Ученые Севастопольского государственного университета разработали инновационную технологию, способную кардинально повысить точность прогнозов выработки электроэнергии солнечными электростанциями. Созданная на базе самообучающейся нейронной сети система уже вызвала заинтересованность ПАО «Газпром нефть» и ООО «Сигма», что подтверждает коммерческий потенциал и практическую значимость решения.

Основная задача, которую решают разработчики, заключается в преодолении существенных ограничений современных метеорологических прогнозов. Дело в том, что стандартные метеосводки, на которые традиционно полагаются операторы солнечных станций, не учитывают множество критически важных факторов.

Как пояснил Павел Кузнецов, один из ведущих специалистов проекта, для эффективной работы солнечных электростанций недостаточно лишь общих данных о погодных условиях.

– Одна из проблем, стоящих перед солнечными электростанциями, заключается в необходимости иметь прогноз выработки электроэнергии на сутки вперед. Однако, для точного прогнозирования генерации, недостаточно только лишь прогноза метеорологических явлений. Также нужно, например, учитывать и такие факторы, как облачность, – рассказал Павел Кузнецов.

Именно поэтому исследовательская команда сосредоточилась на разработке уникальной нейронной сети, способной с высокой точностью классифицировать различные типы облаков на небе. Ключевой отличительной особенностью этой системы является ее способность к самостоятельному обучению без необходимости трудозатратной ручной разметки данных.

– Наша главная задача – разработать нейронную сеть, способную к самостоятельному обучению и адаптации на основе поступающих изображений неба, при этом обходясь без трудозатратной предварительной разметки данных, которую обычно выполняют люди. Это позволит системе непрерывно совершенствоваться в реальных условиях эксплуатации, – подчеркнул Кузнецов.

Принцип работы системы основан на том, что нейронная сеть самостоятельно выделяет объекты на изображениях неба, находит в них определенные характерные признаки и использует полученную информацию для корректировки своих весов и улучшения точности классификации.

Особенно важно, что разработчики получили возможность не только отслеживать традиционные метрики обучения, но и анализировать внутренние процессы работы нейронной сети, понимая логику ее решений.

– Мы применяем специальные алгоритмы интерпретируемого машинного обучения, которые делают процесс принятия решений нейронной сетью полностью прозрачным. Это позволяет нам видеть не только результат классификации, но и понимать логику системы: на какие признаки облаков она обращает внимание, какие параметры считает наиболее важными при отнесении объекта к конкретному типу. Благодаря такой "прозрачности" мы получаем возможность целенаправленно корректировать алгоритмы и повышать точность распознавания различных типов облачности, – добавил Кузнецов.

Достигнутые результаты впечатляют: на данный момент нейронная сеть успешно классифицирует 11 различных типов облачности, что значительно превосходит возможности существующих решений, обычно ограничивающихся пятью основными типами. Более того, система демонстрирует способность различать даже тонкие различия между схожими типами облаков, например, между высококучевыми и слоисто-кучевыми образованиями.

Новая технология будет интегрирована в состав метеорологического комплекса «Метеодозор», став одной из его ключевых конкурентных особенностей.

– Эта камера будет частью "Метеодозора". И это будет как раз одной из его фишечек, которая будет выделять этот метеорологический комплекс среди других, – отметил Павел Кузнецов.

Исследователь также подчеркнул важность практической применимости системы и ее оптимизации для работы на доступном по цене оборудовании.

– Мы разрабатываем систему с прицелом на максимальную доступность — она должна эффективно функционировать на недорогих одноплатных компьютерах. Это принципиально важно, поскольку использование более мощных и дорогих вычислительных платформ значительно увеличило бы стоимость всего метеокомплекса. Наша задача – добиться того, чтобы качественная классификация облачности выполнялась даже на такой относительно простой элементной базе, что сделает технологию экономически привлекательной для массового внедрения, – заключил специалист.

Разработка реализуется в рамках стратегического проекта СевГУ «Интеллектуальные системы управления мультисредными эколого-климатическими рисками» программы стратегического технологического лидерства «Приоритет-2030».