用 AI 辅助发电的风能利用

在过去十年来，风力发电逐渐成为备受重视的清洁能源。全球风能理事会（ GWEC ）在近期表示，全球的风能利用也正实现稳步增长，自 2014年以来，每年风电新增储量超过 50 GW 。

每年全球风能产电的 50 GW，足以支撑 5 个香港这样规模的城市的实时用电。但由于风力发电的不稳定性，它在使用上的潜力还没有完全开发出来。

风力发电机内部的复杂结构

那么 AI 注入这一可再生新能源后，会发生什么呢？

DeepMind 和谷歌从去年开始，尝试将机器学习算法，应用到风力发电中的分析，通过提前预测风力来给出供电建议，以解决供电需求和电力供应不匹配，而导致电力浪费和造成故障的情况。

使用当地天气预报和涡轮机的历史数据去训练神经网络， DeepMind 系统配置可在发电前 36 小时预测风力输出，为风电场运营商提供了更多基于数据的评估，以满足实际的电力需求。

这一算法目前仍在不断完善，但 Google 指出，机器学习已经「将我们的风能价值提高了约 20％。」他们已将这一优化应用于在美国中部的某风电场。

「我们无法消除风的变化，但可以尽可能准确的预测它们。使用 AI 技术还有助于为风电场运营带来有效的建议，因为机器学习可以帮助风电场运营商，在电力输出与需求之间，进行更智能、快速和更具数据驱动的评估。」

可以「跟风」的发电机

一家创立于 2007 年的公司 Envision ，也在利用 AI 技术来推动风能源的使用。

当 Envision 开始设计和制造智能风力发电机时，管理和产生风能被认为是一项复杂而困难的事情。因为这个过程总是要靠天吃饭。

而 Envision 解决的方式是转向了数字化。他们试图用 AI 的思想，从数据中找到解决方法。在每个发电机上，通过安装的 500 多个传感器。收集了关于运行，发电，怎样维护等数据。

Envision 通过传感器实时监测风向，调整叶片间距提高发电效率

等收集到的数据被积累，新的模式和见解就开始涌现。通过监测风速和风向等因素，适当的对风力发电机的叶片的间距，进行实时调整，风电场可以将产量提高约 15％。

Envision 还深入研究了风速和整体情境智能的建模。他们也管理、记录和预测用户的需求，还创造了风力机的「数字模型」，以便进行模拟测试。

随着经验的增多，Envision 逐渐具有了完整的数字战略和解决方案。现在他们结合物联网（ IoT ），大数据，人工智能，和 Azure 云，充分的释放了企业数据中包含的潜力。

通过这些技术的加持，Envision 这类型的公司正在成为能源行业 AI 的推动者。

风力发电行业在过去几年中从人工智等技术中获益匪浅。由于 AI 技术的引入，人们对能源的产生和利用做出了更好的预测，同时也获得了更高的投资回报率。

那么机器学习正在做着什么呢？

第一，机器学习的干预解决了一个棘手的问题，就是发电和电力需求必须匹配。

否则，可能会出现停电和系统故障等问题。AI 正在去通过数据去预测这一数值，比如开篇提到的 DeepMind 和谷歌的实验场景。

风力发电机有着复杂的机械结构和极高的维修成本

另一方面，利用机器学习技术监控和维护设备情况，也成为了确保电网可靠性和稳健性的重要手段。

不仅可以实时监测，机器学习技术还可用于实现预测性维护。比如预测发电机的剩余使用寿命，主要目的是确保正常运行，避免停电或停机，并优化维护活动和周期性，从而降低维护成本。

对于用户而已，提供准确的数据是关键，无论是天气预测还是风力机的性能运转。知道了每天产生的确切电量，提供商们才能在供应以及转化率上得到最好的效益。

机器学习对风力发电的影响

谷歌的博文中说，「我们可以利用机器学习，让风力发电变得更可预测、更有价值。」也提到，「我们渴望探索这种尝试，想要和专业人员一起，开发出充分利用这类清洁能源的新思路。」

我们常常提醒人们，资源的稀缺和不可再生性。

但当人工智能手段介入之后，发现了更多的办法提高资源的使用效率。这对于当下人类社会急速增长的能源需求，可以说一个莫大的福音了，让我们期待人工智能继续用「爱AI」发电。