谷歌 DeepMind 博客昨日更新一篇關(guān)于機器學習如何賦能風力發(fā)電的文章，詳細介紹了谷歌全球可再生能源項目中針對風電場的機器學習實驗結(jié)果，雷鋒網(wǎng) AI 科技評論將之編譯如下。

類似可再生能源這樣的無碳技術(shù)有助于應(yīng)對氣候變化問題，然而當中許多技術(shù)仍未充分發(fā)揮潛力。過去十年由于渦輪機的成本急劇下降，風力發(fā)電已經(jīng)成為無碳電力的關(guān)鍵來源。盡管如此，與能夠在設(shè)定時間內(nèi)穩(wěn)定輸出電力的能源相比，風的善變性質(zhì)使其成為一種不可控能源。

為了找到合適的解決方案，DeepMind 與谷歌在去年將機器學習算法應(yīng)用到了美國中部一座擁有 700 兆瓦風力電量的發(fā)電場上——這些風電場（谷歌全球可再生能源項目的一部分）可為一座中型城市產(chǎn)出所需的電力。

我們利用天氣預(yù)報和歷史渦輪機數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進行訓練，讓 DeepMind 系統(tǒng)對實際發(fā)電前 36 小時的風力輸出進行預(yù)測。基于這些預(yù)測結(jié)果，模型就該如何提前一天做出每小時電力輸出承諾給出了建議。這一點非常重要，因為可控的能源（在設(shè)定時間內(nèi)提供定量電力）對電網(wǎng)來說更有價值。

雖然還在持續(xù)繼續(xù)改進算法，然而風電場中的機器學習已經(jīng)產(chǎn)出了積極的結(jié)果。與無時間電網(wǎng)承諾的基線情景相比，我們的機器學習有效將風力能源價值提高大約 20％。

當然，我們依舊無法消除風的善變屬性，但早期結(jié)果表明，我們可以利用機器學習方法使風力變得更具可預(yù)測性和有價值。這種方法可以為風電場的運營提供更嚴密的數(shù)據(jù)處理邏輯，從而幫助風電場管理者對于電力輸出要如何滿足電力需求，做出更智能、快速、由數(shù)據(jù)驅(qū)動的評估決策。

與未采用機器學習的風電場（淺色矩陣）相比，采用了機器學習的風電場（深色矩陣）由于對風力產(chǎn)出、電力供需、運營成本進行了有效把控，成功將風力能源價值提高將近 20％

我們希望機器學習方法可以助力風電力的商業(yè)化進程，并推動全球電網(wǎng)進一步采用無碳能源。據(jù)我們所知，當下能源行業(yè)的研究人員與從業(yè)人員正在開發(fā)可以充分利用太陽能以及風能等可變電源的新思路，我們渴望加入他們，探索基于云的機器學習策略以提供幫助。

谷歌如今已成功實現(xiàn) 100％的可再生能源采購策略（https://www.blog.google/outreach-initiatives/environment/meeting-our-match-buying-100-percent-renewable-energy/），下一步正努力實現(xiàn) 24x7 基礎(chǔ)上的無碳能源采購策略（https://storage.googleapis.com/gweb-sustainability.appspot.com/pdf/24x7-carbon-free-energy-data-centers.pdf）。與 DeepMind 合作，能使風電變得更具可預(yù)測性和價值，這是實現(xiàn)這一愿望的關(guān)鍵步驟。雖然還有許多工作要做，但這一步對谷歌和地球而言意義非凡。