使用大數據和人工智能技術可以提高可再生能源生產的效率，并提供減少能耗的機會。

　　在使用大數據提高制造、安全和醫療保健等行業領域的效率方面，人們看到了一場全球性的革命。近年來，環境問題和氣候變化引起了人們廣泛地關注和討論。那么是否可以采用同樣的方法用于能源監測、建模、分析和預測，以實現可持續的能源目標，并減少導致全球變暖的二氧化碳排放量?

　　清潔高效的發電

　　根據美國能源部能源情報署的調查，美國的可再生能源發電量占所用電量的17%，太陽能、風能、水力發電和其他可再生能源是世界上增長較快的能源。

　　人們需要擴大可再生能源的采用規模，以取代負責溫室氣體排放的傳統能源，否則很難扭轉氣候不斷變暖的影響。為了實現規模化，需要盡可能的高效，而將大數據和人工智能技術結合可以有所幫助。將可再生能源應用到現有的電網中需要對來自太陽能、風能和水力發電源的電力進行估算，以便基礎設施能夠通過適當的估算、規劃、定價和實時運營發揮作用。

　　預測和最大化太陽能發電量

　　近幾年，分布式太陽能發電設施的發電量增長迅速，據最新的調查數據顯示，全球太陽能發電量預計在未來5年內將超過1TW。

　　大數據引入不同的觀測數據源和模型，可以用于準確預測氣象變量，然后使用計算智能技術進行實時分析。例如，SunCast是美國國家大氣研究中心(NCAR)的一個用于提供太陽能的預測系統。它基于現場的實時測量和云計算模式的衛星數據。該預測融合了許多模型，并使用統計學習和一系列人工智能算法根據歷史觀測對其進行調整。

　　很多人會在城郊看到大規模太陽能光伏陣列。也可能在小鎮上看到在住宅屋頂部署的太陽能發電設施。那么在城市中部署太陽能光伏陣列的較好位置在哪里?最近發表的一篇論文指出了使用圖像識別和機器學習來確定部署住宅太陽能發電設施的較好場所，使當地的決策者能夠評估其轄區內潛在的太陽能發電容量。該方法不需要使用3D城市模型，而是使用公共地理建筑數據和航空圖像進行分析。人工智能利用地理數據，并輸出輻照度模擬和發電電位，可以確定部署太陽能電池板的較好位置。

　　由于太陽能電池板可能部署在難以進入的區域，因此設施所有者需要了解可能對其效率產生負面影響并導致發電損失的環境因素，例如陰影、落葉、灰塵、雨雪和鳥類損害等。機器學習可用于監視各個面板的輸出，作為一組時間序列數據，訓練模型以檢測異常輸出并對其進行分類。然后，人工智能可以指示出特定面板表面上的問題，然后可以安排進行檢查和維修。

　　預測風力發電機組的發電量

　　風力發電為未來增加的發電量提供了一個重要的機會，并且每年都在大幅增長。一份調查報告表明，到2030年，風力發電量將達到2000吉瓦，將提供全球電力的16.7-18.8%，并幫助減少30億噸以上的二氧化碳排放量。

　　風力發電預測是渦輪機控制、負荷跟蹤、電力系統管理和能源交易所必需的。許多不同的風電預測模型已與數據挖掘結合使用。有許多方法，例如基于低層大氣的物理(確定性)方法，或使用天氣預報數據(如溫度、壓力、表面粗糙度和障礙物)進行的數值天氣預報。另一種統計方法在不考慮氣象條件的情況下使用大量的歷史數據，并依賴人工智能(神經網絡、神經模糊網絡)和時間序列分析方法。最后一種方法是結合物理和統計方法的混合模型。

　　減少電力消耗

　　許多家庭用戶熟悉家庭能源監控器的概念，由傳感器、發送器和手持顯示器組成。傳感器連接到電表箱的電源線上，并監控電源線路周圍的磁場，以測量通過的電流。發送器從傳感器獲取數據并將其發送到手持顯示器，該顯示器可以假設電力來自化石燃料能源，并計算用戶的電力使用、成本和溫室氣體排放量。通過收集和分析大量家庭的數據，可以確定在哪里節省能源，或者在高峰時段之外的使用靈活性。然后，就如何減少消費、削減開支、整合可再生能源和減少排放向消費者提供建議。

　　例如，在美國一些能源市場解除能源管制的州，客戶可以在不同的能源供應商之間進行選擇，但每個州都提供不同的關稅和促銷費率，這使選擇變得更加復雜。機器學習可以在網絡平臺中使用，以幫助消費者最小化他們的賬單。當他們注冊時，客戶會陳述他們的能源偏好(例如限制使用可再生能源)，機器學習模型使用智能電表檢查他們的使用模式，并將其與最佳供應商匹配，自動將其轉換為不同的供應商和能源計劃作為更好的交易出現。其目的是通過向可能做正確事情的消費者提供可再生能源，并限制他們使用非可再生能源，只要他們不受價格明顯上漲的影響，就可以鼓勵他們采用可再生能源。

　　數據中心的能耗

　　雖然大數據正以各種方式幫助增加可持續能源的產生并減少能耗，但它本身也負責消耗越來越多的能源。正如行業媒體最近報道的那樣，2018年數據中心的消耗超過了一些國家的整體能源消耗。目前，數據中心約占全球電力需求的1%，但預計未來幾年內使用率將迅速上升，尤其是在計算密集型加密貨幣開采繼續增長的情況下。綠色和平組織稱，數據中心是全球碳排放量的主要貢獻者，因為其中使用的電力中只有大約20%來自可再生能源。

　　數據中心能耗的主要原因是采用冷卻設施，通常采用水泵、冷卻器和冷卻塔。傳統上，由于設備組合之間的相互作用的復雜性，難以人工優化冷卻過程。每個場景所需的規則和啟發式算法很難定義，特別是在考慮與周圍環境(如天氣)的交互時。其結果是，運營人員無法計算設置的變化，這些設置可以對數據中心環境內的變化做出足夠快速的響應，以優化電力效率。

　　為了研究人工智能能否做得更好，谷歌公司在2016年推出DeepMind，該團隊在博客上發布了一個深度學習模型，該模型通過傳感器數據進行培訓，能夠預測環境因素對性能和能耗的影響。該模型向操作人員提出建議，建議優化設置，以提高冷卻效率，從而降低功耗。谷歌公司的一個特定數據中心的模型降低了40%冷卻能耗。

　　總結

　　大數據和人工智能正在從根本上改變發電、定價和消費的模式，導致能源部門出現重大顛覆性發展。隨著全球面臨前所未有的環境挑戰，監測、建模、分析和預測能源生產和使用的新的、更智能的方法正在幫助人們實現可持續能源目標。