Чим більше відновлюваної енергії ми використовуємо замість невідновлюваної - тим краще.
Компанія пророкує патерни споживання, а також вироблення електрики залежно від характеру вітру і, згідно з цим, змінює постачання електрики. Таким чином робота вітряних електростанцій стає більш ефективною.
Використання вітряних електростанцій - це відмінний спосіб видобутку відновлюваної енергії. Але можна зробити їх роботу ефективніше, якщо дати знати їх операторам, в які періоди дня попит на енергію буде більше, а в які - менше, і як це накладається на погодні умови, що впливають на виробництво енергії.
Через погано прогнозовану природу вітру буває складно передбачити, коли одна конкретна ВЕС згенерує більше, а коли - менше енергії; Адже крім цього треба якось розрахувати, як зберігати цю енергію і в яких кількостях постачати її в мережу в той чи інший проміжок часу. Всім цим займаються оператори ВЕС, яким, звичайно, доводиться набагато складніше, ніж операторам електростанцій зі стабільним виробленням енергії.
З змінним характером вітру ми нічого не зможемо зробити, зате можна використовувати ШІ, щоб оптимізувати роботу вітряків. Машинне навчання може допомогти операторам ВЕС приймати більш точні, швидкі і засновані на живих даних рішення про те, як використовувати згенеровану енергію, як і коли пускати її в мережу. Для цього Google у співпраці з DeepMind розробив спеціальний ШІ, нейронну мережу, навчену на прогнозах погоди і на даних про споживання енергії.
«Ґрунтуючись на цих передбаченнях, наша модель рекомендує, як розраховувати оптимальну погодинну норму доставки електрики - для кожної години наступного дня»,
написав представник Google у блозі. Синім показано передбачення значень виробленої енергії на два дні вперед, а сірим - реальну кількість виробленої енергії.
Якщо споживання енергії, за передбаченням, збільшується, кількість енергії, що постачається, теж збільшується.
ІІ-систему все ще вдосконалюють, але, за словами представників компанії, енергоефективність вдалося підвищити на 20% порівняно з такою без використання тимчасових модуляцій в доставці електрики. Мотивація розробки системи криється в бажанні компанії перевести свою роботу на 100% -возобновлювані енергетичні ресурси. Хоча від програми можна отримати і прибуток - продавши її стороннім постачальникам вітряної енергії. Зверху, зліва: економічна цінність (долар/мегават-год
) Знизу, зліва направо: Типова ВЕС; найкраще передбачення виробництва енергії; найкраще передбачення співвідношення постачання та споживання енергії; економія на операційних витратах; вітряк, що використовує машинне навчання.
Де цю систему тестували, і яку вигоду (вимірену у валюті, а не просто в величині долар/мегават-год) вона може приносити, поки залишається невідомим, хоча відомо, що Google працює з ВЕС на заході США.