Решения, основанные на данных, приведут к переходу к чистой энергии

Изменение климата реально.

И хотя многие ученые согласны с тем, что мы уже слишком поздно, люди только начинают осознавать эту проблему. С людьми приходит политика, а с политикой приходят деньги.

Вот почему в следующие годы будет серьезный толчок к исследованиям в секторе энергетики, и наука о данных будет играть большую роль в этой огромной битве. Обнаружение новых закономерностей в данных - очевидный путь к получению эффективных решений для нашего энергоемкого мира.

В этой статье мы рассмотрим несколько проблемных сценариев, в которых доказано, что машинное обучение и методы, основанные на данных, предлагают отличные решения, что, возможно, делает эту область одним из главных действующих лиц в войне с изменением климата .

Жажда энергии

Одним из самых тривиальных решений для снижения выбросов CO2 было бы меньшее потребление энергии, которое часто получается при сжигании ископаемого топлива.

Но если посмотреть на тенденции последних нескольких лет, похоже, что спрос на электроэнергию не замедляется: с ростом электромобилей (хотя их воздействие на окружающую среду, безусловно, меньше, чем их ископаемых аналогов), эта растущая потребность вряд ли скоро прекратится.

Более того, в настоящее время мы склонны ставить батарейки повсюду: в велосипедах, одежде и даже обуви. А батареям нужно электричество. Много электричества. Таким образом, сокращение количества случаев, когда нам нужна энергия в повседневной жизни, - далеко не простое решение.

Наконец, пришло время представить концепцию энергоэффективности.

Наука о данных для более энергоэффективного мира

Это правда, наступает чистая энергия.

Но время, когда 100% производимой энергии поступает из возобновляемых источников, к сожалению, не так уж и близко. Нам необходимо преодолеть разрыв в нашем переходе к чистой энергии с помощью эффективных способов использования грязной энергии. Кроме того, даже в идеальном «зеленом» обществе обеспечение эффективности на пике не является бесполезной задачей.

Но почему специалистов по анализу данных может интересовать энергоэффективность? Это должна быть работа механиков, инженеров-строителей и архитекторов, не так ли?

Ну, да, но нет.

Анализ данных и поиск закономерностей может существенно помочь в поиске часто готовых решений во всех областях, включая энергоэффективность.

Дата-центры: почему они важны

Давайте рассмотрим тематическое исследование: центры обработки данных по всему миру используют 3% энергии, производимой на Земле. . Это много!

Причиной такого огромного расхода энергии является необходимость поддерживать в центре определенную температуру, избегая перегрева и поломки электронных компонентов. Как следствие, если для работы центра обработки данных не используется чистая энергия, это может иметь большое влияние на выбросы CO2. И давайте не будем забывать о стоимости эксплуатации этих мест.

Вот почему Deepmind (компания, занимающаяся искусственным интеллектом, приобретенная Google) в 2016 году преуспела в снижении энергопотребления в центре обработки данных Google на 40% «( источник)". Расскажите об этом любому ИТ-инженеру, и вам не поверят.

Невероятный результат был достигнут с применением алгоритмов машинного обучения к набору данных датчиков, собранных в центре за годы работы. Цель алгоритма состояла в том, чтобы спрогнозировать будущую PUE (эффективность использования энергии, которая представляет собой отношение общего энергопотребления здания к потребляемой ИТ-энергией) на основе ряда параметров такие как уставки температуры, мощности и охлаждения.

Последняя обученная педикулярная модель, «осознавая» всю среду, смогла принимать более разумные нелинейные решения и могла управлять центром обработки данных в существенно более эффективный способ, позволяющий держать температуру под контролем.

В то время как традиционный инженер обладает опытом, чтобы сделать отдельный компонент, возможно, охлаждающий вентилятор, более эффективным, специалисты по данным могут проанализировать общая картина, часто позволяющая найти более простое и эффективное решение проблемы.

Обучение с подкреплением: более широкое решение

Зачем останавливаться в дата-центрах?

А как насчет наших школ, офисов и домов?

Хорошо известно, что отопление и охлаждение занимает значительную часть счета за электроэнергию любого здания: исследование 2011 года показывает, что повышение эффективности зданий представляет собой самую большую возможность снизить выбросы парниковых газов.

Если бы мы могли найти способ создать алгоритм, чтобы сделать системы HVAC (отопление, вентиляция и кондиционирование) более более эффективными в целом, CO2 выбросы будут значительно сокращены, равно как и счета за электроэнергию. Самым большим препятствием является отсутствие датчиков для сбора данных и уникальность каждого отдельного здания.

На помощь приходит обучение с подкреплением.

В ряде недавних исследований предлагается обучение с подкреплением (RL, ветвь машинного обучения, в которой агент взаимодействует с средой, постепенно улучшая указанная цель, определяемая функцией вознаграждения) в качестве решения: применение такого алгоритма для повышения эффективности различных зданий дает невероятные и многообещающие результаты с до 70% (!!!) сокращение потребления энергии HVAC (источник).

Нет данных датчика в RL.

Агенту предоставляется свободный контроль над нагревом и охлаждением в компьютерном моделировании реального здания, где он может исследовать последствия своих решений и учиться как потреблять меньше энергии при сохранении желаемой температуры. Это делает решение гибким для любого типа зданий, экономичным и простым в реализации благодаря установке простого интеллектуального термостата.

Но это еще не все.

Переход на 100% возобновляемые источники энергии имеет недостаток, и Data Science может снова предложить решение.

Нестабильность сети

Солнечная и ветровая энергия очень непредсказуемы: поэтому поставка в сеть исключительно таких возобновляемых источников энергии может иметь отрицательный эффект об общей стабильности сетки. Кроме того, мы должны также учитывать растущее количество электромобилей на улицах и, как следствие, потребность в больших «количествах» электроэнергии, что также может представлять проблему. .

Таким образом, мы можем связать «ценность» с производимой чистой энергией, которая коррелирует с потребностью в электроэнергии сети в определенный момент времени. Если значение высокое, это означает, что включение электричества в сеть делает ее более стабильной и надежной.

Есть ли способ максимизировать эту «ценность» для конкретной ветряной или солнечной фермы?

Это вопрос, на который Deepmind снова попытался ответить в недавнем исследовании: исследователи применили нейронную сеть к доступным данным прогноза погоды и данные турбины ветряной электростанции для прогнозирования выходной мощности на 36 часов вперед. Затем обученная сеть позволяет повысить ценность производимой энергии (примерно на 20%) и, таким образом, внести свой вклад в энергосистему, когда это наиболее необходимо .

Время действовать

Как показано в этой статье, несколько решений на основе данных проходят испытания, чтобы помочь снизить выбросы парниковых газов и направить нас к полностью возобновляемому будущему. И многие другие изучаются прямо сейчас.

Очень необходима реальная реализация этих выводов: если вам интересно, возможности в этой области сейчас больше, чем когда-либо.

Время настало.

Наука о данных может внести свой вклад в эту битву, и, зная, как много она может сделать, безусловно должна.