谷歌 DeepMind 博客昨日更新一篇關于機器學習如何賦能風力發電的文章，詳細介紹了谷歌全球可再生能源項目中針對風電場的機器學習實驗結果，雷鋒網 AI 科技評論將之編譯如下。

類似可再生能源這樣的無碳技術有助于應對氣候變化問題，然而當中許多技術仍未充分發揮潛力。過去十年由于渦輪機的成本急劇下降，風力發電已經成為無碳電力的關鍵來源。盡管如此，與能夠在設定時間內穩定輸出電力的能源相比，風的善變性質使其成為一種不可控能源。

為了找到合適的解決方案，DeepMind 與谷歌在去年將機器學習算法應用到了美國中部一座擁有 700 兆瓦風力電量的發電場上——這些風電場（谷歌全球可再生能源項目的一部分）可為一座中型城市產出所需的電力。

我們利用天氣預報和歷史渦輪機數據對神經網絡進行訓練，讓 DeepMind 系統對實際發電前 36 小時的風力輸出進行預測。基于這些預測結果，模型就該如何提前一天做出每小時電力輸出承諾給出了建議。這一點非常重要，因為可控的能源（在設定時間內提供定量電力）對電網來說更有價值。

雖然還在持續繼續改進算法，然而風電場中的機器學習已經產出了積極的結果。與無時間電網承諾的基線情景相比，我們的機器學習有效將風力能源價值提高大約 20％。

當然，我們依舊無法消除風的善變屬性，但早期結果表明，我們可以利用機器學習方法使風力變得更具可預測性和有價值。這種方法可以為風電場的運營提供更嚴密的數據處理邏輯，從而幫助風電場管理者對于電力輸出要如何滿足電力需求，做出更智能、快速、由數據驅動的評估決策。

與未采用機器學習的風電場（淺色矩陣）相比，采用了機器學習的風電場（深色矩陣）由于對風力產出、電力供需、運營成本進行了有效把控，成功將風力能源價值提高將近 20％

我們希望機器學習方法可以助力風電力的商業化進程，并推動全球電網進一步采用無碳能源。據我們所知，當下能源行業的研究人員與從業人員正在開發可以充分利用太陽能以及風能等可變電源的新思路，我們渴望加入他們，探索基于云的機器學習策略以提供幫助。

谷歌如今已成功實現 100％的可再生能源采購策略（https://www.blog.google/outreach-initiatives/environment/meeting-our-match-buying-100-percent-renewable-energy/），下一步正努力實現 24x7 基礎上的無碳能源采購策略（https://storage.googleapis.com/gweb-sustainability.appspot.com/pdf/24x7-carbon-free-energy-data-centers.pdf）。與 DeepMind 合作，能使風電變得更具可預測性和價值，這是實現這一愿望的關鍵步驟。雖然還有許多工作要做，但這一步對谷歌和地球而言意義非凡。