隨著能源格局即將發(fā)生巨大變化，現(xiàn)在是結(jié)合機器學習和電網(wǎng)的優(yōu)秀時機。

比爾·蓋茨(Bill Gates)在2017年表示：“如果我今天剛開始并尋找同一種對世界產(chǎn)生重大影響的機會，我將考慮三個領(lǐng)域。一是人工智能;第二是能源;第三是生物科學”。

毫無疑問，能源的未來在于可持續(xù)、可靠和“智能”的發(fā)電和配電系統(tǒng)，以及主動而不是被動的網(wǎng)絡(luò)。電力公司擁有與網(wǎng)絡(luò)故障、網(wǎng)絡(luò)模型，來自發(fā)電機的運行信息和資產(chǎn)數(shù)據(jù)庫相關(guān)的大量且不斷增長的數(shù)據(jù)。

數(shù)據(jù)具有預測網(wǎng)絡(luò)故障和協(xié)助維護的巨大潛力。將來，通過機器學習，添加網(wǎng)絡(luò)故障記錄將是解決方案的一部分，而不是問題。通過添加更多記錄，可以為模型提供更多分析數(shù)據(jù)，從而可以進行更準確，更準確的預測。

例如，機器學習算法可以訪問具有類型、位置、使用期限或使用期限配置文件和資產(chǎn)狀況、電路和負載數(shù)據(jù)以及現(xiàn)有故障數(shù)據(jù)的數(shù)據(jù)庫，并將故障的概率和成本返回為以及可能發(fā)生的時間，如以小時、天、周或月為單位。

機器學習有可能被用作經(jīng)濟的建模工具，通過成本效益分析評估與使用電網(wǎng)加固解決方案有關(guān)的戰(zhàn)略發(fā)展和決策。將來，我們不僅將對故障做出反應，還將使用通過分析技術(shù)經(jīng)濟數(shù)據(jù)來預測故障的模型來預測和避免故障。因此，通過機器學習，電力行業(yè)在開發(fā)主動系統(tǒng)而非被動系統(tǒng)方面邁出了一步。

在后疫情時代，最緊迫的挑戰(zhàn)是氣候變化，以英國為例，他們承諾到2050年過渡到零凈經(jīng)濟，電力網(wǎng)絡(luò)將發(fā)展到更加可再生的基礎(chǔ)。我們已經(jīng)可以看到，隨著清潔能源的發(fā)電在2020年的前三個月英國提供了40%的電力，可再生能源的地位日益增長，這是可再生能源首次超過化石燃料。

分析人士認為，可再生能源和可持續(xù)能源產(chǎn)業(yè)應像上次經(jīng)濟衰退那樣發(fā)揮更大的作用，并推動綠色經(jīng)濟復蘇。盡管并非沒有挑戰(zhàn)，但這是可能的，并且機器學習可以解決某些問題。

即使使用最復雜的天氣預報，也很難準確預測風能和太陽能等可再生能源發(fā)電的波動。此外，內(nèi)部安裝的設(shè)備(例如光伏和電池)的小型分布式發(fā)電和存儲(全球范圍為5000萬個)增加了系統(tǒng)的不確定性。

機器學習和人工智能可能會解決這些問題，因為這些算法可用于更準確地預測需求，以及可再生能源發(fā)電的輸出，無論短期還是長期都使用預測。

現(xiàn)在，已開始使用已安裝的儲能裝置(包括電池)來最大程度地減少可再生能源發(fā)電的不確定性，并幫助實現(xiàn)可再生能源需求的更高百分比。但是，該解決方案可能存在可靠性問題和局限性，例如電池退化和意外故障，需要不斷監(jiān)控和維護。

使用機器學習作為工具來監(jiān)視和預測儲能系統(tǒng)中的潛在故障可能會導致系統(tǒng)更加可靠和高效，并且通過使用AI和機器學習算法，電力需求和可再生能源發(fā)電將更加可預測，儲能更加可靠并高效。

科學界已經(jīng)在研究電力網(wǎng)絡(luò)中“智能”能源和機器學習的美好前景。關(guān)于能源需求的預測，太陽能發(fā)電的預測，甚至對可以從城市環(huán)境中的食物垃圾中收集的能量的精確預測，已經(jīng)有很多說法?？紤]到其他領(lǐng)域?qū)I和機器學習的深入了解和廣泛使用，隨著我們過渡到零凈經(jīng)濟和社會，電網(wǎng)領(lǐng)域的可能性令人興奮。