Sabedoria
dos povos originários melhora o modelo de previsão de energia solar com IA em
14,6%.
Pesquisadores
da Universidade Charles Darwin (CDU) no Território do Norte (NT) desenvolveram
um sistema de previsão de energia solar chamado FNS-Metrics. Eles usaram
informações sazonais de calendários dos povos originários da Austrália
(conhecidos também como First Nations, ou Primeiras Nações), cujos dados foram
inseridos em um novo modelo de previsão de inteligência artificial (IA) que
eles também projetaram, chamado Conv-Ensemble.
Como
resultado, atingiram uma taxa de erro de previsão de energia solar, menor que a
metade da taxa de erro dos modelos de previsão atuais. Em outras palavras,
houve um aumento de 14,6% na precisão e uma redução de 26,2% no erro em
comparação com um modelo de linha de base.
Potencial
de revolucionar a tecnologia de previsão, pesquisadores desenvolveram o modelo
de IA usando os calendários das Primeiras Nações Tiwi, Gulumoerrgin (Larrakia),
Kunwinjku e Ngurrungurrudjb,a e um calendário moderno conhecido como Red
Centre.
O Conv-Ensemble usa camadas Conv1D para captar grandes padrões gerais nos dados e redes de transformadores e memória de longo prazo (LSTM) para refinar padrões mais detalhados, que são então combinados usando um aprendizado de máquina, técnica de concatenação de recursos ponderados para obter a melhor previsão possível.
Localização do conjunto de dados AliDKA e calendários considerados pelo estudo.
Para
testar a abordagem, os pesquisadores extraíram dados de energia solar e clima
do Desert Knowledge Australia Solar Center (DKASC) em Alice Springs, com
resultados mostrando que o modelo pode prever a geração de energia solar com
uma taxa de erro menor.
O
coautor da pesquisa, estudante de doutorado e homem do povo indígena
Bundjalang, Luke Hamlin, disse que o conhecimento ambiental mantido nos
calendários é um recurso inestimável.
“Incorporar
o conhecimento sazonal das Primeiras Nações nas previsões de geração de energia
solar pode aumentar significativamente a precisão, alinhando as previsões com
os ciclos naturais que foram observados e compreendidos por milhares de anos”,
disse Hamlin. “Ao contrário dos sistemas convencionais de calendário, esses
insights sazonais estão profundamente enraizados em pistas ecológicas locais,
como comportamentos de plantas e animais, que estão intimamente ligados a
mudanças na luz solar e nos padrões climáticos”.
Hamlin acrescentou que, ao integrar esse conhecimento, as previsões podem ser adaptadas para refletir mudanças mais granulares nas condições ambientais, levando a previsões mais precisas e culturalmente informadas para regiões específicas da Austrália.
Comparação da geração de energia solar real e prevista usando Conv-Ensemble, Conv-Transformer e Conv-LSTM em diferentes janelas de geração de energia solar de irradiância.
Imagem:
Universidade Charles Darwin
Coautores,
o professor associado de tecnologia da informação Bharanidharan Shanmugam e o
professor de tecnologia da informação Dr. Thuseethan Selvarajah, disseram que a
combinação de IA avançada e sabedoria das antigas Primeiras Nações pode
revolucionar a tecnologia de previsão.
“A
previsão precisa da energia solar é desafiadora e esses desafios dificultam o
desenvolvimento de um modelo de previsão universal”, disse Shanmugam.
“O sucesso da abordagem proposta sugere que ela pode ser uma ferramenta valiosa para o avanço da previsão de geração de energia solar em áreas rurais e, em trabalhos futuros, exploraremos as aplicações do modelo em outras regiões e fontes de energia renováveis”, disse Selvarajah.
Calendários indígenas podem ajudar a tornar a energia solar mais eficiente
Estudo
mostra que os conhecimentos de aborígenes australianos podem construir modelos
de previsão de produção mais precisos.
Futuro
da energia solar pode estar enraizado no passado. Um estudo da Universidade
Charles Darwin, da Austrália, revelou que calendários indígenas, desenvolvidos
por povos aborígenes australianos ao longo de milhares de anos, são capazes de
prever a produção de energia solar com mais precisão do que os modelos
computacionais mais avançados. (pv-magazine-brasil)
Nenhum comentário:
Postar um comentário