自 1800 年代以来，能源转型一直在全球范围内发生。随着需求模式的转变和生产技术的成熟，世界见证了由工业革命推动的对煤炭的需求。在 1900 年代初期，这种供应基石逐渐让位于以原油为基础的能源生产。由于 1970 年代的全球石油危机，1980 年代迎来了向天然气的过渡。现在，这个词再次被政治重量级人物和金融奇才(如贝莱德的拉里·芬克)重新抹去并推向流行的白话。2021 年的 COP26 创建了一个将气候变化与绿色能源转型联系起来的全球平台;从仍占全球使用量 80% 以上的化石燃料转向风能等可再生能源。
风能是绿色能源转型解决方案集的关键组成部分，但绝不是一个新的组成部分。丹麦的 2 兆瓦 Tvindkraft 风力涡轮机于 1978 年开始发电!同样，加利福尼亚州的 Altamont Pass 风电场由 4,900 多台单独的风力涡轮机组成，于 1980 年代初开始运营。然而，2022 年的风能发展面临一系列新挑战，这些挑战反映了先进技术、政府补贴、商品市场动态以及可能具有讽刺意味的是逆历史趋势的天气模式的复杂全球拼凑。
参与风能生命周期不同阶段的利益相关者不禁要问，风电场的最佳选址在哪里?是否会有足够的风(或过多的风)来产生最佳的功率输出?我们如何才能最大化我们的财务回报?我们如何维护风电场的物理组件以延长寿命并减少停电?
现在，所有这些关键问题都可以依靠基于数学的解决方案来回答。具体而言，风能行业在风能开发和运营的各个方面都依赖机器学习 (ML)。这些自适应算法的有效性和准确性以质量数据为基础。正如老话所说，“垃圾进，垃圾出”，这在风电行业尤其如此。特定地点的历史数据，例如每小时最大和最小风速、阵风、风向、平均风速、风梯度/风斜，都在不同的高度，对于评估风力涡轮机的理想位置至关重要。自然，这种特定地点的数据并不存在于全球的每一英寸，包括海洋体。相反，风能开发商依赖于从附近代理站点收集的数据，或气象站，例如通常位于机场的政府控制的自动气象观测系统 (AWOS)。这些数据由美国国家气象局等政府机构汇总并提供给公众，包括风能开发商。私有气象雷达，例如 Climavision 的北美网络，增强了公开可用的数据集。
在这一点上，将依靠人工智能 (AI) 机器学习技术，根据作为技术组件和气象观测结果的副产品产生的功率输出来提高风电场选址的信心。被引入 ML 平台的代理数据每天都在增长，再加上最近的气候变化现象，ML 成为唯一一种现代可行的方法，可以自信地确定今天、明年和 10 年后风电场的选址. 不断更新选址模型的重要性不可低估，因为公用事业规模的风电场开发很复杂，并且可能需要数年的时间来获取土地/水资源、许可、承购谈判、采购和建设。一个典型的例子是 Deepwater Wind 的 Block Island 风电项目，
机器学习技术不仅对于完成项目选址等预 COD 活动至关重要，而且对于确保银行融资也至关重要。不乏为风电开发商提供长期债务解决方案的全球上市银行。事实上，近年来债务产品的供应有所增长，包括对冲基金、五三银行等区域性银行，以及由地方和联邦政府支持的纽约绿色银行等绿色银行。私人风能开发商(以及任何可再生能源开发商，就此而言)获得资金的一个关键因素是长期电价曲线。换句话说，在接下来的 20 年里，每个风力发电兆瓦时将在公开市场上支配多少钱?这个理论上的承购能源价格(可能包括电力和可再生能源信用)，银行通常需要像 Wood Mackenzie 或 DNV 这样的独立第三方来提供长期电价曲线。近年来，一些更加规避风险的银行甚至开始要求多条独立的长期电价曲线，这反映了运营风电场投资没有按照最初建模的电力和价格生产(想想 ERCOT 风力发电失败) 2020 年 2 月和 2021 年夏季英国/爱尔兰风力发电失败)。已成为创建长期电价曲线代名词的独立顾问团体传统上依赖 10 至 20 年的历史电价数据，再加上液态电力和天然气远期曲线来推动他们的前瞻性模型。现在范式正在转向包含近期历史价格数据的模型，
如果今天的风电项目确实完成了选址、许可、融资和建设开发过程，那么一旦达到商业运营日期 (COD)，机器学习就会与农场的整个生命周期产生新的关联。在 COD 点，利润最大化现在将与风电场组件利用风能发电的物理能力挂钩。拥有这些农场的独立电力生产商和公用事业公司需要确保设备处于良好的工作状态，停机时间有限，并且在适当的时间间隔对适当的部件进行维护。转子、变速箱、偏航驱动器、轴和叶片都在不断运动。就像汽车的发动机，这些运动部件需要定期进行预防性维护，以确保风电场的使用寿命达到并超过行业标准 25 年。将来自 GE、ABB 或施耐德电气等公司的实时现场 SCADA 系统与机器学习相结合，相当于一个物理运维计划，该计划由大量数据点、高完整性的清理数据丰富，并以令人难以置信的速度进行处理。超过 25 年的运行寿命现在是可以实现的。
我们当前的能源转型不仅见证了从化石燃料发电向风能等可再生资源的转变，而且现在正在发生一种次转型，即间歇性可再生能源与新兴的存储技术相结合。从电网弹性和优化的角度来看，由风电场和电池组成的现代化发电机队的影响是深远的。风电场现在可以从间歇性发电资源转变为基荷发电资源。公用事业、独立系统运营商和平衡机构可以更有效地匹配负荷与发电，加强电网性能并随后支持低价。独立的电力生产商现在可以产生，当批发电力市场提供实时和短期定价信号时，将电力存储并释放到电网上。像 Wood Mackenzie 这样的能源经理有责任使用机器学习来综合不断变化的区域发电、负载、传输、天气和价格数据输入，从而获得成功的财务优化策略的回报。机器学习有效地成为确定存储或释放风力发电的最有利可图的数量、位置和时间间隔的关键因素。
令人惊讶的是，自从最近人工智能和机器学习技术成熟以来，许多关键的风能开发过程——包括选址、银行融资、物理运营和财务优化——现在完全依赖于高度复杂的机器学习输出。机器学习不仅推动了风电场的成功发展，而且为全球能源转型提供了重要基础。
免责声明：本文由用户上传，如有侵权请联系删除！