隨著能源格局即將發(fā)生巨大變化,現(xiàn)在是結合機器學習和電網(wǎng)的最佳時機。
比爾·蓋茨(Bill Gates)在2017年表示:“如果我今天剛開始并尋找同一種對世界產(chǎn)生重大影響的機會,我將考慮三個領域。一是人工智能;第二是能源;第三是生物科學”。
毫無疑問,能源的未來在于可持續(xù)、可靠和“智能”的發(fā)電和配電系統(tǒng),以及主動而不是被動的網(wǎng)絡。電力公司擁有與網(wǎng)絡故障、網(wǎng)絡模型,來自發(fā)電機的運行信息和資產(chǎn)數(shù)據(jù)庫相關的大量且不斷增長的數(shù)據(jù)。
數(shù)據(jù)具有預測網(wǎng)絡故障和協(xié)助維護的巨大潛力。將來,通過機器學習,添加網(wǎng)絡故障記錄將是解決方案的一部分,而不是問題。通過添加更多記錄,可以為模型提供更多分析數(shù)據(jù),從而可以進行更準確,更準確的預測。
例如,機器學習算法可以訪問具有類型、位置、使用期限或使用期限配置文件和資產(chǎn)狀況、電路和負載數(shù)據(jù)以及現(xiàn)有故障數(shù)據(jù)的數(shù)據(jù)庫,并將故障的概率和成本返回為以及可能發(fā)生的時間,如以小時、天、周或月為單位。
機器學習有可能被用作經(jīng)濟的建模工具,通過成本效益分析評估與使用電網(wǎng)加固解決方案有關的戰(zhàn)略發(fā)展和決策。將來,我們不僅將對故障做出反應,還將使用通過分析技術經(jīng)濟數(shù)據(jù)來預測故障的模型來預測和避免故障。因此,通過機器學習,電力行業(yè)在開發(fā)主動系統(tǒng)而非被動系統(tǒng)方面邁出了一步。
在后疫情時代,最緊迫的挑戰(zhàn)是氣候變化,以英國為例,他們承諾到2050年過渡到零凈經(jīng)濟,電力網(wǎng)絡將發(fā)展到更加可再生的基礎。我們已經(jīng)可以看到,隨著清潔能源的發(fā)電在2020年的前三個月英國提供了40%的電力,可再生能源的地位日益增長,這是可再生能源首次超過化石燃料。
分析人士認為,可再生能源和可持續(xù)能源產(chǎn)業(yè)應像上次經(jīng)濟衰退那樣發(fā)揮更大的作用,并推動綠色經(jīng)濟復蘇。盡管并非沒有挑戰(zhàn),但這是可能的,并且機器學習可以解決某些問題。
即使使用最復雜的天氣預報,也很難準確預測風能和太陽能等可再生能源發(fā)電的波動。此外,內(nèi)部安裝的設備(例如光伏和電池)的小型分布式發(fā)電和存儲(全球范圍為5000萬個)增加了系統(tǒng)的不確定性。
機器學習和人工智能可能會解決這些問題,因為這些算法可用于更準確地預測需求,以及可再生能源發(fā)電的輸出,無論短期還是長期都使用預測。
現(xiàn)在,已開始使用已安裝的儲能裝置(包括電池)來最大程度地減少可再生能源發(fā)電的不確定性,并幫助實現(xiàn)可再生能源需求的更高百分比。但是,該解決方案可能存在可靠性問題和局限性,例如電池退化和意外故障,需要不斷監(jiān)控和維護。
使用機器學習作為工具來監(jiān)視和預測儲能系統(tǒng)中的潛在故障可能會導致系統(tǒng)更加可靠和高效,并且通過使用AI和機器學習算法,電力需求和可再生能源發(fā)電將更加可預測,儲能更加可靠并高效。
科學界已經(jīng)在研究電力網(wǎng)絡中“智能”能源和機器學習的美好前景。關于能源需求的預測,太陽能發(fā)電的預測,甚至對可以從城市環(huán)境中的食物垃圾中收集的能量的精確預測,已經(jīng)有很多說法。考慮到其他領域?qū)I和機器學習的深入了解和廣泛使用,隨著我們過渡到零凈經(jīng)濟和社會,電網(wǎng)領域的可能性令人興奮。