像可再生能源這樣的無碳技術有助于應對氣候變化，但這其中許多技術尚未充分發(fā)揮其潛力。以風能為例：在過去的十年中，隨著渦輪機成本的大幅下降和應用的激增，風力發(fā)電場已經(jīng)成為無碳電力的一個重要來源。然而，風能本身的多變性使其成為一種不可預測的能源，因此，它不如在固定時間能可靠輸送電力的能源有用。
為了尋找這個問題的解決方案，去年DeepMind和谷歌開始將機器學習算法應用到美國中部地區(qū)的700兆瓦容量的風力發(fā)電場。這些風力發(fā)電場，是谷歌全球可再生能源項目的一部分，其產(chǎn)生的電力足以滿足一個中等城市的用電需求。
我們采用一個在預測天氣預報和分析渦輪機的歷史數(shù)據(jù)等方面都可用的神經(jīng)網(wǎng)絡，將DeepMind系統(tǒng)配置為在實際發(fā)電前36小時預測風力輸出?；谶@些預測，我們的模型會建議如何提前一天對電網(wǎng)做出最佳的每小時交付承諾。這一點很重要，因為可以計劃的能源（即可以在規(guī)定的時間提供一定數(shù)量的電力）通常對電網(wǎng)來說更有價值。
雖然我們在繼續(xù)改進我們的算法，但我們在風力發(fā)電場中采用機器學習的方法已經(jīng)產(chǎn)生了積極的效果。迄今為止，與沒有對電網(wǎng)進行時間承諾的情況相比，機器學習已將風能價值提高了約20％。
雖然我們無法消除風的可變性，但我們的早期研究結(jié)果表明，我們可以使用機器學習使風力發(fā)電更具可預測性和價值。這種方法還有助于為風力發(fā)電場的運營帶來更強的數(shù)據(jù)嚴密性，因為機器學習可以幫助風力發(fā)電場運營商更智能、更快和更多地以數(shù)據(jù)為驅(qū)動評估其電力輸出如何滿足電力需求。我們希望這種機器學習方法能夠加強風力發(fā)電的商業(yè)案例，推動全球電網(wǎng)進一步采用無碳能源。能源行業(yè)的研究人員和從業(yè)人員正在為社會如何最大限度地利用太陽能和風能等可變能源開發(fā)新思路。我們渴望加入他們，一起探索這些基于“云”的機器學習策略的普遍適用性。
谷歌最近實現(xiàn)了100％的可再生能源采購，目前正努力在24x7的基礎上采購無碳能源。谷歌與DeepMind的合作使風力發(fā)電更具可預測性和價值，這是實現(xiàn)這一愿望的具體一小步。雖然還有許多工作要做，但這一小步不僅對谷歌來說很有意義，更重要的是，它對環(huán)境保護大有裨益。
（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。 ）
