Внедрение искусственного интеллекта в возобновляемую энергетику — это одно из направлений развития современных технологий. Использование AI-технологий для предсказания выработки возобновляемых источников энергии (ВИЭ) — ветряных и солнечных электростанций (СЭС) становится все более актуальным при росте ВЭС и СЭС. К 2024 году 70 % компаний в сфере ЖКХ в странах, где уровень электрификации еще не достигает 100 %, будут инвестировать в распределенную возобновляемую энергетику [1].

Искусственный интеллект (ИИ) способен наблюдать за тенденциями и извлекать уроки из огромных объемов данных. Следовательно, это позволяет ему вносить коррективы для максимального повышения эффективности, преобразования и равномерного распределения энергии. Искусственный интеллект используется для оптимизации энергосистем путем управления потоками энергии между домами, предприятиями, аккумуляторными батареями, возобновляемыми источниками энергии, микросетями и самой энергосистемой. Это сокращает потери энергии при одновременном повышении вовлеченности потребителей в процесс энергопотребления. Искусственный интеллект также может обеспечить повышенную безопасность, эффективность и надежность. Одной из главных задач использования искусственного интеллекта в возобновляемой энергетике является количественная оценка потребления энергии и выбросов углекислого газа, а также обеспечение прозрачности этой информации. Еще одной проблемой является нехватка данных.

Искусственный интеллект определяется как машины или программы, способные выполнять задачи, которые обычно выполняются человеческим интеллектом [2]. Это включает в себя вычисления, обучение и адаптацию к новым ситуациям, обработку очень больших наборов данных, составление прогнозов, и все это на основе машинного обучения и глубокого обучения. Использование относительно базового оборудования для обучения моделям глубокого обучения за разумный промежуток времени. Эти модели основаны на многослойных нейронных сетях и могут научиться представлять информацию высокого уровня абстракции данных.

Устойчивое развитие может извлечь выгоду из искусственного интеллекта [3], в частности, за счет оптимизации энергетических и транспортных сетей, повышения эффективности определенных видов деятельности (таких как сельское хозяйство, управление зданиями и городское развитие) и путем составления более точных прогнозов для увеличения потенциала (таких как изменение климата, производительность сельского хозяйства, биоразнообразие) и поддержка принятия решений.

Существует множество применений искусственного интеллекта, которые могут сэкономить десятки миллиардов долларов расходов за счет использования методов машинного обучения, алгоритмов и прогнозирующих моделей. Потенциал приложений искусственного интеллекта в разработке возобновляемых источников энергии настолько велик, что многие игроки на этом рынке тестируют инновационные решения для увеличения производства различных систем. Приложения искусственного интеллекта могут помочь в полной мере использовать оборудование, прогнозируя погоду и условия эксплуатации, например, определяя наилучшую экспозицию солнца для открытой фотоэлектрической поверхности, направление и мощность ветра, а также индекс осадков при производстве гидроэлектроэнергии. Однако они также могут помочь управлять энергоснабжением семей, проживающих в городах, путем оптимизации всей распределительной сети.

Искусственный интеллект используется для оптимизации энергосистем путем управления потоками энергии между домами, предприятиями, аккумуляторными батареями, возобновляемыми источниками энергии, микросетями и самой энергосистемой. Это сокращает потери энергии при одновременном повышении вовлеченности потребителей в процесс энергопотребления.

Искусственный интеллект способен наблюдать за тенденциями и извлекать уроки из огромных объемов данных. Следовательно, это позволяет ему вносить коррективы для максимального повышения эффективности, преобразования и равномерного распределения энергии.

Искусственный интеллект также может обеспечить повышенную безопасность, эффективность и надежность.

Использование искусственного интеллекта улучшает управление энергопотреблением за счет оптимизации трафика [4]. Например, это облегчает прогнозирование пиков потребления с учетом доли производимой энергии. Действительно, технологическое развитие позволило использовать искусственный интеллект smart grid в области энергетики. Интеллектуальная сеть оснащена различными технологическими решениями в области искусственного интеллекта. Речь идет о создании интеллектуальной сети, где существует баланс между спросом и предложением, даже если наблюдается пик потребления. Благодаря установке интеллектуальных счетчиков в домах, можно отслеживать потребление электроэнергии в режиме реального времени. Эти данные позволяют профессионалам прогнозировать производство и распределение энергии в пиковые периоды, одновременно интегрируя экологически чистую энергию, вырабатываемую отдельными лицами: это важно для повышения энергоэффективности всей сети. Искусственный интеллект играет важную роль в создании автономных энергетических микросетей, этот принцип объясняется нашим следующим: “Электрически” автономная деревня получает энергию от ветряной турбины и солнечных батарей. Автономность, которая также включает в себя батарею аккумуляторов, заряженных в течение нескольких дней без солнца или ветра. Когда дизельный генератор, не работает, чтобы оптимизировать все, надо добавить немного искусственного интеллекта.

Несмотря на то, что возобновляемые источники энергии неисчерпаемы, у них есть большой недостаток: они колеблются в зависимости от силы ветров и периодов солнечного сияния, эта энергия нестабильна. А так как он нестабилен, то и может нарушить работу сети.

Искусственный интеллект может внести свой вклад в аргументацию того, что называется стабильностью сети или надежностью сети, поскольку он может непрерывно, в режиме реального времени и за несколько долей секунды анализировать качество предоставляемой электроэнергии. Например, если деревня, где источники энергии взаимосвязаны и сходятся к искусственному интеллекту. Все разработано таким образом, чтобы уделять приоритетное внимание использованию возобновляемых источников энергии и свести к минимуму использование ископаемых видов топлива, таких как дизельные генераторы. Можно наблюдать интерес искусственного интеллекта к гибридной микросети с несколькими источниками на уровне управления потоками энергии.

Итак, как можно распределять энергию и мощность между разными источниками и разными нагрузками?

— Сейчас 12 часов (рис. 1). Солнце жаркое, дует ветер. Искусственный интеллект накапливает энергию, вырабатываемую ветряной турбиной, он считает, что солнечных панелей достаточно для обеспечения деревни энергией.

— Время 18:00 часов вечера (рис. 2). Спрос на энергию стремительно растет, но появились облака. В таком случае искусственный интеллект подключается к батарейному парку.

Чтобы разработать такие стратегии потребления, искусственный интеллект должен обладать внушительной вычислительной мощностью.

Например, в ветряной турбине можно получить 200 данных в секунду [5]. Итак, если мы захотим обрабатывать эти 200 единиц информации в секунду, мы не сможем, наш мозг взорвется. Поэтому нам нужны интеллектуальные алгоритмы, которые обрабатывают эту информацию.

Для оптимизации сети, алгоритмы, лежащие в основе искусственного интеллекта, должны быть снабжены большим объемом различных эксплуатационных данных, такие как параметры, напряжение, частота, давление масла, давление воздуха, температура, скорость потока, потоки и т. д. [5].

Искусственный интеллект также должен предвидеть привычки жителей: приготовление пищи, стирка, и все это в зависимости от капризов погоды и производительности экологически чистых источников энергии.

Литература:

1. Аналитический обзор тренды развития искусственного интеллекта в сфере ЖКХ, ГБУ «Агентство инноваций города Москвы», 2020.
2. Marvin Minsky. Ellen macarthur foundation. Artificial intelligence and the circular economy, (2019)
3. E. Strubell and A. Ganesh and A. McCallum, Energy and Policy Considerations for Deep Learning in NLP,(2019), abs/1906.02243.
4. Energy and Policy Considerations for Deep Learning in NLP, Strubell et al., ACL (2019).
5. Green AI, Roy Schwartz et al., (2019), https://arxiv.org/abs/1907.10597