Человечество за свою историю несколько раз совершило глобальный энергопереход и последние несколько лет стоит на четвёртом этапе изменений в структуре производства первичной энергии. Что особенного в нынешнем энергопереходе, какие трудности возникают и чем может помочь искусственный интеллект, рассказали в нашем новом материале заместитель директора проектного Центра по энергопереходу Сколтеха Ирина Гайда и старший преподаватель Центра энергетических технологий Олег Хамисов.
Если предыдущие переходы были связаны с экономическими преимуществами и появлением новых технологий, то нынешний переход на низкоуглеродные источники энергии продиктован ещё и сокращением антропогенного воздействия на климат. Помимо этого, движущая сила современного энергоперехода — уже не только потребители и финансовый сектор, как раньше, но и регуляторные меры. Четвёртый энергопереход сопровождается изменением структуры сетей: от вертикальной, где роли генерации, сетей и потребления жёстко определены, к горизонтальной, в которой каждый агент в сети может поставить объект локальной генерации (например, небольшие ветрогенераторы или солнечные панели) или систему накопления, что позволяет ему стать полноценным игроком электроэнергетического сектора. В результате в мультиагентных сетях возникает класс игровых задач, а применение алгоритмов машинного обучения может стать одним из основных инструментов их решения.
Темпы изменений климата достаточно высоки, и для предотвращения катастрофических последствий этих изменений требуются такие же темпы изменения энергосистемы, но быстро менять её сложно. В таких обстоятельствах искусственный интеллект помогает быстрее создавать новые технологии, материалы, модели, более эффективно использовать имеющиеся ресурсы и вместе с тем удешевлять энергию. Уже есть примеры успешного использования ИИ при энергопереходе: в системах предиктивной аналитики спроса и предложения, оценке погодных рисков и предиктивной аналитике оборудования, ИИ модели помогают трейдерам, с его участием создаются новые более дешёвые и ёмкие электрохимические накопители электротранспорта, которые к тому же можно спокойно перерабатывать.
В последнее время из-за высокой изменчивости цен на энергоносители, возросших политических и финансовых рисков и возникновения решений по распределённой генерации и системам накопления, большее внимание получают те направления энергоперехода, которые одновременно повышают энергобезопасность в данном регионе. Например, если говорить о локальной генерации, то решения из области возобновляемых источников энергии (ВИЭ), даже с учётом их изменчивости, лучше, чем дизельная генерация, если наблюдаются перебои с поставками. Одно из направлений для развития ВИЭ – источники энергии для труднодоступных мест, например, ветряная электростанция, которую, из-за небольшого размера и тишины работы, можно поставить даже на балконе. Или солнечные панели, способные в какой-то степени работать в затемнённых местах, в высокой влажности и при экстремальных температурах. Такие направления энергоперехода также требуют быстрых разработок, поэтому искусственный интеллект становится здесь большим помощником.
В энергетическом секторе ИИ сейчас используется как инструмент прогнозирования и поддержки принятия решений. Методы машинного обучения помогают эффективно планировать ремонты, оптимизировать цепочки поставок, прогнозировать поведение потребителей, погодные условия и другие факторы, влияющие на спрос на энергию. А генеративные модели помогают создавать оптимальные стратегии бережливого потребления энергоресурсов для компаний и индивидуальных потребителей.
Преимущества использования искусственного интеллекта для ускорения энергоперехода очевидны, но при этом сами нейросети также достаточно энергозатратны. По прогнозам, на них будет приходиться до 3-4% глобального энергопотребления, поэтому, проектируя вычислительные мощности для нейросетей, лучше сразу предусмотреть низкоуглеродные источники энергии.