Αποτελέσματα WP4

 

Αρ. ΕΕ - WP Number: 4

Τίτλος ΕΕ - WP Title: WP4 : Deep learning neural networks in 3D radiative transfer

Έναρξη - Starting Month: 1

Λήξη - Ending Month: 32

Στόχοι ΕΕ - WP Objectives:

Συνοπτική Περιγραφή των Στόχων της ΕΕ - Brief description of the WP’s Objectives:

Σε αυτό το WP, τα νευρωνικά δίκτυα βαθιάς μάθησης θα χρησιμοποιηθούν ως μια νέα προσέγγιση για τον υπολογισμό των ακτινοβολιών σε νεφελώδεις περιπτώσες, με όσο το δυνατόν γρήγορους ρυθμούς. Τα δίκτυα θα εκπαιδευτούν, θα επικυρωθούν και θα δοκιμαστούν πρώτα με σύνολα δεδομένων που προέρχονται από το MYSTIC για τεχνητές ατμοσφαιρικές συνθήκες. Σε μεταγενέστερο στάδιο, τα αποτελέσματα του MYSTIC από τις μετρούμενες τρισδιάστατες περιπτώσεις νεφώσεων θα χρησιμοποιηθούν ως είσοδος του μοντέλου. Η απόδοση των νευρωνικών δικτύων βαθιάς μάθησης θα επικυρωθεί σε σχέση με το MYSTIC και τα μετρούμενα δεδομένα, καθώς και θα αναλυθούν τα δυνατά και αδύνατα σημεία τους υπό διαφορετικές καιρικές συνθήκες.

Παραδοτέα – Deliverables:

D4.1: Rendered radiance database from deep learning neural networks for artificial atmospheric conditions

Συνοπτική περιγραφή των Παραδοτέων που προέκυψαν από την ΕΕ - Describe the Deliverables emerging from the WP:

 Σε αυτή τη φάση υλοποίησης, θα παρουσιαστεί η μεθοδολογία εκτίμησης της ηλιακής ακτινοβολίας εφαρμόζοντας τεχνικές βαθιάς μηχανικής μάθησης (deep learning). Ο απαιτούμενος χρόνος υπολογισμού της ηλιακής ακτινοβολίας με την χρήση μοντέλων επίλυσης της εξίσωσης διάδοσης της ηλιακής ακτινοβολίας σε 3 διαστάσεις είναι υψηλός. Οι τεχνικές βαθιάς μηχανικής μάθησης αποτελούν αξιόπιστη εναλλακτική λύση για την εκτίμηση της ηλιακής ακτινοβολίας σε σημαντικά λιγότερο χρόνο και καλή ακρίβεια. Στα πλαίσια του πακέτου εργασίας δημιουργήθηκε και εκτιμάται να εφαρμοστεί στο εγγύς μέλλον ένα υβριδικό μοντέλο το οποίο χρησιμοποιεί ταυτόχρονα δυο διαφορετικούς αλγόριθμους βαθιάς μηχανικής μάθησης, ένα συνελεκτικό νευρωνικό δίκτυο (Convolutional Neural Network-CNN) και ένα πλήρως συνδεδεμένο νευρωνικό Δίκτυο (Fully-connected Neural Network). Το  υβριδικό μοντέλο εκτιμά το πεδίο ηλιακής ακτινοβολίας στην περιοχή μελέτης, χρησιμοποιώντας τα δεδομένα ηλιακής ακτινοβολίας από την τεχνητή βάση που δημιουργήθηκε στο πακέτο εργασίας 3.1 μέσω του MYSTIC. Για την εκπαίδευση ενός τέτοιου μοντέλου απαιτείται ένα υψηλός αριθμός μετρήσεων, που σε αυτή την φάση του προγράμματος δεν είναι ακόμα διαθέσιμος καθώς τα τεχνητά σενάρια δημιουργούνται συνεχώς από το MYSTIC.

Μεθοδολογία εκτίμησης της ηλιακής ακτινοβολίας με την εφαρμογή αλγορίθμου βαθιάς μηχανικής μάθησης

D4.2: Rendered radiance database from deep learning neural networks for selected measured atmospheric conditions

Συνοπτική περιγραφή των Παραδοτέων που προέκυψαν από την ΕΕ - Describe the Deliverables emerging from the WP:

 Το Παραδοτέο D4.2 του έργου D3D αφορά τη δημιουργία και την τεκμηρίωση μιας ολοκληρωμένης βάσης δεδομένων ακτινοβολίας, η οποία προκύπτει από την εφαρμογή μοντέλων βαθιάς μάθησης σε επιλεγμένες πραγματικές ατμοσφαιρικές συνθήκες. Η βάση δεδομένων αυτή αποτελεί βασικό αποτέλεσμα του Task 4.2 του Πακέτου Εργασίας 4 (WP4) και εστιάζει στην απόδοση πεδίων και ολοκληρωμένων μεγεθών ηλιακής ακτινοβολίας σε περιβάλλοντα με νεφοκάλυψη, αξιοποιώντας απεικονιστικά και ακτινομετρικά δεδομένα πεδίου.
Στο πλαίσιο του παραδοτέου περιγράφεται αναλυτικά η διαδικασία επιλογής των περιπτώσεων μελέτης, οι οποίες βασίζονται σε πραγματικές μετρήσεις από το WP2 και συνοδεύονται από αντίστοιχες τρισδιάστατες προσομοιώσεις ακτινοβολίας του WP3. Παρουσιάζεται η μεθοδολογία εφαρμογής χωρικά ενημερωμένων Συνελικτικών Νευρωνικών Δικτύων (Spatially-informed CNN – SCNN), καθώς και τα στάδια προ-επεξεργασίας των δεδομένων και η συνολική ροή παραγωγής της βάσης δεδομένων.

 

Διάγραμμα ροής προγράμματος δημιουργίας βάσης δεδομένων


Ιδιαίτερη έμφαση δίνεται στις τεχνικές προδιαγραφές της βάσης δεδομένων, στη δομή της ανά χρονική στιγμή και στα συνοδευτικά μεταδεδομένα, με στόχο τη διασφάλιση της φυσικής συνέπειας, της πληρότητας και της επαναχρησιμοποίησης των παραγόμενων δεδομένων. Επιπλέον, παρουσιάζονται ενδεικτικά παραδείγματα κατανομών και χρονικών απεικονίσεων των εκτιμώμενων τιμών ολικής και διάχυτης ηλιακής ακτινοβολίας, αποκλειστικά για περιγραφικούς και τεκμηριωτικούς σκοπούς.
Το Παραδοτέο D4.2 δεν αποσκοπεί στην ποσοτική αξιολόγηση της ακρίβειας των μοντέλων βαθιάς μάθησης, αλλά στη δημιουργία ενός συνεκτικού και αξιόπιστου συνόλου δεδομένων ακτινοβολίας, το οποίο λειτουργεί ως σημείο αναφοράς και βασικό υπόβαθρο για την αναλυτική αξιολόγηση που παρουσιάζεται στο επόμενο παραδοτέο D4.3. Με τον τρόπο αυτό, το D4.2 συμβάλλει ουσιαστικά στη διασύνδεση των μετρητικών, μοντελοποιητικών και υπολογιστικών συνιστωσών του έργου D3D.

Ημερολογιακή απεικόνιση των μέσων ημερήσιων εκτιμώμενων τιμών ολικής GHI ηλιακής ακτινοβολίας για το έτος 2023

 

D4.3: Technical report on deep-learning neural networks results

Συνοπτική περιγραφή των Παραδοτέων που προέκυψαν από την ΕΕ - Describe the Deliverables emerging from the WP:

 Το Παραδοτέο D4.3: Technical report on deep-learning neural networks results παρουσιάζει τη συστηματική ποσοτική και ποιοτική αξιολόγηση των μοντέλων βαθιάς μάθησης που αναπτύχθηκαν στο πλαίσιο του έργου D3D για την εκτίμηση της ηλιακής ακτινοβολίας υπό πραγματικές ατμοσφαιρικές συνθήκες. Το παραδοτέο αποτελεί το τελικό στάδιο του Πακέτου Εργασίας WP4 και εστιάζει στην αποτίμηση της ακρίβειας, της σταθερότητας και της φυσικής συνέπειας των εκτιμήσεων που παράγονται από τα νευρωνικά δίκτυα, αξιοποιώντας αποκλειστικά πραγματικά μετρητικά δεδομένα.
Η αξιολόγηση βασίζεται σε εκτεταμένο σύνολο συγχρονισμένων δεδομένων, το οποίο περιλαμβάνει απεικονίσεις ουρανού από συστήματα All Sky Imager και μετρήσεις ολικής και διάχυτης ηλιακής ακτινοβολίας (GHI και DHI) από πυρανόμετρα υψηλής ακρίβειας. Τα δεδομένα αυτά προέρχονται από προηγούμενα πακέτα εργασίας του έργου (WP2 και WP4) και καλύπτουν ευρύ φάσμα ατμοσφαιρικών συνθηκών, γεωμετριών ηλιακού φωτισμού και καθεστώτων νεφοκάλυψης, διασφαλίζοντας τη ρεαλιστικότητα και τη στατιστική αξιοπιστία της αξιολόγησης.
Η μεθοδολογία αξιολόγησης στηρίζεται σε καθιερωμένους στατιστικούς δείκτες απόδοσης, όπως το μέσο απόλυτο σφάλμα (MAE), η μέση μεροληψία (MBE), το ριζικό μέσο τετραγωνικό σφάλμα (RMSE) και ο συντελεστής προσδιορισμού (R²), σε συνδυασμό με εκτενή χρήση γραφικών απεικονίσεων, όπως ιστογράμματα κατανομών και διαγράμματα διασποράς. Ιδιαίτερη έμφαση δίνεται στην ανάλυση σφαλμάτων, στην ερμηνεία ακραίων αποκλίσεων και στη διερεύνηση της εξάρτησης της απόδοσης των μοντέλων από τη νεφοκάλυψη και την ηλιακή ζενίθια γωνία.

 

Ιστόγραμμα συχνοτήτων για την Ολική Οριζόντια Ακτινοβολία (GHI). Παρουσιάζεται η σύγκριση μεταξύ των μετρήσεων του πυρανομέτρου (GHI_meas) και των προβλέψεων του νευρωνικού δικτύου (GHI_pred)


Τα αποτελέσματα της αξιολόγησης καταδεικνύουν ότι τα μοντέλα βαθιάς μάθησης επιτυγχάνουν υψηλό βαθμό ακρίβειας και στατιστικής συνέπειας, ιδίως για την ολική οριζόντια ηλιακή ακτινοβολία, όπου παρατηρείται εξαιρετικά ισχυρή συσχέτιση με τις μετρήσεις αναφοράς και περιορισμένη διασπορά σφαλμάτων. Η διάχυτη ακτινοβολία παρουσιάζει αυξημένη μεταβλητότητα και ήπια συστηματική απόκλιση σε συνθήκες έντονης ατμοσφαιρικής πολυπλοκότητας, γεγονός που αποδίδεται σε εγγενείς φυσικούς περιορισμούς και όχι σε αδυναμίες της μεθοδολογίας.
Η ανάλυση των ακραίων αποκλίσεων και της επίδρασης της ηλιακής γεωμετρίας αναδεικνύει τον καθοριστικό ρόλο των τρισδιάστατων φαινομένων σκέδασης και της χωρικής ανομοιογένειας της ακτινοβολίας, επιβεβαιώνοντας ότι τα παρατηρούμενα σφάλματα συνδέονται κυρίως με φυσικές διεργασίες και με την ασυμφωνία χωρικής κλίμακας μεταξύ απεικονιστικών δεδομένων και σημειακών μετρήσεων.

 

Συσχέτιση μεταξύ των μετρήσεων αναφοράς (άξονας x) και των εκτιμήσεων του νευρωνικού δικτύου (άξονας y) για τη διάχυτη ηλιακή ακτινοβολία (DHI). Η κόκκινη γραμμή αντιστοιχεί στη γραμμική παλινδρόμηση, ενώ τα επισημασμένα σημεία αντιπροσωπεύουν ακραίες αποκλίσεις (outliers)


Συνολικά, το Παραδοτέο D4.3 επιβεβαιώνει ότι οι μέθοδοι βαθιάς μάθησης που αναπτύχθηκαν στο πλαίσιο του έργου D3D μπορούν να λειτουργήσουν ως αξιόπιστα και εξαιρετικά ταχέα εργαλεία εκτίμησης της ηλιακής ακτινοβολίας σε πραγματικές συνθήκες, προσφέροντας μια υπολογιστικά αποδοτική εναλλακτική προσέγγιση σε σχέση με τα παραδοσιακά μοντέλα ακτινομετρικής μεταφοράς. Τα αποτελέσματα του παραδοτέου θέτουν ισχυρή βάση για μελλοντικές επεκτάσεις της μεθοδολογίας και για την αξιοποίηση των μοντέλων σε επιχειρησιακές και ενεργειακές εφαρμογές.