可再生能源领域的大数据
使用大数据和人工智能技术可以提高可再生能源生产的效率，并提供减少能耗的机会。
在使用大数据提高制造、安全和医疗保健等行业领域的效率方面，人们看到了一场全球性的革命。近年来，环境问题和气候变化引起了人们广泛地关注和讨论。那么是否可以采用同样的方法用于能源监测、建模、分析和预测，以实现可持续的能源目标，并减少导致全球变暖的二氧化碳排放量?
清洁高效的发电
根据美国能源部能源情报署的调查，美国的可再生能源发电量占所用电量的17%，太阳能、风能、水力发电和其他可再生能源是世界上增长较快的能源。
人们需要扩大可再生能源的采用规模，以取代负责温室气体排放的传统能源，否则很难扭转气候不断变暖的影响。为了实现规模化，需要尽可能的高效，而将大数据和人工智能技术结合可以有所帮助。将可再生能源应用到现有的电网中需要对来自太阳能、风能和水力发电源的电力进行估算，以便基础设施能够通过适当的估算、规划、定价和实时运营发挥作用。
预测和最大化太阳能发电量
近几年，分布式太阳能发电设施的发电量增长迅速，据最新的调查数据显示，全球太阳能发电量预计在未来5年内将超过1TW。
大数据引入不同的观测数据源和模型，可以用于准确预测气象变量，然后使用计算智能技术进行实时分析。例如，SunCast是美国国家大气研究中心(NCAR)的一个用于提供太阳能的预测系统。它基于现场的实时测量和云计算模式的卫星数据。该预测融合了许多模型，并使用统计学习和一系列人工智能算法根据历史观测对其进行调整。
很多人会在城郊看到大规模太阳能光伏阵列。也可能在小镇上看到在住宅屋顶部署的太阳能发电设施。那么在城市中部署太阳能光伏阵列的较好位置在哪里?最近发表的一篇论文指出了使用图像识别和机器学习来确定部署住宅太阳能发电设施的较好场所，使当地的决策者能够评估其辖区内潜在的太阳能发电容量。该方法不需要使用3D城市模型，而是使用公共地理建筑数据和航空图像进行分析。人工智能利用地理数据，并输出辐照度模拟和发电电位，可以确定部署太阳能电池板的较好位置。
由于太阳能电池板可能部署在难以进入的区域，因此设施所有者需要了解可能对其效率产生负面影响并导致发电损失的环境因素，例如阴影、落叶、灰尘、雨雪和鸟类损害等。机器学习可用于监视各个面板的输出，作为一组时间序列数据，训练模型以检测异常输出并对其进行分类。然后，人工智能可以指示出特定面板表面上的问题，然后可以安排进行检查和维修。
预测风力发电机组的发电量
风力发电为未来增加的发电量提供了一个重要的机会，并且每年都在大幅增长。一份调查报告表明，到2030年，风力发电量将达到2000吉瓦，将提供全球电力的16.7-18.8%，并帮助减少30亿吨以上的二氧化碳排放量。
风力发电预测是涡轮机控制、负荷跟踪、电力系统管理和能源交易所必需的。许多不同的风电预测模型已与数据挖掘结合使用。有许多方法，例如基于低层大气的物理(确定性)方法，或使用天气预报数据(如温度、压力、表面粗糙度和障碍物)进行的数值天气预报。另一种统计方法在不考虑气象条件的情况下使用大量的历史数据，并依赖人工智能(神经网络、神经模糊网络)和时间序列分析方法。最后一种方法是结合物理和统计方法的混合模型。
减少电力消耗
许多家庭用户熟悉家庭能源监控器的概念，由传感器、发送器和手持显示器组成。传感器连接到电表箱的电源线上，并监控电源线路周围的磁场，以测量通过的电流。发送器从传感器获取数据并将其发送到手持显示器，该显示器可以假设电力来自化石燃料能源，并计算用户的电力使用、成本和温室气体排放量。通过收集和分析大量家庭的数据，可以确定在哪里节省能源，或者在高峰时段之外的使用灵活性。然后，就如何减少消费、削减开支、整合可再生能源和减少排放向消费者提供建议。
例如，在美国一些能源市场解除能源管制的州，客户可以在不同的能源供应商之间进行选择，但每个州都提供不同的关税和促销费率，这使选择变得更加复杂。机器学习可以在网络平台中使用，以帮助消费者最小化他们的账单。当他们注册时，客户会陈述他们的能源偏好(例如限制使用可再生能源)，机器学习模型使用智能电表检查他们的使用模式，并将其与最佳供应商匹配，自动将其转换为不同的供应商和能源计划作为更好的交易出现。其目的是通过向可能做正确事情的消费者提供可再生能源，并限制他们使用非可再生能源，只要他们不受价格明显上涨的影响，就可以鼓励他们采用可再生能源。
数据中心的能耗
虽然大数据正以各种方式帮助增加可持续能源的产生并减少能耗，但它本身也负责消耗越来越多的能源。正如行业媒体最近报道的那样，2018年数据中心的消耗超过了一些国家的整体能源消耗。目前，数据中心约占全球电力需求的1%，但预计未来几年内使用率将迅速上升，尤其是在计算密集型加密货币开采继续增长的情况下。绿色和平组织称，数据中心是全球碳排放量的主要贡献者，因为其中使用的电力中只有大约20%来自可再生能源。
数据中心能耗的主要原因是采用冷却设施，通常采用水泵、冷却器和冷却塔。传统上，由于设备组合之间的相互作用的复杂性，难以人工优化冷却过程。每个场景所需的规则和启发式算法很难定义，特别是在考虑与周围环境(如天气)的交互时。其结果是，运营人员无法计算设置的变化，这些设置可以对数据中心环境内的变化做出足够快速的响应，以优化电力效率。
为了研究人工智能能否做得更好，谷歌公司在2016年推出DeepMind，该团队在博客上发布了一个深度学习模型，该模型通过传感器数据进行培训，能够预测环境因素对性能和能耗的影响。该模型向操作人员提出建议，建议优化设置，以提高冷却效率，从而降低功耗。谷歌公司的一个特定数据中心的模型降低了40%冷却能耗。
总结
大数据和人工智能正在从根本上改变发电、定价和消费的模式，导致能源部门出现重大颠覆性发展。随着全球面临前所未有的环境挑战，监测、建模、分析和预测能源生产和使用的新的、更智能的方法正在帮助人们实现可持续能源目标。
