Поиск лучшего места в мире для ветряка

    История о том, как NASA, ESA, Датский Технологический Университет, нейронные сети, деревья решений и прочие хорошие люди помогли найти мне лучший бесплатный гектар на Дальнем Востоке, а также в Африке, Южной Америке и других “так себе” местах.



    Предыстория


    Кажется, года два назад, а может быть уже и три, объявили о программе раздачи бесплатных гектаров на Дальнем Востоке России. Быстренько посмотрев на карту, стало понятно, что просто так выбрать правильный гектар не так уж и просто, а лучшие и очевидные места около городов, наверняка отойдут или уже отошли местным. Наверное, именно в этот момент у меня и возникла идея, что можно как-то автоматизировать поиск наилучшего места.

    Начав романтично размышлять дальше, я подумал, что не обязательно смотреть на Дальний Восток. Сейчас полно земли, которая никому нигде не нужна, но это может измениться, лет эдак через 50, когда ископаемое топливо начнет подходить к концу. И люди пойдут искать новые источники энергии. Тогда я и начал смотреть на возобновляемые источники энергии. И очень быстро понял, что карта ресурсов и территорий, где эту новую энергию можно будет добывать, сильно изменится. Найдя сейчас такие места, можно их приобрести заранее и быть богатеем потом. Прикинув ещё, мне представилось что за пару выходных это можно запросто сделать… Сейчас оглядываясь назад, я понимаю, что на это у меня ушло около года. Хочу сразу отметить, что тогда я не сильно разбирался ни в энергетике, ни в возобновляемых источниках, ни в машинном обучении. Ниже краткий пересказ моего годовалого проекта.

    Выбор типа возобновляемого источника энергии


    Определившись с идеей, я быстренько пошел смотреть, а какие вообще бывают возобновляемые источники энергии и какой из них самые энергетический. Вот неполные, но самые распространенный список:

    1. солнечное излучение (гелиоэнергетика);
    2. энергия ветра (ветроэнергетика);
    3. энергия рек и водотоков (гидроэнергетика);
    4. энергия приливов и отливов;
    5. энергия волн;
    6. геотермальная энергия;
    7. рассеянная тепловая энергия: тепло воздуха, воды, океанов, морей и водоемов;
    8. энергия биомассы,

    Но как определить какой из них самые лучший и победит в будущем всех остальных? Почитав еще немного интересных статей из журналов “Наука и жизнь” и ”Юный техник”. Я вышел на методику LCOE (levelized cost of electricity) у которой принцип простой: умные дядьки пытаются оценить совокупную стоимость киловатт-часа энергии, учитывая производство, материалы, обслуживание и т.д. Ниже картинка по данным от 2016 с некоторой проекцией на 2022. Я взял картинку посвежее отсюда, ниже скучная табличка из этого документа.


    Вообще таких картинок у меня тьма для разных стран, сделанные разными организациями и всё выглядит примерно одинаково:

    1. На первом месте Геотермальная энергия.
    2. Дальше Гидроэлектроэнергия, но это зависит уже сильно от страны.
    3. На третьем месте Ветер.

    Геотермальная и гидро мне не понравились, так как на мой взгляд, мест, где можно было бы добывать эту энергию можно пересчитать по пальцам. Ветер и Солнце — это другое дело, так как ставить их можно чуть ли не на каждую крышу и балкон. Солнце оказалось дороже, а три года назад разница была больше еще процентов на 30, я выбрал Ветер.

    Кстати, уже в середине проекта, я начал наталкиваться на документы с похожими размышлениями государства США, а именно организаций NREL, Департамента Энергетики США и прочими, которые делали прогнозы и ставки на разные источники энергетики для того, чтобы уже сейчас понять каким образом модернизировать энергетическую систему страны. К примеру, в одном из таких документов все сводилось к нескольким вариантам: доля ветровой энергии будет большой или очень большой.

    Как я всё хотел провернуть


    Идея как это провернуть была довольна проста и выглядела так:

    1. Найти места, где находятся ветряки по миру.
    2. Собрать информацию в этих точках:

      a. Скорость ветра.
      b. Направление.
      c. Температуру.
      d. Рельеф.
      e. Что любят на обед местные рыбаки.
      f. И т.д.

    3. Отдать эту информацию в модель машинного обучения, которая обучалась бы и нашла закономерности, какие параметры лучше всего влияют на выбор места строительства человеком.

    4. Отдать обученной модели, все точки оставшиеся точки по миру с такой же информацией по ней.

    5. Получить на выходе список тех точек, которые отлично подходят для размещения ветряка.

    В графическом виде этот план, как оказалось позднее, был похож вот на эту известную картинку:


    Как всё было на самом деле


    Первый этап был довольно лёгким. Я просто выгрузил все записи о точках из OpenStreetMaps.

    Кстати, хочу заметить, что OSM — это просто кладезь информации об объектах по всему миру с их координатами, там есть практически все. Поэтому на заметку любителям данных, OSM — это крутейший Big Data источник.

    Сделать это было не очень трудно.Сначала я попытался с помощью онлайн-утилит, кажется здесь overpass-turbo.eu, кстати очень крутая штука, но не вышло из-за ограничений по количеству точек и не очень быстрой работе на большом количестве данных. Поэтому пришлось разобраться с утилитами, которые выгружали данные из слепка OSM данных локально. Выкачать всегда актуальный слепок можно вот тут? В сжатом виде он занимает порядка 40ГБ. Данные из него можно выгружать запросами с помощью вот этой утилиты Osmosis. В итоге у меня был дата сет на 140 тысяч точек по миру с координатами и heatmap. Он выглядел примерно вот так:



    Все проблемы начались во втором этапе, так как я не очень понимал какую информацию нужно было собрать. Поэтому на пару дней я ушел в чтение принципов работы ветряков и рекомендаций по их размещению, ограничений и т.д. У меня даже в заметках остались вот такие забавные схемы про размещение, градиенты ветров, розы ветров и прочие другие полезные термины.


    В итоге у меня получился вот такой список параметров, которые, по моему мнению, важны при выборе места:

    1. Средняя скорость ветра в год (идеально 10-11м/c).
    2. Направление ветра (Господствующее направление-роза ветров).
    3. Минимальная скорость ветра.
    4. Максимальная скорость ветра .
    5. Power density.
    6. Средняя температура.
    7. Средняя влажность.
    8. Среднее давление.
    9. Высота над уровнем моря.
    10. Расстояние до воды.
    11. Перепад высоты.
    12. Гладкость перепадов высоты.
    13. Максимальный перепад на площади 5-10км.
    14. Процент деревьев или насаждений на площади (шереховатость).
    15. Расстояние до населенного пункта.
    16. Расстояние до промышленного объекта.
    17. Среднее количество жителей на площади.
    18. Расстояние до дороги (морской, авиа).
    19. Расстояние до сети электроэнергии.
    20. Визуальный и звуковые неудобства.
    21. Охранные территория: заповедники и тд.
    22. Обледенение.

    Большие данные


    ВЕТЕР. Собственно, как 90% всех проектов по big data ломаются на стадии “так теперь давайте глянем на ваши данные про которые вы так много говорили”, дал трещину и мой. Побежав искать данные по скорости ветра в России, я наткнулся на это:


    И еще с десяток похожих и бесполезных картинок. Тут я начал догадываться, что возможно в России и правда нет ветровой энергетики, так как у нас просто не дует ветер в достаточной силе и где-то в этот момент послышался смех Сечина. Но я же отчетливо помню, что в Самарской области одни степи и очень часто выходя за хлебом в детстве меня сдувало обратно в подъезд.
    Начав искать данные по России и то что, я понял, что это не было похоже на те данные, с которыми можно было сделать что-то полезное. Поэтому я двинулся к зарубежным источникам и тут же нашел прекрасные ветровые карты от Tier3 (Vaisala). На вид разрешение было достаточным и покрытие всего мира было просто отличным. Дальше я понял, что такие данные стоят неплохих денег около ~$1000 за 10 квадратных км (данные трех годовалой давности). Провал, подумал я.

    Погрустив неделю, я решил написать Vaisala, Tier3 и другие консалтинговые зарубежные агентства по работе с ветрами и прочими ветровыми генераторами, и попросить данные. Я подумал, что, рассказав какую классную идею я собираюсь сделать, все сразу мне всё сгрузят.. Ответил только один — из компании Sander-Partner. Сам Sander дал некоторые советы, а также дал ссылки на то, что мне нужно: данные программы MERRA, который ведет NASA. Стоит обратить внимание, что у меня ушла примерно неделя вечеров, чтобы разобраться что такое Reanalysis, WRF и примерно понять, что как вообще происходит: сбор, агрегация, симулирование и предсказание погоды, ветров и прочих вещей.

    Если кратко, то человечество насобирало кучу данных о погоде, нарисована куча карт со средними температурами и скоростью ветра, но собрать все эти данные в каждой точке земного шара как было было, так и остаётся невозможно, поэтому белые пятна заполнили результатами симуляции погоды на прошлые годы и назвали это Reanalysis. К примеру, вот сайт с визуализацией таких симуляций ветра а вот как это выглядит:


    Эти данные представляли из себя по сути .csv файл сетки координат со средней скоростью ветра с большим шагом, я сделал вот такую карту с помощью наикрутейшего бесплатного пакета QGIS и метода интерполяции сетки данных.


    А затем с помощью него же вытащил из этой карты данные по скорости ветра по каждой паре координат. По сути у меня получилась карта, и слой данных для каждого пикселя на ней.

    Поняв принцип работы с QGIS примерно за пару недель, я начал строить такие же карты для остальных источников данных и вытаскивать по координатам значения. Для температуры, влажности, давления и прочих вещей. Тут нужно заметить, что сами массивы данных в основном я брал у NASA, NOAA, ESA, WorldClim и т.д. Все они в свободном доступе. C помощью QGIS делал расчеты и поиск расстояния до ближайших точек, от городов, аэропортов и прочих инфраструктурных объектов. Каждая карта по одному параметру считалась у меня порядка 6-8 часов. И если что-то было неправильно приходилось делать это снова и снова. Домашний компьютер шелестел у меня по ночам где-то пару недель, но после этого даже соседям надоело слушать разболтанный кулер на нем и я переполз в облако, где поднял небольшую виртуалку для расчета.

    Уже по прошествии нескольких месяцев я натолкнулся вот на этот сайт, сделанный кафедрой ветровой энергетики Дании (DTU Wind Energy). Стало быстро понятно, что разрешение у них в разы лучше моей карты, я списался с ними и они с удовольствием выгрузили мне данные по всему миру, так как через сайт можно получить только небольшие слепки по территории. Кстати, они так же сделали эту карту используя симуляцию движения слоев ветра моделями WRF, WAsP и добились разрешения данных до 50-100 метров, как у меня было примерно 1-10км.

    РЕЛЬЕФ. Помните я писал, что рельеф очень важен, так вот я решил так же использовать и этот параметр, но с ним оказалось тоже все не просто. Сначала я написал утилиту, которая выкачивала данные из Google Elevation API. Она отлично справилась и качала данные по всем моим точкам всего мира с шагом в 10 км, потребовалась всего-то порядка 12 часов работы. Но у меня также были параметры гладкости рельефа или среднее значение перепада на территории вокруг потенциальной точки размещения ветряка. То есть мне нужны были данные с шагом метров в 100-200 всего мира, с помощью которых я бы уже смог посчитать среднее значения перепада.


    Для того, чтобы посчитать перепады, потребовалось бы пару месяцев на выкачивание данных из Google Elevation. Поэтому я пошел искать другие варианты.

    Первое, что я нашёл — Wolfram cloud, у которых уже были необходимые данные. Просто написав формулу, эта штука начинала считать, используя данные из облака Wolfram. Но там меня тоже ждал провал, так как я наткнулся в какие-то лимиты, которые нигде не были указаны и получив смешную переписку с поддержкой этого сервиса я пошел искать другой вариант.

    Тут мне опять помогли источники данных в NASA и данные с космической программы STRM (NASA Shuttle Radar Topography Mission Global). Я честно их пытался выкачать с сайта, но там данные были только по небольшим территориям. Набравшись смелости, я написал в NASA письмо и примерно через неделю переписки, они выгрузили мне необходимые данные, за что им огромное спасибо. Там правда данные оказались в каком хитром спутниковом бинарном формате, который я, наверное, неделю разгребал.

    Все закончилось хорошо, и я посчитал нужные мне метрики по перепадам высот для всего мира с шагом в 10 км. Кстати, побочно я сделал свой сервис API, который возвращает высоту над уровнем моря по координатам и опубликовал его тут algorithmia.com/algorithms/Gaploid/Elevation. Он работает на Azure Tables, куда я хитро уместил данные и буквально за центры храню их там. Кстати, даже кто-то пару раз купил доступ к API, так как он получается дешевле, чем от Google.

    ИТОГО. Потратив примерно около 4 месяцев поиска, очистки, калькуляций в QGIS, я получил дата сет данных, которые мог использовать в моделях машинного обучения. И который содержал примерно 20 различных параметров по следующим категориям: Климат, Рельеф, Инфраструктура, Необходимость или Потребители.

    Машинное обучение и предсказания


    На тот момент у меня уже были некоторые знания и понимание как работают алгоритмы машинного обучения, но разворачивать все эти Питоны и Анаконды не сильно хотелось. Поэтому я воспользовался онлайн-сервисом для чайников без смс от Microsoft Azure ML Studio. Подкупило, что он бесплатен и все можно сделать мышкой в браузере. Тут по идее должно быть описание, как я потратил еще месяц на создании модели, кластеризации данных и прочих вещей. Особенно сложно давались все эти кластеризации так как QGIS их очень долго делал на моем старом домашнем PC. В итоге эксперимент выглядит, вот так.



    Итоговое количество точек, которые нужно было оценить, вышло около 1,5 млн. Каждая такая точка — это территория 10 на 10 км и так весь мир. Я убрал клетки, в которых уже стоят ветряки в радиусе 100 км, а также некоторые районы, и получил дата сет в ~1 500 000 записей. Модель давала оценку пригодности каждому такому квадратику на планете Земля. Использовал в основном нейронные сети и boosted decision trees. Точность на тех точках, где уже стоят ветряки и то что предсказала моя модель вышла такая: Accuracy – ~0,9; Precision -~0,9. Что как, мне кажется, довольно точно ну или где-то прошло переобучение. Из этого упражнения я получил:

    • Во-первых точки, в которых модель сказала, что это отличное новое место для ветряка.
    • Во-вторых, точки, в которых модель сказала, где места не очень хорошие.

    В общей сложности я нашел порядка 30 000 самых подходящих мест (это новые места, где рядом на расстоянии 100 км не стоят ветряки).

    Результат и проверка достоверности


    Получив 30 000 точек с новыми местоположениями, я их визуализировал и выглядит это в виде heatmap.



    Я сделал небольшой веб сайт, используя cartodb для визуализации карты и выложил всю карту мира – windcat.ch. Также я посчитал для каждой точки примерную выработку энергии c одного ветряка промышленного размера (50 м). Точки здесь раскрашены по объёму энергии, а не по оценке Probability из модели. На каждую точку можно нажать и там покажется “уверенность” модели в данной точке, я его назвал Goodness.


    Еще я попытался проверить правдивость всего этого экспертным путем.

    Визуальный осмотр: модель предсказывает точки, которые стелются по берегу, что похоже на правду, так как там будет хороший ровный ветер с водной глади.
    Визуальный осмотр: скопление точек в большей части совпадает с местами хорошей и отличной скорости и плотности воздуха, если сравнивать с картами ветров. К примеру вот Египет и Китай:



    Что дальше


    Мне иногда пишут и просят выслать более детальные карты мест или пояснить какие-то вещи на карте, но ничего большего пока из этого не вышло. Теоретически можно пересчитать данные не с шагом в 10 км, а в 100 метров и по идее картинка может сильно измениться, и по идее она сможет предсказывать не только район, но и конкретную точку размещения. Но для этого нужно несколько больше вычислительных мощностей, которых у меня пока нет. Если есть идеи применения буду рад их услышать.
    Поделиться публикацией
    Похожие публикации
    AdBlock похитил этот баннер, но баннеры не зубы — отрастут

    Подробнее
    Реклама
    Комментарии 62
      • 0
        Класс, спасибо за ссылку.
        • 0
          Спасибо, я залип ))
        • 0
          Судя по карте, в России вообще нет смысла ставить ветряки?
          • +1
            Краснодарский край, вокруг Каспийского моря. У нас очень мало обжитых территорий и соотвестенно мало потребителей там, а модель на это тоже чувствительна.
            • +3

              У нас около Каспия должно запуститься четыре поля с ветряками и солнечными генераторами. Вроде.

              • 0
                Надеюсь после того как они посмотрели на мою карту:)
                • 0

                  Их уже пару лет как планируют — вроде в рамках сотрудничества с Ираном.

                  • 0
                    Это радует, что у нас кто-то при выборе места проводит исследования, а не строит там где придется. Не все потеряно значит в нашей стране.
              • 0
                Фортум в Ульяновске строит http://rareearth.ru/ru/news/20170130/02895.html
            • +1
              Я убрал клетки, в которых уже стоят ветряки в радиусе 100 км

              Зря, могло пригодиться при верификации модели (если считать, что те, кто поставил ветряки, знали, что делают)
              • +3
                Валидацию я именно так и делал, по тем точкам где уже стоят ветряки и предсказанными местами, именно 90% точность получена на этом сравнении. Просто на финальной карте на сайте я уже убрал места, где уже есть ветряки. Карта же все таки про новые места.
                • +1
                  Зря убрали, сделайте визуализацию где уже установлены ветряки (вкл/выкл слой). Потенциальному клиенту нужны примеры корректности вашей карты и расчетов.
                  • 0
                    Ниже, тоже написали, что можно было оставить слой с местами, где стоят ветряки. Спасибо за совет!
              • 0
                Спасибо за статью.
                Немного смутило предположение о возможном наличии переобучения. Уточните как вы валидировали модель и как получены Accuracy и Precision оценки?
                • 0
                  Пожалуйста, подумал, что возможно кому-то пригодиться этот опыт.

                  Модель валидировалась на точках, где уже стоят ветряки c точками, которые предсказала модель. Расчитывалось стандартно Для Accuracy а для Precision
                  • +1
                    Я правильно понял, что в качестве положительных примеров использовались точки, где ветряки уже стоят? А какие точки тогда брались в качестве отрицательных примеров? Случайные точки, где нет ветряков? Какое соотношение классов было на трейне и валидации?
                    • 0
                      Да, я брал за положительные те, где уже стоят. А вот про отрицательные это отличный вопрос, я много эксперементировал с разными вариантами: брал за отрицательные те, что вокруг построенного ветряка в радиусе 100, 500 км и тд. Остановился я на том, что я убрал большие куски территории, к примеру Россию как отрицательные, так как нельзя сказать, что это плохие места, так как у нас просто не развита эта энергетика и оставлял в основном территории где уже есть ветряки. Если у вас идеи как можно выбрать отрицательные точки, то я с удовольствием бы почитал бы про это.
                      • 0
                        У меня пока нет идей, что брать в качестве отрицательных. А какое соотношение классов было на трейне и валидации? И как делились трейн и валидация? Случайно или по странам (большим областям)?
                    • 0
                      Имеется ввиду вы считали метрики на тех же данных, что и обучались?
                • 0
                  Хм, вот в Шотландии на ветряки полностью переходят, и достаточно успешно. А на сайте всего четыре точки на карте. Кому доверять? :)
                  • +1
                    Там уже насколько я помню очень много их, а в финальной карте я убирал места, где ветряки стоят с некоторым радиусом вокруг, поэтому они убрались. Всем и так известно что в UK и Ирландии в этом плане очень повезло.
                    • 0
                      Понял, это карта о потенциальных точках?
                      А 190 kW минимум стоит с экономической точки зрения или вы только крупные точки показываете? Ветрогенераторы сейчас все дешевле можно делать я так понимаю, в той же Великобритании есть цеха по производству небольших ветряков.
                      И что в итоге насчет Поволжья/Приуралья? В начале статьи упоминали про Самару.
                      • +1
                        Да, это карта новых точек. 190Kw скорее всего нет, но это примерный расчет на средней скорости ветра в этом районе, по идее нужно ехать в эту точку и выбирать уже конкретное место в этом районе более точно. Возможно там на горе скорость ветра выше. Сейчас точка это кдварат в 10 квадратных км. Сами точки на карте на самом деле проставлены моделью, а не исходя из мощности. Если ткнуть на точку, то там будет параметр Goodness это как раз уверенность модели, что это хорошее место исходя из десятков параметров.
                  • +1
                    Интересная статья, спасибо. Но не слишком ли сильно у вас влияет удаленность от потребителя? Вы обучали модель на существующих ветряках, а они расположены в основном в густонаселенной Европе и Китае. А то, правда, получается, что в РФ у ветра шансов нет.
                    • 0
                      Удаленность очень сильно влияет, никто не потянет магистральные энергосети за тысячу километров на север — это дорого и насколько я знаю там есть существенные потери при передаче элетроэнергии. Близкое прохождение высоковольтных магистралей входит в топ 10 параметров при выборе места размещения ветряков. В России есть много мест где можно строить ветряки: Краснодарский край, Каспийское море и тд. Просто в нашей стране очень маленькая плотность населения и люди живут в основном рядом с БАМ. У меня кстати есть побочные карты густости населния там это отчетливо видно.
                    • 0
                      Инетресно, почему на ближнем востоке Катар светится, а Эмираты нет. Там же примерно одинаковый рельеф. Ветра хуже?
                      • 0
                        Да, похоже, Катар закрывает ветер собой. Вот тут видно на карте ветров
                        image
                      • 0
                        NASA, ESA, Датский Технологический Университет, нейронные сети, деревья решений и прочие хорошие люди помогли найти мне лучший бесплатный гектар на Дальнем Востоке


                        Можете написать координаты, хотя бы примерно, где остановили свой выбор?
                        Имхо, еще неплохое место для альтернативной энергетики — это юг Бурятии, на границе с Монголией — там и ветра дуют и кол-во солнечных дней одно из самых высоких в России. Жаль потребителей там нет, как и на ДВ.
                        • 0
                          Ну вот же они на карте:)
                          image
                        • 0
                          А сколько необходимо мощностей (ориентировочно) для расчёта детальной сетки?
                          • 0
                            Хм, думаю пару десятков ядер и памяти ~50Гб на пару месяцев, если делать это одному. У меня есть некоторые сомнения в том как себя поведет qgis, mathematica и прочие тулы на больших обьемах.
                            • 0
                              Можно ли обучаться на регионе?
                              • 0
                                Технически можно, но мне кажется самый как раз смак обучаться по всему миру, что бы модель научилась находить совсем разные пригодные места. В рамках одного региона может получится, что модель обучиться и будет считать что самые лучшие места только на высоте 300 метров, так как в этом регионе только там они и стоят. Хотя можно поставить ниже и ближе к воде, к примеру.
                              • +1
                                А напишите пожалуйста сюда (или в личку) сколько будет стоить детальная сетка (с шагом в километр) если запустить вычисления в облаке МСАзура/Амазана?
                                • 0
                                  Ничего секретного, думаю $2-3k за пару месяцев выйдет. Это просто стоимость 1-2 больших серверов за два месяца.
                                  • 0
                                    Невыгодно. Возьмите сервера хетзнера из server bidding черзе robot(прошлые поколения), там будет стоимость часа раз в 5-10 меньше.
                                    • 0
                                      Проделанной работы вобщето достаточно, чтоб защитить кандидатскую(если описать).
                                    • 0
                                      А, у меня совсем вылетело из головы: здесь же сторонние пакеты используются. У меня просто доступ есть к кластеру (и кое-какое железо, которое стоит без дела), мог бы помочь (да и код можно свой написать).
                                  • +1
                                    О, чудный дивный мир! Человек рулит планетой! Если кто помнит, была такая игрушка для ПК «Нефтяные короли» — вот её сюжет фактически повторяет то, что Вы сделали. «Надо больше вышек» — надо больше ветряков.
                                    А вычисления лучше распараллелить на видеокартах, если софт поддерживает.

                                    P.S. Радует, что кому-то со школьных времён пригодилась география.
                                    P.P.S. Подкину идейку, в Вашу модель можно добавить запасы источников пресной воды на карте, и тем самым, заранее предвидеть смерть и рождение новых городов. Интересно, ринутся ли нации на территорию РФ или нет?
                                    • 0

                                      Очень круто, респект! Я отчего-то всё ещё верю что человечество очнётся и вспомнит про ядерную электроэнергетику. А если поевезёт и напряжётся, то и термоядерную.

                                      • 0
                                        Атомная энергия очень дорогая и большинство АЭС убыточны, сейчас даже солнечная энергия уже получается дешевле. Видимо, нужен какой-то новый толчок в их развитии.
                                        • 0
                                          Не вижу большой разницы с solar, coal и, тем более, offshore wind. Только onshore wind дешевле на 20%, natural gas и геотермальные.

                                          И вообще идея переходить со сложной компактной системы на распределенную и менее сложную кажется мне немного странной и контринтуитивной, в том числе и потому что земля — конечный ресурс. То есть такое решение не scalable выше какого-то предела. Но я ничего не понимаю в энергетике, как обычной, так и альтернативной.

                                          Про убыточность ещё сложнее комментировать, так как это большая система в которой кроме самой АЭС задействовано масса других производств и сервисов. Больше АЭС — лучше и дешевле инфраструктура.
                                      • 0
                                        Вероятно, наглядность и «интересность» Windcatcher карты можно улучшить, если заодно показывать уже установленные ветряки, расцвеченные по мощности. Было бы очень любопытно посмотреть, насколько успешно программа находит «неочевидно» выгодные места.
                                        • 0
                                          Хм, возможно, спасибо!
                                        • 0
                                          Довольно странно что Новороссийск не затронуло. У нас тут на горах частенько дует, да и по новостям общероссийским мы пару раз показывались с нашим норд-остом.

                                          А так — клевая статья, спасибо за труд.
                                          • 0
                                            Учитывали цену электроэнергии? стоимость обслуживания?
                                            • 0
                                              Солнце оказалось дороже, а три года назад разница была больше еще процентов на 30, я выбрал Ветер.

                                              Поправьте, если ошибаюсь в рассчетах. Возьмем точку с 500 kw, что дает в год 500 kw * (375*24)=4500 Mwh. Так как КИУМ ветроэнергетики составляет 33%-50%, значит для этой выработки понадобится ветряк 1.5 MW, приблизительная стоимость 3 000 000 $. Отсюда 700$ за 1000 kwh за год.

                                              Cтоимость солнечной энергии 1.04 $ за Вт (http://tnenergy.livejournal.com/88169.html). Киум 25%, чтобы получить 1000 kwh за год, необходимо 1000/(375*24)/0.25=0.444 kw установленной мощности. Отсюда цена 462$. В северных широтах КИУМ гораздо меньше и может составлять до 15%, что конечно приближает эту цену к 700$, зато нет такой мороки со сложной установкой и выбором оптимального места.
                                              • 0
                                                У меня на карте цифры посчитаны уже с учетом КУИМ / сapacity factor.
                                                • 0
                                                  Хорошо, но не указан «ветряк», который будет давать такую мощность. Все-таки бывают ветряки и 2 MW и 20 MW, между ними должна быть какая-то разница.
                                              • +2
                                                Респект, поклон! Прямо вот встаю на колени и говорю от человеков — БЛАГОДАРЮ тебя Человек!

                                                Перечитывал три раза статью, ходил по ссылкам, все посмотрел.
                                                Просьбы по инфе:
                                                1. Добавь вкл/выкл слоев:
                                                1.1. построенные ветряки
                                                1.2. запасы ресурсов пресной воды
                                                1.3. транспортная инфраструктура
                                                2. Густонаселенность

                                                И конечно же пересчитывай на более точную. Может краудфандингом собрать? Кикстартер, бумстартер и т.п. везде организовать сбор на ресурсы?
                                                • 0
                                                  А зачем запасы пресной воды?:)

                                                  Вот кстати карта густонаселенности, можно кликнуть и откроется в хорошем разрешении.

                                                  Карта городов >10000 жителей
                                                  image

                                                  Карта деревень ~1000 жителей
                                                  image

                                                  Мне тут нравится Франция, которая похоже живет вся в деревнях, видимо и правда они не очень любят жить в тесноте и других людей. А китайцы, похоже, победят на этой планете.
                                                  • 0
                                                    Да, эти Карты я построил тоже на основе выгрузки из OSM.
                                                    • 0
                                                      Интересно, насчет городов и деревень
                                                    • 0
                                                      Я француз? Люблю деревню :)
                                                      • 0
                                                        Финляндия хотя тоже
                                                  • 0
                                                    Где идеальное место для жизни? :)
                                                  • +1

                                                    Большое спасибо автору! Сам размышлял над такой идеей и теперь очень вдохновлен вашим примером.

                                                    • 0
                                                      Спасибо за статью, интересно)
                                                      • –1
                                                        Хорошую работу проделал. А наша страна как обычно будет слоупоком в необходимых инновациях.

                                                        Только полноправные пользователи могут оставлять комментарии. Войдите, пожалуйста.