這家美國電力供應商的機器學習天氣和產出預測平台正在推動營收成長,同時推進該公司的再生風能、太陽能和能源儲存目標。
文/Paula Rooney·譯/林麗冠
美國公用事業和電力公司 AES 在2022 年中期推出一項再生能源計畫,該計畫不僅減少公司碳足跡,也增加了公司財富。為達成目標,這家位於維吉尼亞州阿靈頓的公司轉而運用機器學習,以協助預測再生資產的產出,同時建立一個自動化框架,以簡化公司在再生能源市場中的營運。它自稱是向企業銷售再生能源的頂級供應商。
這個名為 Farseer AI 發電預測和市場自動化計畫的專案,是由一些 AES 資料科學家與 Google 合作開發。該私有雲平台為AES 贏得 2024 年 CIO IT 領導力和創新獎,它把用於預測能源生成的 Farseer 預測分析和機器學習工具,與 AMART 相結合。AMART 是一個與 Farseer 協同運作的框架,鑑於因應波動的市場需求的過程是複雜和具有時效性的,AMART 將這個過程自動化,以提供營運支援。
[ 推薦文章:開源生成式 AI 必須注意的 10 大重點 ]
AES 與 Google 的夥伴關係已進入第五年 ─ 這種獨特的關係,將 Google 視為既是 AES 的技術供應商,也是一個客戶。「我們在每個新的工作區為 Google 建置解決方案,並使用他們的服務,」在 AES 清潔能源部門任職 14 年的數位長 Alejandro Reyes 說。這項夥伴關係也包括,由 Google 管理 AES 資料中心的私有雲平台。
Farseer 和 AMART 計畫於 2022 年 7 月展開,第一年產生 340 萬美元的收入,到 2023 年使收入增加 550 萬美元,該公司預測, 2024 年分析和機器學習平台的貢獻將增加到800 萬美元。對致力於減少這家市值 127 億美元的公司碳足跡,以達到 2050 年巴黎協定目標的永續發展計畫來說,這個成績相當不錯。
利用 AI 微調預測
AES 為了擴大在再生能源上的投資,展開更大幅的協同行動,Farseer 和 AMART 是其中一部分。例如,AES 收購紐約 Valcour 風能公司的六個風場,也在加州、亞利桑那州和美國其他幾個州以及巴西和阿根廷建造和營運太陽能發電場和儲存系統。這些投資進行之際,AES在其 2023 年度報告中聲稱,隨著生成式 AI 部署的擴大,預計美國企業資料中心的需求在未來三年內將大翻倍。
[ 推薦文章:【專訪】永進機械總經理陳伯佳 ]
但隨著更多再生能源加入其投資組合,天氣不確定性對 AES 構成更大的挑戰。Reyes 表示,Farseer 機器學習模型代表了該公司的一項重大進展,因為它分析大量的歷史天氣資料,以更勝以往的精準度預測風電場的產出。
「隨著反覆改進 Farseer,我們已經能夠使模型更精準,因為模型會查看歷史記錄並每天更新,」Reyes 指出。「它會提出次日的發電預測,然後我們得到實際資料,這些實際資料會進入歷史記錄,並繼續進一步改進次日模型提供給你的內容。」
IDC 能源洞察部門高級研究主任 John Villali 表示,AES 使用機器學習,展示了 AI 在再生能源預測上的重大價值。「分散式能源資源(DER)和再生資源的間歇性和不可預測產出的增加,已經提高了對先進的 AI 驅動能源預測模型的需求,」Villali 表示。
[ 加入 CIO Taiwan 官方 LINE 與 Facebook ,與全球CIO同步獲取精華見解 ]
「AI 驅動的能源預測可以在營運、交易和整合資源規劃等領域,為電力和公用事業部門提供幫助……並支援核心功能,例如長期資本規劃、短期和長期負載預測、發電機組的經濟調度、容量市場的競價策略、需求回應事件、減載、負載轉移等。(Villali 解釋說,分散式能源資源是一種小規模的發電機組,在本地運行,並在配電層面連接到更大的電網。)
Reyes 指出,AES 的 Farseer 模型可以對美國本土範圍內的任何 AES 資產進行預測。「我們不僅可以預測任何資產,而且有多種模型 ─ 長期、短期和日內 ─ 這些模型可以收集特定設施位置的所有天氣細節,」他說。「我們也從頭開始產生每個模型,因此它們不是大多數第三方預測公司使用的標準黑箱天氣模型,」他補充道。
永續精準度
一旦 Farseer 提出 AES 能在第二天提供的再生能源兆瓦數的明確估計,該專案的第二個層面 AMART 就會把處理波動市場需求的流程自動化,以最具成本效益的方式滿足配電需求。在實施 AMART 自動化框架之前,該流程是手動進行的,很容易發生人為錯誤。
最後,AES 收集可用的再生能源兆瓦數資料,並向商業市場提出報價。「提交的截止時間是下午 4 點,因此所有資料都會在早上產生並自動執行,然後我們再運行流程,」Reyes 指出。 「下午 4 點之前,我們將資料發送給商業營運團隊。」
Reyes 承認,機器學習模型作為日常預測和預報再生能源的基礎,具有很高的價值。「這個模型在我們的企業 AES Google 雲端平台環境上運行,從我們的資產收集實際的發電資料,以及從不同來源收集天氣資料作為輸入,然後用於機器學習模型中,以產生預測作為輸出。接著,這些預測結果會在 PowerBI 儀表板上向交易員顯示,並以其他格式向調度員顯示,好讓他們可以提交能源報告,」Reyes 說。
AES 正在美國和拉丁美洲擴展,預計今年底全面部署。Reyes 表示,那些客戶可能需要一些時間,才能夠了解機器學習模型的發展程度。
[ CIO都在讀:資訊長的 ESG 執掌以及相關系統導入現況 ]
「我們現在使用相同的模型,只是試著獲取資料,並試著讓這些國家的人們對結果感到滿意,因為這是一個過程,」Reyes 表示。「這是一個機器學習模型,但它具有一些學習能力。該模型正在根據提議的內容和可再生能源可用性實際情況調整結果,然後用這些來提供第二天的預測。
根據英國永續發展智庫 Ember 的數據,到 2023 年,再生能源 ─ 尤其是風能和太陽能 ─ 約佔全球電力的 30%,其中太陽能佔成長的 23%,風力發電佔 10%。美國能源資訊署聲稱,2022年非化石燃料能源將占美國能源消耗的 21%。
IDC 的 Villali 表示,能源產業約佔全球二氧化碳排放總量的 35% ─ 還有更多工作要做。「能源轉型是一項全球性的行動,從煤炭、石油和天然氣等傳統化石燃料,轉向風能、太陽能和儲能等更清潔的能源形式,」Villali 說。「整個能源產業的平均目標是在 2031 年至 2035 年期間實現淨零排放。這是一個雄心勃勃的目標,需要全球對再生能源進行大幅投資,並減少對化石燃料的依賴,才能實現這些目標。」
對 AES 而言,Farseer 和 AMART 已經產生效益。「隨著精準度的提高,我們看到的偏差會更少,最終能夠充分提高我們的利潤,」Reyes 表示,並補充說,這主要是因為,當其他模型根本無法產生預測時,Farseer 能夠為 AES 資產產生精準的預測。
「藉著改進再生能源發電預測,我們開始成為整體效率更高的再生能源公司,」他說。「我們也利用 AES 在再生能源領域的專業知識,而不是仰賴第三方供應商。」這一點也有助於使 IT 努力行動更具永續性。
(本文授權非營利轉載,請註明出處:CIO Taiwan)