不再靠天吃飯，谷歌DeepMind將風力發電價值提升20％

來源 | The Verge、谷歌博客

整理 | 微胖

DeepMind的研究非常出色，但也燒了不少錢。如果該公司人工智慧系統能夠在研究實驗室之外的真實場景中找到用武之地，DeepMind可能會成為該業務的一個創收部門，從而證明其高昂的成本是合理的。繼幫助谷歌數據中心實現高效節能後，研究人員又成功訓練模型可以提前一天預測風電廠的電力供給情況，提升多變、不可控的風力發電的風能利用價值。

可再生能源等無碳技術有助於應對全球氣候變化，不過，許多綠色能源技術尚未充分發揮自己的潛力。

比如風力（把風的動能轉變成機械動能，再把機械能轉化為電力動能，這就是風力發電。——筆者注）。

過去十年中，渦輪機成本大幅下降導致應用激增，風力發電廠已經成為無碳電力的一個重要來源。不過，頭疼的是，由於風力必須依靠大自然，多變、難以預測、不可控，因此，諸如某風電廠將產生多少能源，以及如何最好地存儲和傳輸這些能源到電網等情況，每天都在變化。如果風力發電沒辦法實現在固定時間、可靠、可預測地輸送，對於電網來說，其價值就會大打折扣。

為此，DeepMind 和谷歌開始考慮利用機器學習來解決這個問題。

去年，DeepMind 和谷歌開始將機器學習演算法應用於美國中部地區 700 兆瓦的風力發電能力的風電場（這些風電場是谷歌全球可再生能源項目的一部分，這些項目產生的電力足以滿足一個中等城市需求）。研究人員使用一個訓練有素的神經網路，利用廣泛可用的天氣預報和歷史渦輪機數據進行訓練，並將 DeepMind 系統配置為：在實際發電前 36 小時，預測風力輸出。

基於這些預測，Deepmind 模型就能提前一天建議工作人員就每小時交付多少電力，對電網做出最佳承諾。這一點非常重要，對於電網來說，只有能夠加以計劃的能源供應（(即可以在規定時間提供一定數量的電力)，通常才更有價值。

儘管研究人員還在繼續改進演算法，但是，他們在風電場中使用機器學習已經產生了積極的結果。到目前為止，與沒有基於時間承諾的供給情況相比，該軟體已經將這些風力電廠的風能價值提高了 20%。

雖然研究人員無法消除風力的可變性，但是，該早期研究結果表明，人類可以利用機器學習使風力發電變得更加可預測和有價值。

另外，這種方法還有助於為風電場的運行帶來更精確的數據，如此一來，機器學習就可以幫助風電場運營商更智能、更快和更多地評估其電力輸出如何滿足電力需求（數據驅動型的決策）。

這已經不是 DeepMind 的人工智慧系統首次被用於綠色能源效率。

早在 2016 年，在它的幫助下，谷歌已經將數據中心的電力成本削減了 15%。2018 年，谷歌更進一步，賦予這些人工智慧系統更多的控制權。2017 年有報道稱，DeepMind 正與英國國家電網管理局 (national electricity grid agency) 進行談判，以幫助其平衡電力供需（英國是世界上利用風能最好的國家之一——筆者注）。

這種工作顯然對谷歌有幫助，但對 DeepMind 也有幫助。

從研究角度來看，該公司的工作非常出色，但也花了很多錢（2017 年虧損 3.68 億美元)，尚未找到可觀的收入來源，據說，這也加劇了 DeepMind 和「母艦」之間的緊張關係。如果該公司人工智慧系統能夠在研究實驗室之外的真實場景中找到這樣的用武之地，那麼，DeepMind 可能會成為該業務的一個創收部門，從而證明其高昂的成本是合理的。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！