太阳能和风能正在蓬勃发展，但世界向可再生电力的过渡仍然太慢，无法快速实现气候目标。由于多种原因，在全球范围内利用风能和太阳能说起来容易做起来难。一是风力涡轮机和太阳能电池板是复杂、挑剔的工程系统，容易出现故障。频繁的故障会降低功率输出，并使风力和太阳能发电场的运营和维护成本高昂。英国赫尔大学的数据科学家JoyjitChatterjee表示，利用AI预测电力生产和组件故障的能力可以使可再生电力更便宜、更可靠，从而加快广泛采用。然而，它还没有像在电子商务、制造和医疗保健等许多其他领域那样得到应用。“人工智能可以对气候变化和可持续性产生真正的影响，”他说，“但在可再生能源领域的工作很少。”因此，Chatterjee和他的同事，赫尔大学计算机科学研究主任NinaDethlefs在最近的人工智能会议国际学习代表大会(ICLR)上召集了人工智能和可再生能源方面的专家。在《数据科学杂志模式》6月10日发表的一篇观点论文中，两人介绍了会议的关键信息，概述了限制人工智能对可再生能源影响的障碍，以及如何使用成熟和新兴的人工智能方法来克服这些障碍。公用事业规模农场的风力涡轮机和太阳能电池板都装有传感器，使操作员能够远程监控其发电量和健康状况。这些传感器包括振动传感器、温度传感器、加速度计和速度传感器。他们生成的数据提供了机会。根据历史生产和故障数据训练的AI模型可以预测风力涡轮机齿轮箱或太阳能电池板逆变器中的意外故障，帮助运营商为停电做好准备并计划日常维护。Chatterjee说，强化学习是一种令人兴奋的新机器学习技术，可以帮助改进这些模型。在强化学习中，算法在训练过程中与世界互动，接收关于奖励或惩罚决定的持续反馈，以学习如何实现特定目标。这种真实的互动可能来自人类。“人工智能的一个危险是它并不完美，”Chatterjee说。“我们可以有人参与，不断帮助完善AI模型。人们常常担心人工智能会接管人类的部分并做出决定。但人类需要与人类互动。”智能模型协作，共同优化决策支持模型。他补充说，关注自然语言生成（将数据转换为人类可读文本的过程）将提高对人工智能的信任并增加其使用。由于缺乏透明度，行业工程师不愿意使用研究人员创建的少数故障预测模型。为操作员提供简短、自然的语言消息将促进交互。对于AI社区，鉴于风能和太阳能行业的商业敏感性，创建更好模型的主要障碍是公开可用数据的数量有限。Chatterjee表示，除了业界不愿公开共享数据外，缺乏标准也会影响人工智能模型的发展。“世界不同地区的风电场运营商以不同方式管理数据，因此对于研究人员来说，资源的共同使用具有真正的优势。”挑战。为了解决这个问题，AI社区可以利用一种称为迁移学习的机器学习技术。通过识别数据中各种特征中的隐藏模式，该方法允许数据科学家将从解决机器学习任务中获得的知识迁移到另一个相关任务，从而在数据有限时更容易训练神经网络和开发深度学习模型.Chatterjee说：“这将帮助你仅在涡轮机X的模型上构建，即使在没有历史数据的情况下，开发涡轮机Y的模型。然而，神经网络并不总是答案。这些深度学习模型已经成为流行是因为它们传统上被改编为从图像和文本中学习。问题是，神经网络经常失败。此外，训练这些大规模、计算复杂的模型需要能源密集型的高性能计算基础设施，这在美国很难实现发展中国家。至少对于可再生能源领域，有时简单可能会很好。AI社区应该首先关注使用更简单的机器学习模型，例如决策树，看看它们是否有效。“通常不是每个问题都需要一个神经网络，”Chatterjee说。为什么要通过训练和开发计算上更复杂的神经网络来增加碳排放量？未来的研究需要在资源密集度较低的情况下进行d碳密集模型。“
