Επιστήμονες εφαρμόζοντας τη νέα προσέγγιση στη Μέση Ανατολή, διαπίστωσαν ότι περίπου το 5,8% της περιοχής έχει πολύ υψηλή καταλληλότητα και το 11,5% είναι ιδιαίτερα κατάλληλο για ανάπτυξη ηλιακών πάνελ (pv-magazine)
Μια ερευνητική ομάδα με επικεφαλής το Εθνικό Πανεπιστήμιο της Μαλαισίας ανέπτυξε μια νέα μέθοδο βαθιάς μάθησης για τη χαρτογράφηση καταλληλότητας φωτοβολταϊκών εγκαταστάσεων.
Η νέα μεθοδολογία παρουσιάστηκε στο άρθρο με τίτλο «Βελτίωση της χαρτογράφησης καταλληλότητας ηλιακών φωτοβολταϊκών στη Μέση Ανατολή χρησιμοποιώντας ένα βελτιστοποιημένο πλαίσιο βαθιάς μάθησης», που δημοσιεύτηκε στο Alexandria Engineering Journal.
Εκτός από το Εθνικό Πανεπιστήμιο της Μαλαισίας, στη μελέτη συμμετείχαν επίσης επιστήμονες από το Πανεπιστήμιο Thi-Qar του Ιράκ και το Πανεπιστήμιο Sharjah των Ηνωμένων Αραβικών Εμιράτων.
«Η καινοτομία της έρευνάς μας έγκειται στην ανάπτυξη ενός πλήρως βελτιωμένου και ερμηνεύσιμου αγωγού βαθιάς μάθησης που συνδυάζει το TabNet, το Optuna και το SHAP για τη χαρτογράφηση καταλληλότητας ηλιακών φωτοβολταϊκών εγκαταστάσεων.
Αυτή είναι η πρώτη μελέτη που εφαρμόζει αυτήν την ολοκληρωμένη προσέγγιση σε περιφερειακή κλίμακα σε όλη τη Μέση Ανατολή, αξιοποιώντας δεδομένα ανάπτυξης φωτοβολταϊκών από τον πραγματικό κόσμο παράλληλα με περιβαλλοντικές, κοινωνικές και διακυβερνητικές (ESG) ευθυγραμμισμένες τεχνοοικονομικές μεταβλητές.
Βελτιώνει σημαντικά την ακρίβεια, την επεκτασιμότητα και την επεξήγηση της χωρικής λήψης αποφάσεων στον σχεδιασμό φωτοβολταϊκών, ειδικά σε περιοχές με περιορισμένα δεδομένα», δήλωσε στο pv-magazine ο συντάκτης Khairul Nizam Abdul Maulud.
Τα 12 κριτήρια των ερευνητών
Το πρώτο βήμα για τη δημιουργία του νέου μοντέλου τους ήταν ο προσδιορισμός των κριτηρίων καταλληλότητας.
Με βάση μια βιβλιογραφική ανασκόπηση και συνεντεύξεις με ειδικούς, η ομάδα αυτή αποφάσισε 12 κριτήρια.
Τα 6 από αυτά ήταν τεχνικοί παράγοντες προετοιμασίας, δηλαδή η ηλιακή ακτινοβολία, η εκτιμώμενη ισχύς εξόδου, η θερμοκρασία του αέρα, οι ημέρες με συννεφιά, η ταχύτητα του ανέμου και το υψόμετρο.
Τα άλλα 6 ήταν οικονομικοί παράγοντες προετοιμασίας, δηλαδή η κλίση, η τραχύτητα της επιφάνειας, η κάλυψη γης, η εγγύτητα σε δρόμους, η εγγύτητα σε πόλεις και η εγγύτητα σε δίκτυα.
Η ερευνητική ομάδα προμηθεύτηκε 612 φωτοβολταϊκές τοποθεσίες από τη βάση δεδομένων Global Solar Power Tracker, μαζί με 612 μη φωτοβολταϊκές τοποθεσίες.
Χρησιμοποιώντας το ArcGIS, το καθένα εξετάστηκε για τα 12 τεχνικά και οικονομικά κριτήρια.
Οι 3 κατηγορίες του συνόλου δεδομένων
Το σύνολο δεδομένων στη συνέχεια χωρίστηκε σε ένα υποσύνολο εκπαίδευσης (70%), ένα υποσύνολο επικύρωσης (15%) και ένα υποσύνολο δοκιμής (15%).
Το ίδιο το μοντέλο κατασκευάστηκε με TabNet, Optuna και SHAP.
Το 1ο είναι ένα μοντέλο βαθιάς μάθησης βελτιστοποιημένο για δεδομένα σε μορφή πίνακα.
Το 2ο αυτοματοποιεί την επιλογή των καλύτερων ρυθμίσεων του μοντέλου.
Το 3ο χρησιμοποιήθηκε για την κατανόηση του τρόπου με τον οποίο το μοντέλο κάνει τις προβλέψεις του.
Ποσοστά καταλληλότητας
Εφαρμόζοντας το μοντέλο τους σε ολόκληρη τη Μέση Ανατολή, διαπίστωσαν ότι περίπου το 5,8% της περιοχής έχει πολύ υψηλή καταλληλότητα και το 11,5% είναι ιδιαίτερα κατάλληλο για ανάπτυξη φωτοβολταϊκής ενέργειας.
Οι περιοχές πολύ υψηλής καταλληλότητας συγκεντρώνονται κυρίως στις παράκτιες περιοχές, την κεντρική Ανατολία και σε τμήματα της Σαουδικής Αραβίας και του Ιράν.
Τα μέρη υψηλής καταλληλότητας βρίσκονται ιδιαίτερα στην κεντρική και νότια Τουρκία, την προσχωσιγενή πεδιάδα του Ιράκ και τη λεκάνη του Νείλου στην Αίγυπτο.
«Μας εξέπληξε ιδιαίτερα το γεγονός ότι η εγγύτητα σε υποδομές όπως δρόμοι, πόλεις και δίκτυα ηλεκτρικής ενέργειας είχε σημαντικότερη επίδραση στην καταλληλότητα των φωτοβολταϊκών εγκαταστάσεων από την ίδια την ηλιακή ακτινοβολία.
Αυτό έρχεται σε αντίθεση με τις συμβατικές υποθέσεις και πιθανότατα οφείλεται στην ομοιόμορφη ηλιακή έκθεση σε ολόκληρη τη Μέση Ανατολή. Επιπλέον, διαπιστώθηκε ότι η τραχύτητα της επιφάνειας επηρεάζει αρνητικά την καταλληλότητα, έναν παράγοντα που δεν έχει διερευνηθεί επαρκώς σε προηγούμενες μελέτες», δήλωσε ο Maulud.
www.worldenergynews.gr
