The Verge、谷歌博客来源微胖编译

不再靠天吃饭,谷歌DeepMind将风力发电价值提升20%

DeepMind的研究非常出色,但也烧了不少钱。如果该公司人工智能系统能够在研究实验室之外的真实场景中找到用武之地,DeepMind可能会成为该业务的一个创收部门,从而证明其高昂的成本是合理的。继帮助谷歌数据中心实现高效节能后,研究人员又成功训练模型可以提前一天预测风电厂的电力供给情况,提升多变、不可控的风力发电的风能利用价值。

可再生能源等无碳技术有助于应对全球气候变化,不过,许多绿色能源技术尚未充分发挥自己的潜力。

比如风力(把风的动能转变成机械动能,再把机械能转化为电力动能,这就是风力发电。——笔者注)。

过去十年中,涡轮机成本大幅下降导致应用激增,风力发电厂已经成为无碳电力的一个重要来源。不过,头疼的是,由于风力必须依靠大自然,多变、难以预测、不可控,因此,诸如某风电厂将产生多少能源,以及如何最好地存储和传输这些能源到电网等情况,每天都在变化。如果风力发电没办法实现在固定时间、可靠、可预测地输送,对于电网来说,其价值就会大打折扣。

为此,DeepMind 和谷歌开始考虑利用机器学习来解决这个问题。

去年,DeepMind 和谷歌开始将机器学习算法应用于美国中部地区 700 兆瓦的风力发电能力的风电场(这些风电场是谷歌全球可再生能源项目的一部分,这些项目产生的电力足以满足一个中等城市需求)。研究人员使用一个训练有素的神经网络,利用广泛可用的天气预报和历史涡轮机数据进行训练,并将 DeepMind 系统配置为:在实际发电前 36 小时,预测风力输出。

基于这些预测,Deepmind 模型就能提前一天建议工作人员就每小时交付多少电力,对电网做出最佳承诺。这一点非常重要,对于电网来说,只有能够加以计划的能源供应((即可以在规定时间提供一定数量的电力),通常才更有价值。

尽管研究人员还在继续改进算法,但是,他们在风电场中使用机器学习已经产生了积极的结果。到目前为止,与没有基于时间承诺的供给情况相比,该软件已经将这些风力电厂的风能价值提高了 20%。

虽然研究人员无法消除风力的可变性,但是,该早期研究结果表明,人类可以利用机器学习使风力发电变得更加可预测和有价值。

另外,这种方法还有助于为风电场的运行带来更精确的数据,如此一来,机器学习就可以帮助风电场运营商更智能、更快和更多地评估其电力输出如何满足电力需求(数据驱动型的决策)。

这已经不是 DeepMind 的人工智能系统首次被用于绿色能源效率。

早在 2016 年,在它的帮助下,谷歌已经将数据中心的电力成本削减了 15%。2018 年,谷歌更进一步,赋予这些人工智能系统更多的控制权。2017 年有报道称,DeepMind 正与英国国家电网管理局 (national electricity grid agency) 进行谈判,以帮助其平衡电力供需(英国是世界上利用风能最好的国家之一——笔者注)。

这种工作显然对谷歌有帮助,但对 DeepMind 也有帮助。

从研究角度来看,该公司的工作非常出色,但也花了很多钱(2017 年亏损 3.68 亿美元),尚未找到可观的收入来源,据说,这也加剧了 DeepMind 和「母舰」之间的紧张关系。如果该公司人工智能系统能够在研究实验室之外的真实场景中找到这样的用武之地,那么,DeepMind 可能会成为该业务的一个创收部门,从而证明其高昂的成本是合理的。

参考链接:

https://www.theverge.com/2019/2/26/18241632/google-deepmind-wind-farm-ai-machine-learning-green-energy-efficiency

https://blog.google/technology/ai/machine-learning-can-boost-value-wind-energy/

产业能源DeepMind
1
相关数据
DeepMind机构

DeepMind是一家英国的人工智能公司。公司创建于2010年,最初名称是DeepMind科技(DeepMind Technologies Limited),在2014年被谷歌收购。在2010年由杰米斯·哈萨比斯,谢恩·列格和穆斯塔法·苏莱曼成立创业公司。继AlphaGo之后,Google DeepMind首席执行官杰米斯·哈萨比斯表示将研究用人工智能与人类玩其他游戏,例如即时战略游戏《星际争霸II》(StarCraft II)。深度AI如果能直接使用在其他各种不同领域,除了未来能玩不同的游戏外,例如自动驾驶、投资顾问、音乐评论、甚至司法判决等等目前需要人脑才能处理的工作,基本上也可以直接使用相同的神经网上去学而习得与人类相同的思考力。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

推荐文章
暂无评论
暂无评论~