Одним из первых применений DeepMind в Google было снижение и теперь контроль энергопотребления в своих центрах обработки данных. Google теперь использует машинное обучение для повышения эффективности ветряных электростанций, прогнозируя выработку ветровой энергии за 36 часов.
Два подразделения Alphabet совместно обучили нейронную сеть на прогнозах погоды и исторических данных турбин. Система DeepMind затем смогла «прогнозировать выработку ветровой энергии за 36 часов до фактической генерации».
Уменьшая изменчивость ветровой энергии, возобновляемый источник энергии становится «достаточно более предсказуемым и ценным», предоставляя операторам ветряных электростанций больше данных для оценки того, как удовлетворить предстоящий спрос на электроэнергию.
Основываясь на этих прогнозах, наша модель рекомендует, как оптимально выполнять почасовые обязательства по поставкам в энергосистему за полный день вперед. Это важно, потому что источники энергии, которые можно запланировать (то есть могут поставлять определенное количество электроэнергии в определенное время), часто более ценны для сети.
Алгоритм все еще дорабатывается, но Google отмечает, как машинное обучение — по сравнению с отсутствием временных обязательств перед сетью — «повысило ценность нашей ветровой энергии примерно на 20 процентов». Компания применяет эту оптимизацию к своим ветряным электростанциям в центральной части США, которые генерируют 700 мегаватт ветровой энергии.
На практике Google стремится сделать ветровую энергию лучшим и более ценным источником возобновляемой энергии, интегрируя машинное обучение. Улучшенные прогнозы на основе машинного обучения относительно производства ветровой энергии и спроса/предложения электроэнергии помогают снизить эксплуатационные расходы. В других подразделениях Alphabet Makani работает с Shell над развертыванием морских ветряных кайтов, которые легче и универсальнее ветряных турбин.