Компания предсказывает паттерны потребления, а также выработку электричества в зависимости от характера ветра и, согласно с этим, изменяет поставки электричества. Таким образом работа ветряных электростанций становится более эффективной.
Использование ветряных электростанций — это отличный способ добычи возобновляемой энергии. Но можно сделать их работу эффективнее, если дать знать их операторам, в какие периоды дня спрос на энергию будет больше, а в какие — меньше, и как это накладывается на погодные условия, влияющие на производство энергии.
Из-за плохо прогнозируемой природы ветра бывает сложно предсказать, когда одна конкретная ВЭС сгенерирует больше, а когда — меньше энергии; а ведь кроме этого надо как-то рассчитать, как хранить эту энергию и в каких количествах поставлять её в сеть в тот или иной промежуток времени. Всем этим занимаются операторы ВЭС, которым, конечно, приходится гораздо сложнее, чем операторам электростанций со стабильной выработкой энергии.
С переменным характером ветра мы ничего не сможем сделать, зато можно использовать ИИ, чтобы оптимизировать работу ветряков. Машинное обучение может помочь операторам ВЭС принимать более точные, быстрые и основанные на живых данных решения о том, как использовать сгенерированную энергию, как и когда пускать её в сеть. Для этого Google в сотрудничестве с DeepMind разработал специальный ИИ, нейронную сеть, обученную на прогнозах погоды и на данных о потреблении энергии.
«Основываясь на этих предсказаниях, наша модель рекомендует, как рассчитывать оптимальную почасовую норму доставки электричества — для каждого часа наступающего дня»,
Если потребление энергии, по предсказанию, увеличивается, количество поставляемой энергии тоже увеличивается.
ИИ-систему всё ещё совершенствуют, но, по словам представителей компании, энергоэффективность удалось повысить на 20% по сравнению с таковой без использования временны́х модуляций в доставке электричества. Мотивация разработки системы кроется в желании компании перевести свою работу на 100%-возобновляемые энергетические ресурсы. Хотя от программы можно получить и прибыль — продав её сторонним поставщикам ветряной энергии.
Снизу, слева направо: Типичная ВЭС; лучшее предсказание производства энергии; лучшее предсказание соотношения поставки и потребления энергии; экономия на операционных издержках; ветряк, использующий машинное обучение.
Где эту систему тестировали, и какую выгоду (измеренную в валюте, а не просто в величине доллар/мегаватт-час) она может приносить, пока остаётся неизвестным, хотя известно, что Google работает с ВЭС на западе США.