Исследователи из Института исследований тибетского плато (ITP) Китайской академии наук изучили, как климат влияет на количество электроэнергии, используемой в тибетских домах, на основе машинного обучения.
Используя инновационный подход, они сделали свои модели машинного обучения интерпретируемыми, тем самым выявив важность осадков и урбанизации при анализе взаимосвязи между потреблением энергии и климатом.
Исследование было опубликовано в Energies 5 мая.
В условиях глобального потепления сокращение выбросов парниковых газов является приоритетом. Поскольку большая часть электроэнергии, которую мы потребляем, по-прежнему производится из угля и ископаемого топлива , один из способов уменьшить наш углеродный след — следить за мощностью, которую мы используем дома — потреблением энергии в жилых помещениях (REC).
В большинстве мест наибольший вклад в REC вносят отопление и охлаждение. Таким образом, можно разумно заключить, что REC тесно связана с температурой региона. Такое предположение является основой для многих математических моделей, пытающихся объяснить связь между температурой и REC. Однако истина кажется более сложной, и для создания лучших моделей необходимо учитывать множество дополнительных факторов.
«Предыдущие исследования предупреждали нас, что глобальное потепление увеличит REC летом, потому что более высокая температура увеличивает потребность в охлаждении. Однако в последние годы многие отключения электроэнергии, связанные с климатом, происходили зимой во время сильных снегопадов. Это заставило нас задуматься о роли осадков в формирование REC», — сказал Ся Цуйхуи из ITP, ведущий автор исследования.
Ся и ее коллеги применили новаторский подход к пониманию того, как различные факторы, связанные с климатом, могут повлиять на REC в Тибете, холодном альпийском регионе с отдельными сельскими и городскими районами . Исследователи решили использовать машинное обучение и доступные REC и климатические данные из Тибета, чтобы обучить несколько моделей и сравнить их производительность.
В общем, модели машинного обучения после обучения на реальных данных действуют как «черные ящики». Они имеют хорошую точность прогнозирования без каких-либо предварительных предположений. Однако трудно понять, как входные факторы (например, температура, осадки, доход и численность населения) индивидуально взвешиваются системой для прогнозирования результата (REC).
Эта низкая интерпретируемость является огромным недостатком. Чтобы преодолеть это ограничение, исследователи использовали новейшие методы сообщества интерпретируемого машинного обучения , чтобы заглянуть внутрь этих «черных ящиков».
Такой подход привел к некоторым интересным выводам. Результаты показывают, что осадки в холодное время года вносят основной вклад в REC Тибета. Это было особенно верно, когда температура опускалась ниже нуля, что приводило к снегопаду вместо дождя.
«Наше исследование подчеркивает, что связанные с климатом энергетические исследования должны рассматривать климат в целом, а не сосредотачиваться только на температуре, особенно для исследований, касающихся холодных зим и экстремальных погодных условий, таких как метели», — сказал Ся.
Еще одним важным открытием стало заметное несоответствие между городскими и сельскими районами в том, как климат влияет на REC. Например, городские районы в холодные снежные дни с большей вероятностью, чем менее богатые сельские районы, имели более высокий REC. Этот результат показывает еще одно преимущество подхода на основе данных, использованного командой Ся: они смогли сравнить городские и сельские районы с учетом социально-экономических факторов.
Помимо того, что этот тип прогностической модели помогает нам лучше понять сложную взаимосвязь между климатом и потреблением энергии, он полезен при разработке систем раннего предупреждения, которые защищают от перебоев в подаче электроэнергии, вызванных экстремальными погодными условиями . Поскольку Тибет и прилегающие к нему районы становятся теплее и влажнее из-за изменения климата, выводы из таких интерпретируемых моделей также могут помочь в разработке политики в области энергетики в будущем.
Теги: ИИ, Китай, энергия
