Co się stało
Google DeepMind wypuścił WeatherNext 3, model prognozowania pogody oparty na sztucznej inteligencji, zaprojektowany specjalnie dla farm wiatrowych, producentów energii słonecznej i operatorów sieci elektroenergetycznych. Model aktualizuje się co godzinę i generuje dwa główne strumienie prognoz: prędkość i kierunek wiatru na wysokościach do 100 metrów oraz zachmurzenie wraz z napływającym promieniowaniem słonecznym. Ta rozdzielczość godzinowa ma pomóc operatorom przewidywać wahania produkcji energii odnawialnej i skuteczniej zarządzać stabilnością sieci.
Google DeepMind ogłosił 14 września premierę WeatherNext 3, opisując ją jako narzędzie dla operatorów infrastruktury energetycznej. Model został stworzony w celu prognozowania warunków, które mają bezpośredni wpływ na wytwarzanie energii odnawialnej, ze szczególnym uwzględnieniem sektorów wiatrowego i słonecznego.
System działa z częstotliwością aktualizacji co godzinę, co według DeepMind jest niezbędne, ponieważ warunki pogodowe wpływające na moc wyjściową mogą zmieniać się w ciągu jednego okresu rozliczeniowego na rynkach energii. Model generuje dwa odrębne strumienie danych: jeden dotyczący prędkości i kierunku wiatru na wysokościach istotnych dla turbiny (do 100 metrów), a drugi dotyczący zachmurzenia i promieniowania słonecznego w celu oszacowania generacji fotowoltaicznej.
DeepMind określił tę publikację jako infrastrukturę dla transformacji energetyki, argumentując, że wcześniejsze powiadamianie o zmieniającej się pogodzie umożliwia zespołom zbilansowanie sieci elektroenergetycznych, gdy produkcja energii odnawialnej jest zmienna. Opiera się to na wcześniejszej pracy firmy z GraphCast, globalnym modelem pogody, który wcześniej radził sobie lepiej niż tradycyjne testy porównawcze.
Szczegóły źródła: Google DeepMind ↗
Dlaczego to ma znaczenie
WeatherNext 3 podejmuje kluczowe wyzwanie w transformacji energetyki: zmienność energii wiatrowej i słonecznej. Zapewniając prognozy godzinowe o wysokiej rozdzielczości, model umożliwia operatorom sieci lepsze dopasowanie dostaw czystej energii do zapotrzebowania konsumentów, ograniczając potrzebę kosztownego wytwarzania rezerwowego i poprawiając efektywność rynków energii. Stanowi to praktyczne zastosowanie sztucznej inteligencji w infrastrukturze krytycznej, wykraczające poza ogólne przewidywanie pogody i skupiające się na specjalistycznym zarządzaniu użytecznością publiczną.
W przeszłości sieci elektroenergetyczne opierały się na dyspozycyjnych źródłach energii, takich jak elektrownie węglowe, gazowe i jądrowe, które można ograniczać w zależności od zapotrzebowania. Wiatr i słońce nie są dyspozytorskie, co oznacza, że ich moc zależy od niekontrolowanych warunków pogodowych. W miarę wzrostu udziału energii odnawialnej sieci muszą raczej przewidywać wahania generacji, niż na nie reagować.
Błędy prognoz w zakresie energii odnawialnej mogą mieć złożony wpływ na stabilność sieci. Przeszacowanie mocy wiatrowej może prowadzić do niedoborów w dostawach w okresie szczytowego zapotrzebowania, natomiast niedoszacowanie powoduje marnowanie mocy i wymusza korzystanie z bardziej kosztownych generacji rezerwowych. Prognozowanie oparte na sztucznej inteligencji z rozdzielczością godzinową ma na celu ograniczenie tego ryzyka poprzez dostarczanie dokładnych danych na potrzeby wysyłki magazynu i reagowania na zapotrzebowanie.
Wdrożenie tak wyspecjalizowanego modelu sztucznej inteligencji przez wiodące laboratorium, takie jak DeepMind, podnosi poziom konkurencyjności w zakresie dokładności prognoz w branży. Podkreśla również rosnące powiązanie sztucznej inteligencji z infrastrukturą krytyczną, w przypadku której dokładne dane są niezbędne do zarządzania złożonością dekarbonizacyjnej sieci energetycznej.
Mechanizm interaktywny: jak to faktycznie działa
Poznaj interaktywnie technologię leżącą u podstaw tego rozwoju.
A route planner searches possible journeys using explicit rules. What does this illustrate about AI?
Co obejrzeć dalej
Kolejne kroki obejmują obserwację, którzy konkretni operatorzy sieci lub firmy energetyczne wdrażają WeatherNext 3, ponieważ DeepMind nie ujawnił aktualnych użytkowników. Dodatkowo dokładność modelu w dłuższych horyzontach prognozy, szczególnie powyżej sześciu godzin, będzie kluczowa dla jego użyteczności w przetargach na rynku energii dnia następnego, gdzie błędy prognozy wiążą się ze znacznymi karami finansowymi.
DeepMind nie ujawnił, którzy operatorzy sieci, przedsiębiorstwa użyteczności publicznej lub niezależni producenci energii korzystają obecnie z WeatherNext 3. Monitorowanie przyjęcia modelu przez główne firmy energetyczne wskaże praktyczny wpływ modelu i jego opłacalność komercyjną.
Kluczowym wskaźnikiem wartym obserwacji są wyniki modelu w przypadku ofert przetargowych na rynku energii dnia następnego. Ponieważ w tym oknie rozliczany jest największy wolumen kontraktów na energię elektryczną, trafność prognoz powyżej sześciu godzin będzie decydowała o jego użyteczności finansowej dla handlowców i operatorów energii.
Konkurenci, w tym start-upy takie jak Tomorrow.io i krajowe agencje meteorologiczne, również kierują się na ten rynek. Wejście DeepMind może przyspieszyć innowacje i wywrzeć presję na istniejące usługi, aby poprawiły dokładność i rozdzielczość prognoz.