绿色能源AI技术：给能源加一个智慧大脑

March 2, 2023

Fanny Hu

发布于2022-10-28

绿色能源AI的发展背景

现如今，脱碳和向绿能转型一直是大家比较关心的课题。绿能的开发和使用根本原因是现有自然资源的短缺。当今社会电力设备无处不在，用电量达到了很巨大的体量但现有煤炭资源逐渐消耗，越来越少，人们需要更多能源来供给生活，通过开发新的能源来维持所需。

由此，绿能时代开启。风电和光伏等产业近几年的快速发展补充了自然能源的缺口，但伴随绿能的不可抗力的特征性影响着电网的安全性和稳定性，存在着并网难、消纳率低，甚至还出现了“弃风”、“弃光”等现象。所以需要加强系统的智能性来预判和解决这一系列的困扰。

能源系统转型优化，建立以新能源为主体的能源发展系统，环境因素的不确定性使能源供应遭受巨大的挑战，再生能源不可避免地受环境变化的制约。为了使电网等能源系统稳定安全地运行从而使能源供给不受影响，业界逐渐引入了人工智能来提前干预绿能使用中的不可预测性，根据预测结果进行提前部署和调整来达到系统整体的协调稳定性，同时通过人工智能分析得出供需情况。

能源供需量不确定从而导致浪费。从能源产生，输送能源到配给能源和能源出售，提高能源从生产到消费市场中的每一个环节的可预测性，进而根据大数据预测的结果来进行部署和整体调整，能有效地确保能源的供需平衡，并让再生能源更加和谐快速地融入整个电力架构中。而AI和大数据分析则是可以提高整个电力系统稳定与可靠的有效技术。

交通系统的清洁化发展和城市清碳行动的开展。企业、政府、消费者等越来越多地使用太阳能电池板生产能源，并将这些能源存储在电池和电动汽车中，或将其反馈给电网。预计到2025年，价值约3600万CNY的储能器、电池板、和电动汽车将并入电网。数百万的设备上传和下载所消耗的电力会导致电网系统出现紊乱。AI引入绿能的其中一个重要原因也是市场驱使，其中有太阳能、储能和电动汽车的市场需求呈急速上升趋势，数据量的增加导致现有人工管理的电网系统已不能满足大量设备同时涌入电网，这个时候需要一个智慧的大脑AI来帮助电网平稳运行。

图1 太阳能、储能、电动汽车的增量

绿色能源AI技术和优点

绿色能源AI是什么

数字技术和分析技术的兴起给新能源发展提供了机会和更多的可能性，不仅可以检测进展，预测数据结果，还可以集成系统来确保系统的可靠性和稳定性，并通过强大的分析能力来优化产品，制定解决方案提高可持续性。传统的电力系统难以应对绿能在极端天气条件下发电功率的不确定性，也对分析解决复杂故障的即时响应能力发出了挑战。绿色能源AI是应用人工智能系统提前预测和干预能源系统的调动和协调多能源的能力，实现多能互补的电力体系，提升能源利用率和稳定性来推动碳中和进程。^[1]

新能源领域中常用的人工智能技术^[3][7]

1）机器学习

机器学习主要是设计一些“算法“使计算机可以自主学习。在实现电网工程可视化和辅助电厂优化内部设置上有很大的帮助。自然语言处理也是在获取数据源和分析数据时做准备的其中一项技术。

2）大数据技术

大数据主要是对结构化或者非结构化数据进行分析利用，利用人工智能从数据中锁定信息，帮助决策。在实际应用中，对电厂的管理与运营是大数据技术应用的例子之一。

3）深度学习

深度学习使用包含复杂结构或多重非线性变换构成的多个处理层对数据进行高层抽象。利用深度学习优化效率，可以提高20%的生产效率，并减少40%的成本。

4）计算机视觉

计算机视觉是实现计算机如何像人眼一样“看“的功能的技术。其中的图像识别可以帮助能源勘探，通过收集的信息进行地质结构描绘等。

5）模糊逻辑

模糊逻辑是建立在多值逻辑基础上的人工智能基础理论，运用模糊集合的方法来研究模糊性思维、语言形式及其规律的科学。对于不能确定或者未知的描述系统，进行推理判断。可以用于优化勘测模型。

AI在能源领域的功能

AI在发电功率的精准预测、电力系统优化调度、性能评估、故障监测和风险管理等方面发挥着关键性作用。

1）精准的功率预测

大数据和神经网络的算法应用使气象预测的准确性大大提升，减少新能源发电功率预测的误差。尤其是在跨区域和远距离的绿能消纳上，在一定区域内的新能源建设速度远远超过了消纳能力，这会造成再生能源发展和消纳利用之间的矛盾。人工智能技术通过对电力天气预报的预测和分析，调节发电功率，动态优化电力系统发电策略，从而保障电网稳定运行。

2）智能的调度和控制

在调度端、深度学习、大数据驱动和机理仿真模型技术的结合下，优化电力调度系统的控制策略，增强多能源（例如：风电、水电、光伏和储能）协调性，实现互助互补，主要可以妥善解决在用电高峰和低谷期电力输出不平衡的问题。绿电的大规模并网对电网交直流混联、源网荷储交互的灵活重构、运行策略优化与制定决策也提出了更高要求。源网荷储是构建新型电力系统的重要发展路径，该模式包含电源、电网、负荷和储能路径。简单来讲，就是通过清洁能源和发电资源之间的互相协作和互补，克服清洁能源受环境气象等自然因素影响而产生的波动性，从而实现多能聚合的能源供应体系。提高电网对多样电源的接纳能力，利用调控技术将能源供应进行排列优化，从而突出不同组合之间的互补协调性以发挥微网和智能配电网技术的优势，降低接纳新能源电力带来的并网冲突，配合储能资源有序智能地充放电。未来，人工智能技术将支撑绿能进入增量主体阶段。

3）自动化的故障响应

基于大数据和深度学习，电网设备的实时监测有助于快速提取报错和故障信息，能够提升电力系统的故障识别能力和加快系统响应速度。随着技术融合系统越来越稳定，未来有望实现毫秒级的自动化预警监测和控制。

4）稳定电网中数百万设备

利用人工智能软件，分布式能源可以将产生的多余电能发送到电网中以便输送过剩电能到需要电能的地方。当需要小于产能时，能源存储器可以保存多余的能量，以供发电量不足时，由人工智能进行储备电能的合理分配，这样使电网内的设备可以保持平稳有序地工作。

优点

减少能源调配的时滞性。人工智能装置与轻量级边缘人工智能在绿能的普及应用，是新能源代替化石能源以及应对全球气候变化的大势所趋。新能源供给的间歇性问题，可以通过调配风能、光能、水能、生物能和储能等多能互补的方式进行能源调配从而解决。但多能源调配单单依靠人工调配会产生时滞性，延迟决策的产生。在调配过程中，为了确保能源不中断，就需要使用人工智能进行快速的信息甄别，调用，整合来保障能源持续供给。

减少能源的浪费，提升稳定性和可持续性。对于脱碳和去中心化导致的能源日益紧张和系统并网逐渐复杂的问题，人工智能不但可以有效缓解，还可以改善硬件耐久性的预测，优化维护从而减少硬件设备损坏程度，减少浪费。人工智能还可以提高发电厂的效率和可靠性，减少排放，优化材料的使用，有助于实现更高的可持续性。自我优化流程，优化交付时间，新能源企业的自主运行可以通过更高效的发电，实现更高的安全性并改善电网稳定性。

主要应用领域和面对的挑战

应用领域^[4]

AI的运用可有效提高预测的准确性。越来越多的电力公司摒弃传统火力发电模式，致力于开发更自动化的太阳能、风能等可再生资源的预测系统，将天气预报模型和认知自学能力相结合。电力公司利用已知资料作为模板，在AI的辅助下，用各种算法构建出不同的预测模型，以这段模板资料为测试模板，选出最精准的模型，然后重新建模，不断改进出更准确的模型，进一步提供各类情况下的应对方针，以供决策层级加速响应市场状况。下图描述了新能源AI与传统电厂工作的流程，除了我们已经了解的机器学习、模糊逻辑、大数据技术等AI融合技术，用来模拟、预测、优化、监测、诊断等，需求侧管理也是智能电网中重要功能之一，它主要用来提高电网可持续性，还可以降低碳排放水平。

图2 AI 在电力能源领域的应用

此外，AI的运用还可以更好地保护自然资源。结合传感器、机器学习和卫星图像，认知灌溉系统可以有效地帮助企业在日常运营中减少用水量，实现根据情况采集，自我调节的供水方式。

助力早期污染监测。快速且精准地确定污染源，对污染源的监测、控制和治理能力都会大幅度加强。例如监测空气污染和甲烷泄露等。实时监测空气污染指数，加强传感器的过滤作用。

通过智能交通技术推进节能减碳。2021年中国机动车统计占有量为3.72亿辆，预计2022年将成为世界第一汽车保有国，这使得绿色交通成为中国碳中和战略的关键因素。根据摩根斯坦利预测，自动驾驶技术不仅能减少90%的车祸，还能减少30%的交通拥堵，降低15.9%的温室气体排放量。利用信息技术和人工智能推动交通行业减排降碳，以互联网模式建立新的运营模式，推动电车代替油耗车，优化交通通行效率以实现绿色出行。

绿色AI超算中心。传统数据中心模式下，每个企业拥有独立数据中心，随着用户量激增，在经济增长下的数据中心会消耗更多能源，通常为保障峰值计算要求，平均使用率低于18%，造成能源浪费。IDC数据表明，云计算数据中心能有效提升计算速率并大幅提升能源使用效率，数据中心在近四年（2021-2024年）向云计算转型可减少10亿吨以上的二氧化碳排放，通过集中智能计算基础设施，能够大幅降低整个社会的总能源消耗。

面临的挑战

清洁能源的大规模开发和利用已经成为当今世界能源发展的主要方向。在绿能逐步并网的趋势下，传统电力系统难以应对再生能源在突发恶劣天气下发电功率的不确定性，以及对复杂故障的及时响应。在系统监测过程中，由于故障特征提取困难，参数核验和故障监测需要大量的人工参与。针对大规模绿能并网在稳定、运行和未来规划上面临的各种挑战，虽然人工智能能为新能源系统整体的高效稳定运行提供技术保障和有力支撑，但人工智能解决方案需要投入大量的资金支持，并对硬件设备也有要求，需要具有强大的数据计算和处理的系统，中小型企业难以负担。

数据是人工智能解决方案的核心，随着数据量的增加，对数据模型准确性的要求也随之增加。开源数据和市场透明也是需要面临的问题。新能源行业的动态变化增加了其发展的复杂性。因此，需要安全可靠的数据共享来促进行业内部和行业之间的创新。

然而，能源行业在采用现代化数字技术方面尽管一直在摸索前进，但结果并不喜人。数据是支撑人工智能的基石，然而数据质量差、数据不准确或不完整、数据架构的缺失，以及数据在查找过程中受阻等问题，都可能造成最终预测结果的偏差，并减缓向数字化过渡的进程。网络安全对于实现电网稳定和信息流动也至关重要。为了更好的数据环境，需要标准和法规来促进兼容性和互操作性，以及提高透明度和信任度。^[6]

未来趋势

绿能大规模并网后，风电与光伏发电的波动性、随机性、反调峰等特性将对电网的稳定性和可控性造成冲击，需要提高绿能并网、输送、消纳和安全运行的能力。根据中国国家能源局测算，中国统一可再生能源电力消纳比重将从 2021 年的28.7% 提升至 2030 年的 40%，风电、太阳能发电总装机容量届时将达到 12 亿千瓦以上。世界经济论坛数据显示，受益于ICT技术，到2030年各行业减少的碳排放量将达到121亿吨，其中能源领域超过18亿吨。从电能源行业来看，国际能源署（IEA）预测，如果推行数字化技术，2016到2040年的年发电成本将降低800亿美元，相当于全球发电总成本的5%。^[8]

关于未来，我们更加确定能源系统之间的相互作用将变得复杂。我们面临着包括节能减碳、去中心化、新能源储存、废物治理和智能维护在内的种种挑战。克服这些挑战将需要更多科学和技术的加持融合，远远超出传统意义上应用于工程的方法。人工智能(AI)方法和框架将成为克服这些复杂挑战的前沿。对企业而言，低碳发展和新能源技术应用将带来巨大的市场空间。^[2]