インサイダーブリーフ
- エジプトの研究者によって開発された量子風のAIシステムは、再生可能エネルギー予測の精度を大幅に改善し、太陽と風力の電力の統合を電気網に統合する可能性があります。
- このモデルは、量子側頭モデルと忍者の最適化アルゴリズムを組み合わせて、データの変動や機能の選択などの予測上の課題を克服します。
- テストでは、従来の深い学習モデルと最適化技術を上回り、エネルギー出力を予測するときに95.15％の精度とゼロのエラーマージンを達成しました。
新しい最適化技術と組み合わせた量子ベースのディープラーニングモデルは、再生可能エネルギー予測の精度を大幅に高め、電力と風力の電力の統合の潜在的な改善を提供します。 科学レポート。
マンスウラ大学とデルタ高等工学研究所の研究者は、忍者の時間モデル（QTM）と忍者最適化アルゴリズム（NIOA）との組み合わせのシステムを開発しました – 複雑さを切り抜けるように設計された – 再生可能エネルギーの最大の技術的課題の1つ：その干渉性と予定外の可能性。
実験結果は、システムが顕著な精度で風と太陽のエネルギー出力を予測し、現実世界のパターンの95％以上を正しくキャプチャし、その予測にほとんど誤りがないことを示しました。技術読者にとって、風力と太陽の生産を予測すると、95.15％のR²と非常に低い根平均平方根誤差（RMSE）が0.00003の非常に低いルート平均平均誤差（RMSE）を達成しました。
量子モデルは、従来の深い学習よりも優れています
この研究では、QTM+NIOAのパフォーマンスを、再発ニューラルネットワーク（RNN）、長期短期メモリネットワーク（LSTM）、畳み込みニューラルネットワーク（CNN）、およびハイブリッドエンコーダデコーダーの注意モデル（HEDAMS）などの従来の深い学習アプローチと比較しました。標準的な深い学習方法は長期的な傾向または計算負荷のいずれかに苦労していましたが、量子に触発されたモデルは、時系列データ全体の安定性と精度が高いことを示し、短期変動と長期パターンの両方を効果的に処理しました。
研究者は、2020年以降、1時間ごとの太陽光および風力生産記録を含むフランスのグリッドデータセットを使用しました。データの準備手順には、正規化、データ処理、機能抽出が含まれていました。次に、著者がソリューション空間での探索と搾取のバランスをとるために、「忍者」の俊敏性と適応性を著者がモデル化したNinjaアルゴリズムを使用して、機能の選択を最適化しました。
遺伝的アルゴリズムや微分進化など、他の9つの最適化アルゴリズムに対してベンチマークされた場合、研究者は、NIOAが常に低い予測エラー、より良い機能選択、およびより高いフィットネススコアを達成したと報告しています。
グリッドの量子学習を最適化します
量子時間モデルは、複数の時間的関係を同時に処理するために、量子力学の概念、特に重ね合わせと絡み合いを活用します。この設計により、LSTMなどの古典的な方法よりも計算上の利点があります。LSTMは、勾配の消失やCNNSに苦しむ可能性があります。
NIOAは、メタヒューリスティックなアルゴリズムと呼ばれ、地元のオプティマに閉じ込められないように動的に調整された検索戦略です。これは、機能の選択とパラメーターチューニングによくある問題です。研究者によると、この敏ility性により、高次元の検索スペース全体でより良いグローバルソリューションが可能になりました。
組み合わせて、QTMとNIOAは機能の選択とハイパーパラメーターの両方のチューニングの両方を最適化し、トレーニングデータに適切に適合するだけでなく、相互検証結果によって示されるように、目に見えないデータに効果的に一般化されたモデルを生成しました。
より賢く、よりきれいなグリッドに向かって
再生可能な出力をより正確に予測することは、化石燃料のバックアップに大きく依存せずに需要と供給のバランスをとるグリッド演算子にとって重要です。著者らは、より良い予測により、統合コストを削減し、システムの不安定性を削減し、最終的にはカーボン中立グリッドへのシフトの速度を高めることができると主張しています。
この研究はフランスのデータセットに焦点を当てていますが、研究者は、十分なローカルトレーニングデータが利用可能であれば、方法論が地域と再生可能エネルギーシステム全体で譲渡可能であることを示唆しています。このアプローチは、風、太陽光、保管を組み合わせたハイブリッドグリッドに拡張することもできます。
制限と将来の方向
有望な結果にもかかわらず、将来の仕事にはいくつかの制限と場所があります。チームは、モデルが単一の市場と気象環境の履歴データでのみテストされていることを認めています。さまざまな気候ゾーン、季節、および運用条件にわたるより広範な検証が必要です。その一般化を確認する必要があります。
彼らはまた、量子にインスパイアされたモデルが理論的な利点を提供する一方で、真の量子コンピューティングハードウェアの完全な展開は多くのエネルギーアプリケーションでまだ実用的ではないことに注目しています。現在の研究では量子を使用しています シミュレーション アーキテクチャ – 物理量子コンピューターではなく、将来の作業は、量子プロセッサが成熟するにつれてパフォーマンスを探求することができます。
チームによると、将来の研究のための別の手段は、QTM+NIOAフレームワークと、需要予測やストレージ最適化モデルなどの他のグリッド管理ツールを組み合わせて、より包括的な意思決定サポートシステムを構築することを伴います。
この研究は、マンソーラ大学とエジプトのデルタ高等工学技術研究所の研究者によって実施されました。このチームには、マンソーラ大学のモナ・アーメド・ヤセン、モハメド・ガマル・アブデル・ファッタ、イスラム・イスマエル、ホサム・エル・サラ・モスタファ、デルタ・ハイアス・インスティテュートのエル・セイ・M・エルケナウィが含まれます。
