Хотя растущий спрос на энергию, связанный с искусственным интеллектом, вызывает беспокойство, некоторые методы также могут помочь сделать электросети более экологичными и эффективными. 
Прия Донти, профессор электротехники и информатики в Массачусетском технологическом институте, изучает, как машинное обучение может повысить эффективность и устойчивость энергосистемы. Фото: Адам Гланцман
Искусственный интеллект в последнее время привлекает к себе внимание из-за стремительного роста энергопотребления, и особенно из-за резкого увеличения потребления электроэнергии центрами обработки данных, которые обеспечивают обучение и развертывание новейших моделей генеративного ИИ. Но не все так плохо — некоторые инструменты ИИ потенциально могут снизить некоторые виды энергопотребления и способствовать созданию более чистых энергосетей.
Одно из наиболее перспективных применений — использование ИИ для оптимизации энергосистемы, что позволит повысить эффективность, устойчивость к экстремальным погодным условиям и обеспечить интеграцию большего количества возобновляемых источников энергии. Чтобы узнать больше, MIT News поговорил с Прией Донти, профессором кафедры электротехники и компьютерных наук (EECS) имени семьи Сильверман и ведущим исследователем в Лаборатории информационных и систем принятия решений (LIDS), чья работа сосредоточена на применении машинного обучения для оптимизации энергосистемы.
В: Зачем вообще нужна оптимизация энергосистемы?
А: Нам необходимо поддерживать точный баланс между количеством электроэнергии, поступающей в сеть, и количеством электроэнергии, вырабатываемой в каждый момент времени. Но со стороны спроса существует некоторая неопределенность. Энергетические компании не просят потребителей заранее регистрировать количество потребляемой ими энергии, поэтому приходится проводить некоторые оценки и прогнозы.
Затем, со стороны предложения, обычно наблюдаются колебания цен и доступности топлива, на которые должны оперативно реагировать операторы энергосистемы. Эта проблема стала еще более актуальной из-за интеграции энергии из возобновляемых источников с изменяющимися во времени параметрами, таких как солнечная и ветровая энергия, где неопределенность погоды может существенно повлиять на объем доступной электроэнергии. В то же время, в зависимости от того, как электроэнергия циркулирует в сети, происходит некоторая потеря энергии из-за тепловыделения на линиях электропередачи. Итак, как оператору энергосистемы обеспечить бесперебойную работу всего этого? Вот тут-то и вступает в дело оптимизация.
В: Каким образом ИИ может быть наиболее полезен для оптимизации энергосистемы?
А: Один из способов, которым ИИ может быть полезен, — это использование комбинации исторических данных и данных в реальном времени для более точных прогнозов относительно того, сколько возобновляемой энергии будет доступно в определенный момент времени. Это может привести к созданию более чистой энергосистемы, позволяя нам более эффективно управлять этими ресурсами и использовать их.
Искусственный интеллект также может помочь в решении сложных задач оптимизации, которые операторы электросетей должны решать для балансировки спроса и предложения таким образом, чтобы снизить затраты. Эти задачи оптимизации используются для определения того, какие генераторы должны производить электроэнергию, в каком количестве и когда, а также когда следует заряжать и разряжать батареи и можно ли использовать гибкость в распределении электроэнергии. Эти задачи оптимизации настолько ресурсоемки с точки зрения вычислительных затрат, что операторы используют приближения, чтобы решить их за приемлемое время. Но эти приближения часто оказываются неверными, и по мере интеграции большего количества возобновляемой энергии в сеть они еще больше искажаются. ИИ может помочь, предоставляя более точные приближения быстрее, которые могут быть развернуты в режиме реального времени, чтобы помочь операторам сети оперативно и проактивно управлять сетью.
Искусственный интеллект также может быть полезен при планировании энергосетей следующего поколения. Планирование энергосетей требует использования масштабных имитационных моделей, поэтому ИИ может сыграть важную роль в повышении эффективности их работы. Технология также может помочь в прогнозировании технического обслуживания, выявляя места, где вероятны аномальные явления в сети, что снижает неэффективность, возникающую из-за отключений. В более широком смысле, ИИ также может быть применен для ускорения экспериментов, направленных на создание более совершенных батарей, что позволит интегрировать больше энергии из возобновляемых источников в энергосеть.
В: Как следует оценивать преимущества и недостатки ИИ с точки зрения энергетического сектора?
А: Важно помнить, что ИИ представляет собой гетерогенный набор технологий. Используются модели разных типов и размеров, а также разные способы их применения. Если вы используете модель, обученную на меньшем объеме данных с меньшим количеством параметров, она будет потреблять гораздо меньше энергии, чем большая универсальная модель.
В контексте энергетического сектора существует множество областей, где использование специализированных моделей ИИ для конкретных задач приводит к выгодному соотношению затрат и выгод. В таких случаях приложения обеспечивают преимущества с точки зрения устойчивого развития — например, позволяют интегрировать больше возобновляемых источников энергии в энергосистему и поддерживают стратегии декарбонизации.
В целом, важно задуматься о том, соответствуют ли инвестиции в ИИ тем преимуществам, которые мы от него ожидаем. На общественном уровне, я думаю, ответ на этот вопрос сейчас — «нет». Сейчас активно разрабатывается и расширяется определённая группа технологий ИИ, и это не те технологии, которые принесут наибольшую пользу в энергетическом и климатическом секторах. Я не говорю, что эти технологии бесполезны, но они невероятно ресурсоёмки и при этом не несут львиную долю выгод, которые могли бы быть ощутимы в энергетическом секторе.
Я рад возможности разработать алгоритмы искусственного интеллекта, которые учитывают физические ограничения энергосистемы, чтобы мы могли их надежно внедрять. Это сложная задача. Если модель LLM содержит незначительную неточность, мы, люди, обычно можем исправить это в уме. Но если допустить такую же ошибку при оптимизации энергосистемы, это может привести к масштабному отключению электроэнергии. Нам нужно строить модели по-другому, но это также дает возможность извлечь выгоду из наших знаний о том, как работает физика энергосистемы.
В более широком смысле, я считаю крайне важным, чтобы мы, представители технического сообщества, направили свои усилия на содействие более демократичной системе разработки и внедрения ИИ, и чтобы это делалось таким образом, который соответствовал бы потребностям реальных приложений.
Источник: news.mit.edu
