英格兰赫尔大学的数据科学家Joyjit Chatterjee表示，利用人工智能预测电力生产和组件故障的能力，可以使可再生电力更经济、更可靠，以加快广泛采用。然而，它并没有像在电子商务、制造业和医疗保健等许多其他领域那样被应用于这一领域。“人工智能可能会对气候变化和可持续性产生真正的影响，”他表示，“但与可再生能源领域相关的工作很少。”
因此，Chatterjee和他的同事、赫尔大学计算机科学研究主任Nina Dethlefs在最近的人工智能会议学习表征国际会议（International Conference on Learning Representations，ICLR）上召集了人工智能和可再生能源领域的专家。在6月10日发表在《数据科学杂志模式》上的一篇观点论文中，两人介绍了该会议的关键信息，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克服这些障碍。
公用事业规模农场上的风力涡轮机和太阳能电池板装有传感器，操作员可以远程监控其发电和健康状况。这些传感器包括振动传感器、温度传感器、加速计和速度传感器。它们生成的数据提供了一个机会。根据历史发电量和故障数据训练的人工智能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，帮助操作员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，获得奖励或惩罚决策的持续反馈，以学习如何实现某些目标。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，“我们可以让人参与，不断帮助优化人工智能模型。人们通常担心人工智能会取代人的部分并做出决策。但人类需要与人工智能模型合作，共同优化模型以获得决策支持。”
他补充说，对自然语言生成（将数据转换为人类可读文本的过程）的关注将增强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。为操作员提供简短的自然语言信息将促进交互。
对于人工智能社区来说，鉴于风能和太阳能行业的商业敏感性，创建更好模型的一大障碍是公开可用的数据数量十分有限。Chatterjee说，除了行业不愿意公开共享数据外，缺乏标准也会影响人工智能模型的开发。“世界不同地区的风电场运营商管理数据的方式不同，因此对研究人员来说，共同使用资源确实具有挑战性。”
为了解决这个问题，人工智能社区可以利用一种称为转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一个机器学习任务中获得的知识转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：“这将有助于你在仅针对涡轮机X的模型的基础上，甚至在没有历史数据的情况下，开发涡轮机Y的模型。”
不过，神经网络并不一定总是答案。由于这些深度学习模型传统上适用于从图像和文本中学习，因此它们已变得流行。问题是，神经网络经常会失败。此外，训练这些大规模、计算复杂的模型需要消耗大量能源的高性能计算基础设施，而这在发展中国家是很难实现的。
至少对可再生能源领域来说，有时简单一点可能没问题。人工智能社区应该首先关注使用更简单的机器学习模型，如决策树，看看它们是否有效。Chatterjee说：“通常并非每个问题都需要神经网络。为什么要通过训练和开发计算更复杂的神经网络来增加碳排放量？未来的研究需要在更少的资源消耗和碳密集型模型上进行。”
