propuso una serie de instrucciones prometedoras para el trabajo a largo plazo. En primer lugar, el análisis futuro prestaría atención a la influencia de varias modalidades en la eficiencia, asignaría pesos completamente diferentes a modalidades completamente diferentes y usaría su relación complementaria para mejorar la eficiencia. En segundo lugar, el modelo propuesto no puede captar bien la corriente fotovoltaica de alta velocidad, lo cual era muy difícil pero importante para el dispositivo. Por lo tanto, el escritor prestaría atención a los métodos para mejorar la predicción de picos tarde o temprano.


Marco de comunidad neuronal convolucional para predecir la vida útil restante en las máquinas


Datos adicionales:

Yanru Solar et al, Predicción correcta del ritmo del viento fotovoltaico con datos multimodales, House: Ciencia y saber hacer (2022). DOI: 10.34133/2022/9805707

Suministrada por
Instituto de Beijing de Know-how Press Co., Ltd

Cita:
Cómo los científicos predicen la velocidad del viento fotovoltaico con precisión utilizando datos multimodales (18 de octubre de 2022)
consultado el 19 de octubre de 2022
de https://phys.org/information/2022-10-scientists-solar-accurately-multimodality.html

Este documento está sujeto a derechos de autor. Aparte de cualquier trato veraz con el fin de un examen o análisis personal, no
la mitad también podría ser reproducida sin el permiso por escrito. El material de contenido se proporciona únicamente para funciones de datos.

Por Andrés

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *