Dengan menerapkan teknik dari kecerdasan buatan yang dapat dijelaskan, insinyur dapat meningkatkan kepercayaan diri pengguna pada ramalan yang dihasilkan oleh model kecerdasan buatan. Pendekatan ini baru -baru ini diuji pada pembangkit listrik tenaga angin oleh tim yang mencakup para ahli dari EPFL.
Penjelasan Kecerdasan Buatan (XAI) adalah cabang AI yang membantu pengguna untuk mengintip ke dalam kotak hitam model AI untuk memahami bagaimana output mereka dihasilkan dan apakah perkiraan mereka dapat dipercaya. Baru -baru ini, XAI telah mendapatkan keunggulan dalam tugas -tugas visi komputer seperti pengenalan gambar, di mana pemahaman keputusan model sangat penting. Membangun keberhasilannya di bidang ini, sekarang secara bertahap diperluas ke berbagai bidang di mana kepercayaan dan transparansi sangat penting, termasuk perawatan kesehatan, transportasi, dan keuangan.
Para peneliti di EPFL’s Wind Engineering dan Renewable Energy Laboratory (WIRE) telah disesuaikan dengan XAI dengan model AI kotak hitam yang digunakan di bidangnya. Dalam sebuah penelitian yang muncul di Energi terapanmereka menemukan bahwa XAI dapat meningkatkan interpretabilitas peramalan tenaga angin dengan memberikan wawasan tentang serangkaian keputusan yang dibuat oleh model kotak hitam dan dapat membantu mengidentifikasi variabel mana yang harus digunakan dalam input model.
“Sebelum operator jaringan dapat secara efektif mengintegrasikan tenaga angin ke dalam jaringan pintar mereka, mereka membutuhkan perkiraan harian yang andal dari pembangkit energi angin dengan margin kesalahan yang rendah,” kata Prof. Fernando Porté-Agel, siapa kepala kawat. “Perkiraan yang tidak akurat berarti operator jaringan harus mengkompensasi pada menit terakhir, sering menggunakan energi berbasis bahan bakar fosil yang lebih mahal.”
Prediksi yang lebih kredibel dan andal
Model yang saat ini digunakan untuk memperkirakan output tenaga angin didasarkan pada dinamika fluida, pemodelan cuaca, dan metode statistik – namun mereka masih memiliki margin kesalahan yang tidak dapat diabaikan. AI telah memungkinkan para insinyur untuk meningkatkan prediksi tenaga angin dengan menggunakan data yang luas untuk mengidentifikasi pola antara variabel model cuaca dan output daya turbin angin. Namun, sebagian besar model AI berfungsi sebagai “kotak hitam,” membuatnya menantang untuk memahami bagaimana mereka sampai pada prediksi tertentu. XAI membahas masalah ini dengan memberikan transparansi pada proses pemodelan yang mengarah ke perkiraan, menghasilkan prediksi yang lebih kredibel dan andal.
Variabel terpenting
Untuk melakukan studi mereka, tim peneliti melatih jaringan saraf dengan memilih variabel input dari model cuaca dengan pengaruh yang signifikan terhadap pembangkit listrik tenaga angin – seperti arah angin, kecepatan angin, tekanan udara, dan suhu – di samping data yang dikumpulkan dari ladang angin angin di Swiss dan di seluruh dunia. “Kami menyesuaikan empat teknik XAI dan mengembangkan metrik untuk menentukan apakah interpretasi teknik terhadap data tersebut dapat diandalkan,” kata Wenlong Liao, penulis utama studi dan postdoc di Wire.
Dalam pembelajaran mesin, metrik adalah apa yang digunakan para insinyur untuk mengevaluasi kinerja model. Misalnya, metrik dapat menunjukkan apakah hubungan antara dua variabel adalah penyebab atau korelasi. Mereka dikembangkan untuk aplikasi spesifik – mendiagnosis kondisi medis, mengukur jumlah jam yang hilang untuk kemacetan lalu lintas atau menghitung penilaian pasar saham perusahaan. “Dalam penelitian kami, kami mendefinisikan berbagai metrik untuk mengevaluasi kepercayaan teknik XAI. Selain itu, teknik XAI yang dapat dipercaya dapat menunjukkan dengan tepat variabel mana yang harus kami faktor dalam model kami untuk menghasilkan perkiraan yang andal,” kata Liao. “Kami bahkan melihat bahwa kami dapat meninggalkan variabel tertentu dari model kami tanpa membuatnya kurang akurat.”
Lebih kompetitif
Menurut Jiannong Fang – seorang ilmuwan EPFL dan rekan penulis penelitian – temuan ini dapat membantu membuat tenaga angin lebih kompetitif. “Operator sistem tenaga tidak akan merasa sangat nyaman mengandalkan tenaga angin jika mereka tidak memahami mekanisme internal yang menjadi dasar model peramalan mereka,” katanya. “Tetapi dengan pendekatan berbasis XAI, model dapat didiagnosis dan ditingkatkan, sehingga menghasilkan prakiraan fluktuasi tenaga angin harian yang lebih andal.”
Referensi
Wenlong Liao, Jiannong Fang, Lin Ye, Birgitte Bak-Jensen, Zhe Yang dan Fernando Porté-Agel, “Bisakah kita mempercayai kecerdasan buatan yang dapat dijelaskan dalam peramalan tenaga angin ‘,” Energi Terapan, 15 Desember 2024. Https://doi.org’, “15 Desember 2024. Https://doi.org ‘ /10.1016/j.apenergy.2024.124273
