By 超神經
場景介紹：介紹機器學習在風力發電場景下：預測風力發電量，及時調整供電規模；監測風速風向，及時調整葉片方向和間距，等幾種極大提高效率的應用。
關鍵詞：神經網路、可再生能源、氣象預測
用 AI 輔助發電的風能利用
在過去十年來，風力發電逐漸成為備受重視的清潔能源。全球風能理事會（ GWEC ）在近期表示，全球的風能利用也正實現穩步增長，自 2014年 以來，每年風電新增儲量超過 50 GW 。
每年全球風能產電的 50 GW，足以支撐 5 個香港這樣規模的城市的實時用電。但由於風力發電的不穩定性，它在使用上的潛力還沒有完全開發出來。
那麼 AI 注入這一可再生新能源後，會發生什麼呢？
DeepMind 和谷歌從去年開始，嘗試將機器學習演算法，應用到風力發電中的分析，通過提前預測風力來給出供電建議，以解決供電需求和電力供應不匹配，而導致電力浪費和造成故障的情況。
使用當地天氣預報和渦輪機的歷史資料去訓練神經網路， DeepMind 系統配置可在發電前 36 小時預測風力輸出，為風電場運營商提供了更多基於資料的評估，以滿足實際的電力需求。
這一演算法目前仍在不斷完善，但 Google 指出，機器學習已經「將我們的風能價值提高了約 20％。」他們已將這一優化應用於在美國中部的某風電場。
「我們無法消除風的變化，但可以儘可能準確的預測它們。使用 AI 技術還有助於為風電場運營帶來有效的建議，因為機器學習可以幫助風電場運營商，在電力輸出與需求之間，進行更智慧、快速和更具資料驅動的評估。」
可以「跟風」的發電機
一家創立於 2007 年的公司 Envision ，也在利用 AI 技術來推動風能源的使用。
當 Envision 開始設計和製造智慧風力發電機時，管理和產生風能被認為是一項複雜而困難的事情。因為這個過程總是要靠天吃飯。
而 Envision 解決的方式是轉向了數字化。他們試圖用 AI 的思想，從資料中找到解決方法。在每個發電機上，通過安裝的 500 多個感測器。收集了關於執行，發電，怎樣維護等資料。
等收集到的資料被積累，新的模式和見解就開始湧現。通過監測風速和風向等因素，適當的對風力發電機的葉片的間距，進行實時調整，風電場可以將產量提高約 15％。
Envision 還深入研究了風速和整體情境智慧的建模。他們也管理、記錄和預測使用者的需求，還創造了風力機的「數字模型」，以便進行模擬測試。
隨著經驗的增多，Envision 逐漸具有了完整的數字戰略和解決方案。現在他們結合物聯網（ IoT ），大資料，人工智慧，和 Azure 雲，充分的釋放了企業資料中包含的潛力。
通過這些技術的加持，Envision 這型別的公司正在成為能源行業 AI 的推動者。
用愛（AI）發電的硬核玩家
風力發電行業在過去幾年中從人工智等技術中獲益匪淺。由於 AI 技術的引入，人們對能源的產生和利用做出了更好的預測，同時也獲得了更高的投資回報率。
那麼機器學習正在做著什麼呢？
第一，機器學習的干預解決了一個棘手的問題，就是發電和電力需求必須匹配。
否則，可能會出現停電和系統故障等問題。AI 正在去通過資料去預測這一數值，比如開篇提到的 DeepMind 和谷歌的實驗場景。
另一方面，利用機器學習技術監控和維護裝置情況，也成為了確保電網可靠性和穩健性的重要手段。
不僅可以實時監測，機器學習技術還可用於實現預測性維護。比如預測發電機的剩餘使用壽命，主要目的是確保正常執行，避免停電或停機，並優化維護活動和週期性，從而降低維護成本。
對於使用者而已，提供準確的資料是關鍵，無論是天氣預測還是風力機的效能運轉。知道了每天產生的確切電量，提供商們才能在供應以及轉化率上得到最好的效益。
谷歌的博文中說，「我們可以利用機器學習，讓風力發電變得更可預測、更有價值。」也提到，「我們渴望探索這種嘗試，想要和專業人員一起，開發出充分利用這類清潔能源的新思路。」
我們常常提醒人們，資源的稀缺和不可再生性。
但當人工智慧手段介入之後，發現了更多的辦法提高資源的使用效率。這對於當下人類社會急速增長的能源需求，可以說一個莫大的福音了，讓我們期待人工智慧繼續用「愛AI」發電。
