像可再生能源這樣的無碳技術(shù)有助于應(yīng)對氣候變化，但這其中許多技術(shù)尚未充分發(fā)揮其潛力。以風(fēng)能為例：在過去的十年中，隨著渦輪機成本的大幅下降和應(yīng)用的激增，風(fēng)力發(fā)電場已經(jīng)成為無碳電力的一個重要來源。然而，風(fēng)能本身的多變性使其成為一種不可預(yù)測的能源，因此，它不如在固定時間能可靠輸送電力的能源有用。

為了尋找這個問題的解決方案，去年DeepMind和谷歌開始將機器學(xué)習(xí)算法應(yīng)用到美國中部地區(qū)的700兆瓦容量的風(fēng)力發(fā)電場。這些風(fēng)力發(fā)電場，是谷歌全球可再生能源項目的一部分，其產(chǎn)生的電力足以滿足一個中等城市的用電需求。

我們采用一個在預(yù)測天氣預(yù)報和分析渦輪機的歷史數(shù)據(jù)等方面都可用的神經(jīng)網(wǎng)絡(luò)，將DeepMind系統(tǒng)配置為在實際發(fā)電前36小時預(yù)測風(fēng)力輸出?；谶@些預(yù)測，我們的模型會建議如何提前一天對電網(wǎng)做出最佳的每小時交付承諾。這一點很重要，因為可以計劃的能源(即可以在規(guī)定的時間提供一定數(shù)量的電力)通常對電網(wǎng)來說更有價值。

雖然我們在繼續(xù)改進我們的算法，但我們在風(fēng)力發(fā)電場中采用機器學(xué)習(xí)的方法已經(jīng)產(chǎn)生了積極的效果。迄今為止，與沒有對電網(wǎng)進行時間承諾的情況相比，機器學(xué)習(xí)已將風(fēng)能價值提高了約20%。

雖然我們無法消除風(fēng)的可變性，但我們的早期研究結(jié)果表明，我們可以使用機器學(xué)習(xí)使風(fēng)力發(fā)電更具可預(yù)測性和價值。這種方法還有助于為風(fēng)力發(fā)電場的運營帶來更強的數(shù)據(jù)嚴(yán)密性，因為機器學(xué)習(xí)可以幫助風(fēng)力發(fā)電場運營商更智能、更快和更多地以數(shù)據(jù)為驅(qū)動評估其電力輸出如何滿足電力需求。我們希望這種機器學(xué)習(xí)方法能夠加強風(fēng)力發(fā)電的商業(yè)案例，推動全球電網(wǎng)進一步采用無碳能源。能源行業(yè)的研究人員和從業(yè)人員正在為社會如何最大限度地利用太陽能和風(fēng)能等可變能源開發(fā)新思路。我們渴望加入他們，一起探索這些基于“云”的機器學(xué)習(xí)策略的普遍適用性。

谷歌最近實現(xiàn)了100%的可再生能源采購，目前正努力在24x7的基礎(chǔ)上采購無碳能源。谷歌與DeepMind的合作使風(fēng)力發(fā)電更具可預(yù)測性和價值，這是實現(xiàn)這一愿望的具體一小步。雖然還有許多工作要做，但這一小步不僅對谷歌來說很有意義，更重要的是，它對環(huán)境保護大有裨益。