Dữ liệu lớn trong ngành năng lượng tái tạo


Trần Khoa Trưởng
10 tháng trước
Hữu ích 7 Chia sẻ Viết bình luận 0
Đã xem 2508

Bài viết này được giới thiệu trong Hướng dẫn DZone mới  về Dữ liệu lớn: Khối lượng, Đa dạng và Vận tốc.  Nhận bản sao miễn phí của bạn cho các bài viết sâu sắc, số liệu thống kê ngành và nhiều hơn nữa!

Trong bài viết này, tôi sẽ xem xét làm thế nào dữ liệu lớn và AI có thể được sử dụng để cải thiện hiệu quả sản xuất năng lượng tái tạo và cung cấp cơ hội để giảm tiêu thụ điện.

Giới thiệu

Chúng tôi đã chứng kiến ​​một cuộc cách mạng toàn cầu trong việc sử dụng dữ liệu lớn để cải thiện hiệu quả trong sản xuất, bảo mật và chăm sóc sức khỏe, chỉ kể ra một vài ngành công nghiệp. Trong những năm gần đây, các vấn đề môi trường, đặc biệt là biến đổi khí hậu, đã thu hút sự quan tâm và được thảo luận rộng rãi. Liệu cách tiếp cận tương tự có thể được sử dụng để theo dõi năng lượng, mô hình hóa, phân tích và dự đoán để đạt được các mục tiêu năng lượng bền vững và để giảm khối lượng phát thải carbon dioxide đang gây ra sự nóng lên toàn cầu?

Sản xuất điện sạch và hiệu quả

Tại Hoa Kỳ, các nguồn năng lượng tái tạo tạo ra 17% điện năng được sử dụng và các tính toán cho thấy rằng các nguồn năng lượng mặt trời, gió, thủy điện và các nguồn năng lượng tái tạo khác là nguồn năng lượng tăng trưởng nhanh nhất thế giới theo Cục Năng lượng của Bộ Năng lượng Hoa Kỳ

Các nguồn năng lượng tái tạo cần được tăng cường để thay thế các nguồn năng lượng truyền thống chịu trách nhiệm về khí thải nhà kính trước khi quá muộn để đảo ngược các tác động đối với khí hậu ngày càng ấm lên của chúng ta. Để mở rộng quy mô, chúng cần phải hiệu quả nhất có thể và sự kết hợp giữa Dữ liệu lớn và trí tuệ nhân tạo có thể giúp ích. Trộn năng lượng tái tạo vào lưới điện tiện ích hiện tại đòi hỏi phải ước tính năng lượng sẽ đến từ các nguồn năng lượng mặt trời, gió và thủy điện để cơ sở hạ tầng hoạt động với ước tính, lập kế hoạch, định giá và vận hành thời gian thực phù hợp.

Dự đoán và tối đa hóa sản xuất điện mặt trời

Dữ liệu phát điện từ các mảng quang điện mặt trời phân tán (PV) đã phát triển nhanh chóng trong những năm gần đây, với công suất quang điện toàn cầu ước tính đạt hơn 1 terawatt công suất mặt trời trong vòng 5 năm tới, theo dữ liệu toàn cầu mới nhất.

Dữ liệu lớn được sử dụng để dự đoán chính xác các biến số khí tượng, kéo theo các nguồn và mô hình dữ liệu quan sát khác nhau, sau đó sử dụng các kỹ thuật thông minh tính toán để phân tích thời gian thực. Ví dụ, SunCast là một hệ thống từ Trung tâm nghiên cứu khí quyển quốc gia (NCAR) được sử dụng để cung cấp dự báo năng lượng mặt trời. Nó dựa trên các phép đo thời gian thực trong trường và dữ liệu vệ tinh cho các mẫu đám mây. Dự báo pha trộn một số mô hình và điều chỉnh chúng theo các quan sát lịch sử sử dụng học thống kê và một loạt các thuật toán trí tuệ nhân tạo.

Bạn có thể đã lái hoặc đi tàu qua một mảng lớn, nông thôn, quang điện. Nếu bạn sống trong một thị trấn, có lẽ bạn đã nhìn thấy các bảng PV trên mái nhà. Trong môi trường đô thị, đâu là nơi tốt nhất để xác định vị trí mảng PV? Một bài báo gần đây minh họa việc sử dụng nhận dạng hình ảnh và học máy để xác định các vị trí tốt nhất để đặt các mảng PV trên tầng thượng, cho phép các nhà ra quyết định địa phương đánh giá năng lực năng lượng mặt trời tiềm năng trong phạm vi quyền hạn của họ. Cách tiếp cận không yêu cầu sử dụng mô hình thành phố 3D và thay vào đó sử dụng dữ liệu xây dựng địa lý công cộng và hình ảnh trên không. AI tạo ra geodata và tạo ra tiềm năng mô phỏng và phát điện bức xạ, có thể được sử dụng để xác định các vị trí tốt nhất cho các bảng PV.

Vì các tấm pin mặt trời có thể được đặt ở những khu vực không thể tiếp cận, chủ sở hữu của chúng cần phải nhận thức được các yếu tố môi trường có thể ảnh hưởng tiêu cực đến hiệu quả của chúng và gây ra sự mất điện, như bóng, lá rơi, bụi, tuyết và chim. trong số những người khác. Học máy có thể được sử dụng để giám sát đầu ra từ các bảng riêng lẻ dưới dạng tập hợp dữ liệu chuỗi thời gian, với mô hình được đào tạo để phát hiện đầu ra bất thường và phân loại chúng. AI sau đó có thể chỉ ra một vấn đề trên bề mặt của một bảng cụ thể, sau đó có thể được lên lịch để kiểm tra và sửa chữa.

Dự đoán sản lượng tuabin gió

Năng lượng gió cung cấp một cơ hội đáng kể cho sản xuất điện trong tương lai và đang phát triển đáng kể mỗi năm. Một báo cáo cho thấy năng lượng gió có thể đạt gần 2.000 GW vào năm 2030, cung cấp từ 16,7-18,8% điện năng toàn cầu và giúp tiết kiệm hơn 3 tỷ tấn khí thải CO 2 , mặc dù đây là một dự đoán đầy tham vọng, và tôi khuyên bạn nên tham khảo báo cáo đầy đủ nếu bạn quan tâm đến các sắc thái liên quan.

Dự đoán năng lượng gió là cần thiết để điều khiển tuabin, theo dõi tải, quản lý hệ thống điện và kinh doanh năng lượng. Nhiều mô hình dự đoán năng lượng gió khác nhau đã được sử dụng kết hợp với khai thác dữ liệu. Có một số cách tiếp cận, chẳng hạn như cách tiếp cận vật lý (xác định), dựa trên dự báo thời tiết thấp hơn hoặc thời tiết bằng số liệu sử dụng dữ liệu dự báo thời tiết như nhiệt độ, áp suất, độ nhám bề mặt và chướng ngại vật. Một cách tiếp cận thống kê thay thế sử dụng một lượng lớn dữ liệu lịch sử mà không xem xét các điều kiện khí tượng và dựa vào trí thông minh nhân tạo (mạng lưới thần kinh, mạng lưới thần kinh) và phương pháp phân tích chuỗi thời gian. Một cách tiếp cận cuối cùng là một mô hình lai kết hợp cả phương pháp vật lý và thống kê.

Giảm tiêu thụ điện

Một số hộ gia đình hiện đã quen thuộc với khái niệm máy theo dõi năng lượng gia đình, bao gồm cảm biến, máy phát và màn hình cầm tay. Bộ cảm biến kẹp vào cáp nguồn được kết nối với hộp công tơ điện của bạn và theo dõi từ trường xung quanh cáp nguồn để đo dòng điện đi qua nó. Máy phát lấy dữ liệu từ cảm biến và gửi đến bộ phận hiển thị cầm tay, tính toán mức sử dụng năng lượng của bạn, chi phí và lượng khí thải nhà kính (tấn CO 2), giả sử điện là từ một nguồn không thể tái tạo. Bằng cách thu thập và phân tích dữ liệu từ một số lượng nhà đủ lớn, có thể xác định nơi tiết kiệm năng lượng có thể được thực hiện hoặc nơi có sự linh hoạt trong sử dụng ngoài giờ cao điểm. Người tiêu dùng sau đó có thể được tư vấn về cách giảm tiêu thụ, cắt giảm hóa đơn, tích hợp năng lượng tái tạo và giảm khí thải.

Ví dụ, tại một số tiểu bang ở Hoa Kỳ nơi thị trường năng lượng được bãi bỏ quy định, khách hàng có thể chọn giữa các nhà cung cấp năng lượng khác nhau, nhưng mỗi nhà cung cấp một mức giá và mức khuyến mại khác nhau, làm phức tạp lựa chọn. Học máy có thể được sử dụng trong một nền tảng web để giúp người tiêu dùng giảm thiểu hóa đơn của họ. Khi họ đăng ký, khách hàng nêu rõ sở thích năng lượng của họ (ví dụ giới hạn ở các nguồn bền vững) và mô hình học máy sử dụng đồng hồ thông minh để kiểm tra mô hình sử dụng của họ và đối chiếu với nhà cung cấp tốt nhất, tự động chuyển đổi chúng sang các nhà cung cấp khác nhau và kế hoạch năng lượng khi giao dịch tốt hơn phát sinh.

Tiêu thụ năng lượng của trung tâm dữ liệu

Mặc dù Big Data đang giúp đỡ trong vô số cách để tăng thế hệ năng lượng bền vững và giảm tiêu thụ, nhưng chính nó lại chịu trách nhiệm tiêu thụ một lượng năng lượng ngày càng tăng. Như Nature News đã đưa tin gần đây, việc sử dụng năng lượng của trung tâm dữ liệu năm 2018 đã vượt quá mức tiêu thụ năng lượng quốc gia của một số quốc gia. Hiện tại, các trung tâm dữ liệu chiếm khoảng 1% nhu cầu điện toàn cầu, nhưng việc sử dụng được dự đoán sẽ tăng nhanh trong những năm tới - đặc biệt nếu việc khai thác tiền điện tử chuyên sâu tính toán tiếp tục phát triển. Việc sử dụng trung tâm dữ liệu sẽ đóng góp đáng kể vào lượng khí thải carbon toàn cầu, vì chỉ khoảng 20% ​​lượng điện sử dụng trong chúng đến từ các nguồn tái tạo, theo Greenpeace.

Nguyên nhân chính của việc tiêu thụ năng lượng trong một trung tâm dữ liệu là làm mát, thường được thực hiện bởi máy bơm, thiết bị làm lạnh và tháp giải nhiệt. Theo truyền thống, rất khó để tối ưu hóa quá trình làm mát bằng tay vì sự phức tạp của các tương tác giữa các tổ hợp thiết bị cần thiết. Các quy tắc và chẩn đoán cần thiết cho mọi kịch bản rất khó xác định, đặc biệt khi các tương tác với môi trường xung quanh (như thời tiết) cũng được xem xét. Kết quả là các nhà khai thác của con người không thể tính toán các thay đổi đối với các cài đặt có thể đáp ứng đủ nhanh với các biến thể trong môi trường trung tâm dữ liệu để tối ưu hóa hiệu quả điện.

Để điều tra liệu AI có thể làm tốt hơn hay không, Google đã chuyển sang DeepMind và vào năm 2016, nhóm đã viết về một mô hình học sâu được đào tạo với dữ liệu cảm biến có thể dự đoán tác động của các yếu tố môi trường đến hiệu suất và mức tiêu thụ năng lượng. Mô hình đưa ra các khuyến nghị cho các nhà khai thác con người để đề xuất các cài đặt tối ưu hóa để cải thiện hiệu quả làm mát và do đó giảm mức tiêu thụ điện năng. Trong một trung tâm dữ liệu cụ thể của Google, mô hình đã ảnh hưởng đến việc giảm 40% mức sử dụng năng lượng để làm mát.

Cuối cùng

Dữ liệu lớn và AI đang thay đổi căn bản các mô hình sản xuất điện, giá cả và tiêu thụ, gây ra sự gián đoạn đáng kể trong ngành năng lượng. Những cách thức mới, thông minh hơn để giám sát, mô hình hóa, phân tích và dự đoán việc tạo và sử dụng năng lượng đang giúp chúng ta đạt được các mục tiêu năng lượng bền vững khi dân số toàn cầu đối mặt với thách thức môi trường chưa từng có.

Bài viết này được giới thiệu trong Hướng dẫn DZone mới  về Dữ liệu lớn: Khối lượng, Đa dạng và Vận tốc.  Nhận bản sao miễn phí của bạn cho các bài viết sâu sắc, số liệu thống kê ngành và nhiều hơn nữa!

Hữu ích 7 Chia sẻ Viết bình luận 0
Đã xem 2508