研究人員概述了利用人工智能如何幫助實現(xiàn)氣候目標(biāo)。

太陽能和風(fēng)力發(fā)電正在蓬勃發(fā)展，但世界向可再生電力的過渡仍然太慢，無法快速實現(xiàn)氣候目標(biāo)。由于許多原因，在全球范圍內(nèi)利用風(fēng)能和太陽能說起來容易做起來難。一是風(fēng)力渦輪機和太陽能電池板是復(fù)雜、挑剔的工程系統(tǒng)，很容易發(fā)生故障。頻繁的故障會降低電力輸出，并使風(fēng)電場和太陽能發(fā)電場的運營和維護成本高昂。

英格蘭赫爾大學(xué)的數(shù)據(jù)科學(xué)家Joyjit Chatterjee表示，利用人工智能預(yù)測電力生產(chǎn)和組件故障的能力，可以使可再生電力更經(jīng)濟、更可靠，以加快廣泛采用。然而，它并沒有像在電子商務(wù)、制造業(yè)和醫(yī)療保健等許多其他領(lǐng)域那樣被應(yīng)用于這一領(lǐng)域。“人工智能可能會對氣候變化和可持續(xù)性產(chǎn)生真正的影響，”他表示，“但與可再生能源領(lǐng)域相關(guān)的工作很少。”

因此，Chatterjee和他的同事、赫爾大學(xué)計算機科學(xué)研究主任Nina Dethlefs在最近的人工智能會議學(xué)習(xí)表征國際會議（International Conference on Learning Representations，ICLR）上召集了人工智能和可再生能源領(lǐng)域的專家。在6月10日發(fā)表在《數(shù)據(jù)科學(xué)雜志模式》上的一篇觀點論文中，兩人介紹了該會議的關(guān)鍵信息，概述了限制人工智能對可再生能源影響的障礙，以及如何使用成熟和新興的人工智能方法克服這些障礙。

公用事業(yè)規(guī)模農(nóng)場上的風(fēng)力渦輪機和太陽能電池板裝有傳感器，操作員可以遠(yuǎn)程監(jiān)控其發(fā)電和健康狀況。這些傳感器包括振動傳感器、溫度傳感器、加速計和速度傳感器。它們生成的數(shù)據(jù)提供了一個機會。根據(jù)歷史發(fā)電量和故障數(shù)據(jù)訓(xùn)練的人工智能模型可以預(yù)測風(fēng)力渦輪機齒輪箱或太陽能電池板逆變器中的意外故障，幫助操作員為停電做好準(zhǔn)備并計劃日常維護。

Chatterjee說，強化學(xué)習(xí)是一種令人興奮的新機器學(xué)習(xí)技術(shù)，可以幫助改進這些模型。在強化學(xué)習(xí)中，算法在訓(xùn)練過程中與世界互動，獲得獎勵或懲罰決策的持續(xù)反饋，以學(xué)習(xí)如何實現(xiàn)某些目標(biāo)。這種真實的互動可能來自人類。

“人工智能的一個危險是它并不完美，”Chatterjee說，“我們可以讓人參與，不斷幫助優(yōu)化人工智能模型。人們通常擔(dān)心人工智能會取代人的部分并做出決策。但人類需要與人工智能模型合作，共同優(yōu)化模型以獲得決策支持。”

他補充說，對自然語言生成（將數(shù)據(jù)轉(zhuǎn)換為人類可讀文本的過程）的關(guān)注將增強對人工智能的信任并增加其使用。由于缺乏透明度，行業(yè)工程師不愿意使用研究人員創(chuàng)建的少數(shù)故障預(yù)測模型。為操作員提供簡短的自然語言信息將促進交互。

對于人工智能社區(qū)來說，鑒于風(fēng)能和太陽能行業(yè)的商業(yè)敏感性，創(chuàng)建更好模型的一大障礙是公開可用的數(shù)據(jù)數(shù)量十分有限。Chatterjee說，除了行業(yè)不愿意公開共享數(shù)據(jù)外，缺乏標(biāo)準(zhǔn)也會影響人工智能模型的開發(fā)。“世界不同地區(qū)的風(fēng)電場運營商管理數(shù)據(jù)的方式不同，因此對研究人員來說，共同使用資源確實具有挑戰(zhàn)性。”

為了解決這個問題，人工智能社區(qū)可以利用一種稱為轉(zhuǎn)移學(xué)習(xí)的機器學(xué)習(xí)技術(shù)。通過識別數(shù)據(jù)中各種特征中的隱藏模式，該方法允許數(shù)據(jù)科學(xué)家將從解決一個機器學(xué)習(xí)任務(wù)中獲得的知識轉(zhuǎn)移到另一個相關(guān)任務(wù)，從而在數(shù)據(jù)有限時更容易訓(xùn)練神經(jīng)網(wǎng)絡(luò)和開發(fā)深度學(xué)習(xí)模型。Chatterjee說：“這將有助于你在僅針對渦輪機X的模型的基礎(chǔ)上，甚至在沒有歷史數(shù)據(jù)的情況下，開發(fā)渦輪機Y的模型。”

不過，神經(jīng)網(wǎng)絡(luò)并不一定總是答案。由于這些深度學(xué)習(xí)模型傳統(tǒng)上適用于從圖像和文本中學(xué)習(xí)，因此它們已變得流行。問題是，神經(jīng)網(wǎng)絡(luò)經(jīng)常會失敗。此外，訓(xùn)練這些大規(guī)模、計算復(fù)雜的模型需要消耗大量能源的高性能計算基礎(chǔ)設(shè)施，而這在發(fā)展中國家是很難實現(xiàn)的。

至少對可再生能源領(lǐng)域來說，有時簡單一點可能沒問題。人工智能社區(qū)應(yīng)該首先關(guān)注使用更簡單的機器學(xué)習(xí)模型，如決策樹，看看它們是否有效。Chatterjee說：“通常并非每個問題都需要神經(jīng)網(wǎng)絡(luò)。為什么要通過訓(xùn)練和開發(fā)計算更復(fù)雜的神經(jīng)網(wǎng)絡(luò)來增加碳排放量？未來的研究需要在更少的資源消耗和碳密集型模型上進行。”

審核編輯 ：李倩