25#

Πλήρες Κείμενο:

Μια σημαντική στιγμή για το Εθνικό Αστεροσκοπείο Αθηνών και για την παγκόσμια έρευνα στην πρόγνωση παραγωγής των ανανεώσιμων πηγών ενέργειας. Δημοσιεύτηκε σήμερα μια μελέτη που παρουσιάζει μια νέα προσέγγιση πρόγνωσης ηλιακής ενέργειας, η οποία αξιοποιεί προηγμένες τεχνικές τεχνητής νοημοσύνης (ΤΝ) για την κατανόηση και πρόβλεψη της νεφοκάλυψης. Η μεθοδολογία βασίζεται σε έναν πολυδιάστατο Δείκτη Χωροχρονικής Ομοιότητας που αποτυπώνει με φυσικό τρόπο τις μεταβάσεις, τις ταχύτητες και τις τροχιές των νεφών, επιτρέποντας την ανάκτηση ιστορικών αναλόγων από υπερδεκαετή αρχεία δορυφορικών παρατηρήσεων. Η τεχνητή νοημοσύνη αποτελεί πλέον βασικό εργαλείο για την ενεργειακή μετάβαση και η συγκεκριμένη μελέτη δείχνει πώς η φυσικά ερμηνεύσιμη ΤΝ μπορεί να προσφέρει αξιόπιστες και παγκόσμια εφαρμόσιμες λύσεις. Η προσέγγιση αξιολογήθηκε σε 26 σταθμούς του διεθνούς δικτύου BSRN, από πολικές έως τροπικές περιοχές, και πέτυχε 15 έως 30 τοις εκατό χαμηλότερο σφάλμα σε σχέση με τα αριθμητικά μοντέλα και τις συμβατικές μεθόδους πρόγνωσης. Σε παγκόσμιο επίπεδο, ακόμη και μια συντηρητική μείωση σφάλματος κατά 20 τοις εκατό μπορεί να οδηγήσει σε εξοικονόμηση έως και 1.5 δισεκατομμύρια δολάρια και 24 μεγατόνους CO2 κάθε χρόνο, αναδεικνύοντας τον ουσιαστικό ρόλο της τεχνητής νοημοσύνης στη βελτιστοποίηση των ενεργειακών συστημάτων. Η νέα αυτή δημοσίευση συνδέεται άμεσα με το ευρύτερο έργο του Ινστιτούτου Ερευνών Περιβάλλοντος και Βιώσιμης Ανάπτυξης του Εθνικού Αστεροσκοπείου Αθηνών, το οποίο αξιοποιεί στην πράξη την τεχνητή νοημοσύνη ως βασικό πυλώνα της ενεργειακής μετάβασης. Οι εφαρμογές εκτείνονται από την πρόγνωση παραγωγής φωτοβολταϊκής ενέργειας έως τον στρατηγικό σχεδιασμό σε τοπικό επίπεδο. Μέσα από προηγμένα μοντέλα βαθιάς μάθησης, επιτυγχάνεται η ακριβής εκτίμηση της ηλιακής ακτινοβολίας και ενέργειας σε πραγματικό χρόνο, ενισχύοντας την αξιοπιστία των δικτύων και την ανθεκτικότητα απέναντι στις κλιματικές μεταβολές. Ταυτόχρονα, το ηλιακό κτηματολόγιο συνδυάζει δορυφορικά δεδομένα, τρισδιάστατα μοντέλα αστικού χώρου και αλγορίθμους μηχανικής μάθησης για να χαρτογραφήσει τη δυναμικότητα κάθε κτιρίου, προσφέροντας έναν ψηφιακό οδηγό που διευκολύνει την εγκατάσταση φωτοβολταϊκών και τον σχεδιασμό σε επίπεδο γειτονιάς ή δήμου. Η τεχνητή νοημοσύνη στηρίζει επίσης τη διαχείριση ενεργειακών κοινοτήτων, καθώς έξυπνα συστήματα πρόβλεψης ζήτησης και προσφοράς επιτρέπουν τη δίκαιη κατανομή της παραγόμενης ενέργειας, τη βελτιστοποίηση της κατανάλωσης και τη μείωση του κόστους, ενισχύοντας την κοινωνική συνοχή και την ενεργειακή δημοκρατία. Τέλος, η πρόγνωση παραγωγής με τη βοήθεια της τεχνητής νοημοσύνης προσφέρει στους πολίτες και στους φορείς τη δυνατότητα να σχεδιάζουν με ακρίβεια τις ενεργειακές τους ανάγκες, από το επίπεδο του νοικοκυριού έως το εθνικό δίκτυο και το παγκόσμιο ενεργειακό σύστημα, αποτελώντας θεμέλιο για την ορθολογική ενσωμάτωση των ανανεώσιμων πηγών και την επίτευξη των στόχων βιώσιμης ανάπτυξης. Περισσότερα για το έργο της ομάδας Solea μπορείτε να βρείτε στο https://solea.gr/ Διαβάστε το άρθρο στον παρακάτω σύνδεσμο: https://doi.org/10.1016/j.egyai.2026.100761 Συνεχίζουμε με την ίδια αφοσίωση. Υπουργείο Ανάπτυξης και Επενδύσεων Γενική Γραμματεία Έρευνας και Καινοτομίας Αθηναϊκό - Μακεδονικό Πρακτορείο Ειδήσεων ΕΡΤ ERT NEWS 24#

Η επιλογή των posts/links γίνεται με ένα στατιστικό μοντέλο και μπορεί να μην απεικονίζει επακριβώς τη δημοτικότητά τους