Abstract
Hernieuwbare energiebronnen zijn in opkomst als cruciaal alternatief voor traditionele energiebronnen, vanwege de dringende behoefte om de uitstoot van broeikasgassen te verminderen en de effecten van klimaatverandering te beperken. Nauwkeurige voorspellingen van hernieuwbare energiebronnen zijn essentieel voor effectieve besluitvorming in de energiesector, in het bijzonder in diep gedecarboniseerde energiesystemen. Machine learning (ML) kan een belangrijke rol spelen bij het verbeteren van de nauwkeurigheid van voorspellingen inzake hernieuwbare energie door deze te integreren met numerieke weersvoorspellingsmodellen (NWP), bekend als physics-informed ML. Op deze manier kan het probleem van de slechte extrapolatie/generalisatie-capaciteit van ML-modellen aangepakt worden door gebruik te maken van op physics-informed ML om beter te kunnen generaliseren naar nieuwe situaties. Dit project heeft als doel een nieuw physics-informed ML-model te ontwikkelen door de fysische vergelijkingen van NWP-modellen te integreren met ML-modellen om zo de nauwkeurigheid en betrouwbaarheid van voorspellingen van hernieuwbare energie te verbeteren, met de focus op het voorspellen van wind- en zonne-energieproductie. Succesvolle implementatie van dit model heeft het potentieel om de duurzaamheid van het huidig energiesysteem te bevorderen, balanceringskosten te verlagen en klimaatverandering tegen te gaan.
Onderzoeker(s)
Onderzoeksgroep(en)
Project type(s)