توسعه هوش مصنوعی در صنعت برق راهی برای مهار آلاینده‌ها

توسعه هوش مصنوعی در صنعت برق راهی برای مهار آلاینده‌ها محسوب می‌شود؛ فناوری‌های دیجیتال، به‌ویژه هوش مصنوعی، می‌توانند به یک عامل اساسی برای انتقال انرژی تبدیل شوند. تغییرات اقلیمی و تقاضای فزاینده ناشی از آن برای انرژی‌های تجدیدپذیر، بخش انرژی را با چالش‌های بزرگی مواجه کرده است. انرژی  تنها نباید از منابع پایداری مانند باد و خورشید به دست آید، بلکه این منابع نیز باید به طور مؤثرتری مورد بهره‌برداری قرار گیرند. زیرا اگرچه فناوری‌های فرار باد و خورشید می‌توانند بخش زیادی از نیازها را در روزهای بادی یا آفتابی پوشش دهند، اما در روزهای خاکستری و بدون باد، این نیاز باید با منابع انرژی سنتی مانند سوخت‌های فسیلی جبران شود.

توسعه هوش مصنوعی در صنعت برق راهی برای مهار آلاینده‌ها مورد توجه قرار گرفته است؛ زیرا بخش انرژی در سرتاسر جهان با چالش‌های فزاینده‌ای مرتبط با افزایش تقاضا، کارایی، تغییر الگوهای عرضه و تقاضا و کمبود تحلیل‌های مورد نیاز برای مدیریت بهینه مواجه است. این چالش‌ها در کشورهایی با اقتصاد توسعه‌نیافته حادتر است.

مسائل مربوط به بهره‌وری به‌ویژه مشکل‌ساز است، زیرا رواج اتصالات غیررسمی به شبکه برق به این معنی است که مقدار زیادی از برق نه اندازه‌گیری می‌شود و نه صورت‌ حسابی برای آن وجود دارد. امری که منجر به تلفات و همچنین انتشار دی‌اکسیدکربن بیشتر می‌شود، زیرا مصرف‌کنندگان انگیزه کمی برای استفاده منطقی از انرژی دارند. بخش برق در کشورهای توسعه‌یافته، شروع به استفاده از هوش مصنوعی و فناوری‌های مرتبط کرده که امکان ارتباط بین شبکه‌ها و کنتورهای هوشمند و دستگاه‌های اینترنت اشیاء را به وجود آورده است. این فناوری‌ها می‌توانند به بهبود مدیریت انرژی، کارایی و شفافیت و افزایش استفاده از منابع انرژی تجدیدپذیر کمک کنند.

تعادل بهینه بین عرضه و تقاضا در صنعت برق

به طور متناقض، به دلیل عدم قابلیت پیش‎بینی، حتی در روزهای بسیار آفتابی و بادی، مصرف انرژی غیرضروری وجود دارد: به عبارت دیگر، اگر انرژی بیش از میزان پیش‎بینی شده از طریق سیستم‌های انرژی خورشیدی و بادی تولید شود و اپراتورهای شبکه نتوانند به موقع واکنش نشان دهند، روش‌های سنتی، منابع  انرژی بسیار زیادی را به هزینه مصرف‎کنندگان تولید می‏کنند و در نتیجه مقدار زیادی دی‌اکسیدکربن اضافی نیز ایجاد می‌شود. توسعه هوش مصنوعی در صنعت برق راهی برای مهار آلاینده‌ها محسوب می‌شود؛ یکی از چالش های اصلی، امکان ایجاد تعادل بهینه بین عرضه و تقاضا است و دقیقاً برای این منظور یادگیری ماشینی با ترکیب دو عامل نقش کلیدی ایفا می‌کند: پیش‎بینی‌های قابل اعتماد برای منابع انرژی تجدیدپذیر و شبکه‌های هوشمند.

دستیابی به قابلیت پیش‌بینی در تولید برق با استفاده از توربین‌های بادی منجر به پیشرفت‌های بزرگی شده است: در حالی که در استرالیا  این عملکرد را می‎توان با دقت بالای ۸۰ درصد در طول سال پیش‎بینی کرد، در ایالات متحده با همکاری دولت، IBM فناوری پیش‎بینی را توسعه داده است که می‌تواند شرایط خورشید و باد را برای ۱۵-۳۰ روز آینده، پیش‎بینی کند. مثال دیگر شرکت هوش مصنوعی بریتانیایی DeepMind است که می‎تواند با استفاده از پیش‎بینی‌های آب ‎و هوا و داده‌های توربین‌های بادی، عملکرد توربین‌ها را از ۳۶ ساعت قبل به طور نسبتاً دقیق پیش‎بینی کند.

شبکه‌های هوشمند

شبکه‌های هوشمند مکمل پیش‏بینی‌های قابل اعتماد برای دستیابی به تعادل بهتر بین عرضه و تقاضا هستند. کنتورهای هوشمند می‎توانند داده‌هایی را در مورد مصرف انرژی در دستگاه‌های ترمینال تولید کنند که از طریق زیرساخت شبکه هوشمند ارتباط برقرار می‎کنند و در نهایت می‎توانند منجر به تامین کارآمدتر شوند. همچنین ممکن است در زمان‌های کم مصرف برق ارزان‌تر باشد، بنابراین مصرف‌کنندگان نهایی می‌توانند کارهای انعطاف‌پذیری را که نیاز به انرژی زیادی دارند، دوباره برنامه‌ریزی کنند.

یادگیری ماشینی به عنوان بخشی از راه‌حل

توسعه هوش مصنوعی در صنعت برق راهی برای مهار آلاینده‌ها به شمار می‌آید و به طور کلی پتانسیل بسیار زیادی در یادگیری ماشین و هوش مصنوعی برای مدیریت مشکل تعادل بین پیشنهاد و تقاضا در مسائل انرژی وجود دارد. علاوه‎بر دو حوزه اصلی پیش‌بینی‌های قابل اعتماد و شبکه‌های هوشمند، بسیاری از جنبه‌های دیگر نیز مطرح می‌شوند که پیشرفت‌های بزرگی در آنها قابل انتظار است، مانند جلوگیری از سرقت برق یا تشخیص و پیش‌بینی قطعی برق.

هوش مصنوعی چگونه می‌تواند به برق‌رسانی کمک کند

چیزهای کمی در این دنیای پیچیده، صاحب نظر و درهم و برهم وجود دارد که بتوان آن‌ها را به عنوان امور مثبت جهانی طبقه‌بندی کرد. یک استدلال قوی وجود دارد که توسعه برق، یکی از آن‌ها است.

بدیهی است که یکی از ذی‌نفعان اصلی افزایش برق‌رسانی، شرکت‌های تامین کننده برق خواهند بود. مؤسسه تحقیقات انرژی الکتریکی (EPRI) معتقد است افزایش بهره‌وری منجر به کاهش بارهای الکتریکی کلی در غیاب آنچه ابتکارات “الکتریک‌‌ سازی کارآمد” می‌نامد، خواهد شد. اما EPRI محاسبه می‌کند که دنبال کردن الکتریکی‌سازی منجر به رشد بار تجمعی بین ۲۴ تا ۵۲ درصد می‌شود.

اما اگر برق با جاه‌طلبی بیشتری برای به‌کارگیری همه‌چیز از ماشین‌های برقی، اتوبوس‌ها، پمپ‌های حرارتی و تجهیزات انبار، یا کشت محصولات در انبارهای بزرگ سرپوشیده، استفاده شود، خیلی اتفاقات خوبی می‌افتد.  چراکه توسعه هوش مصنوعی در صنعت برق راهی برای مهار آلاینده‌ها در آینده خواهد بود؛ آوریل گذشته، EPRI یک ارزیابی ملی الکتریسیته را منتشر کرد که اثرات اجتماعی، مشتریان و تأسیسات برق را که تا سال ۲۰۵۰ تا ۵۰ درصد از مصرف انرژی نهایی را تأمین می‌کند، تشریح کرد. نتایج این ارزیابی، افزایش کارایی و انعطاف‌پذیری شبکه، بهبود سلامت انسان به لطف کیفیت بهتر هوا، کاهش مصرف انرژی و هزینه های مصرف کننده و همچنین کاهش چشمگیر انتشار گازهای گلخانه‌ای، حتی در غیاب سیاست‌های آب و هوایی را نشان می‌دهد.

مزیت‌های استفاده از حمل‌و‌نقل برقی با هوش مصنوعی

مثال حمل‌ونقل برقی گویا است. از سال ۲۰۰۰، بخش انرژی الکتریکی انتشار دی‌اکسیدکربن خود را تا ۲۰٪ و معیارهای آلاینده‌های هوا را به میزان ۸۰٪ کاهش داده است. این بدان معنا است که خودروهای دارای باتری که توسط شبکه شارژ می‌شوند، هر سال آسیب کمتری به کیفیت هوا و اقلیم وارد می‌کنند و توسعه هوش مصنوعی در صنعت برق راهی برای مهار آلاینده‌ها خواهد شد.

اما بهره‌برداری از وعده‌ها و مزایای افزایش برق‌رسانی نیازمند ابزارهای جدیدی است تا به شرکت‌های برق کمک کند تا فرصت‌هایی را که از یک شبکه مدرن و متحول شده به دست می‌آیند، مدیریت، بهینه‌سازی و در نهایت کسب درآمد کنند. هوش مصنوعی (AI) یکی از ضروری‌ترین ابزارها برای استفاده از ابزارهای برقی است.

استفاده از هوش مصنوعی برای تشویق و بهینه‌سازی افزایش نیاز به خودروهای الکتریکی، مثال قدرتمندی از نحوه استفاده از اطلاعات سطح بار، برای ارائه مزایا به رانندگان خودروهای برقی و شرکت‌های برقی ارائه می‌کند. در حال حاضر، شتاب در مورد پذیرش EV در حال افزایش است. طبق گزارش بلومبرگ نیو انرژی فاینانس (BNEF)، فروش خودروهای برقی از ۱.۱ میلیون در سال ۲۰۱۷ به ۱۱ میلیون در سال ۲۰۲۵ و ۳۰ میلیون در سال ۲۰۳۰ افزایش خواهد یافت؛ امری که نشان می‌دهد توسعه هوش مصنوعی در صنعت برق راهی برای مهار آلاینده‌ها به شمار می‌آید.

Abhay Gupta، یکی از بنیانگذاران و مدیر اجرایی Bidgely، گفت: «بسیاری از اینها ناشی از این واقعیت است که خودروهای الکتریکی هر روز مقرون به‌صرفه‌تر می‌شوند. موتورهای احتراق داخلی در کوتاه‌ مدت نسبت به خودروهای الکتریکی گران‌تر خواهند شد. در واقع، تحقیقات BNEF در سال ۲۰۱۸ نشان داد که هزینه بسته باتری لیتیوم یونی در سال ۲۰۱۷ به طور متوسط حدود ۲۰۸ دلار در هر کیلووات ساعت بوده است. BNEF پیش‌بینی می‌کند تا سال ۲۰۳۰، هزینه به حدود ۷۰ دلار در هر کیلووات ساعت کاهش یابد. در همین گزارش پیش‌بینی می‌شود که خودروهای برقی تا سال ۲۰۲۴ به قیمت برابری با خودروهای احتراق داخلی خواهند رسید.

هوش مصنوعی می‌تواند برای تسریع پذیرش خودروهای الکتریکی مورد استفاده قرار گیرد و هنگامی که مردم آن‌ها را دارند، اطمینان حاصل کنند که رانندگان و شرکت‌های خدماتی بیشترین بهره را از لحاظ مالی از آنها می‌برند. نحوه عملکرد آن به این صورت است: هوش مصنوعی امکان تفکیک انرژی را فراهم می‌کند، که به سادگی روشی پیچیده برای گفتن این است که جزئیات دقیق مصرف انرژی دقیقه به دقیقه بارهای حیاتی در یک خانه را فراهم می‌کند. قابلیت مشاهده در شارژ EV – که ۸۰٪ آن در خانه انجام می‌شود، اطلاعاتی را ارائه می‌دهد که می‌تواند برای کمک به صاحبخانه، ابزار و شبکه به طور کلی استفاده شود.

تنظیم مصرف برق با هوش مصنوعی

توسعه هوش مصنوعی در صنعت برق راهی برای مهار آلاینده‌ها، با مشکلاتی نیز مواجه است؛ یکی از بزرگ‌ترین مشکلات این است که شبکه برق هرگز به گونه‌ای طراحی نشده است که ظرفیت تقاضای بالایی را در همان زمان داشته باشد. به عنوان مثال، اگر ۱۰ صاحبخانه در یک خیابان به طور هم‌زمان شروع به شارژ وسایل نقلیه خود با شارژر سریع کنند، به احتمال زیاد از ظرفیت ترانسفورماتور توزیع آن خیابان فراتر خواهیم رفت. هر سازنده خودرو قصد دارد خودروهای باتری دوربردی را عرضه کند که حتی با شارژ سریع نیز ۸ تا ۱۰ ساعت طول می‌کشد تا یک شبه شارژ شوند.

این به این معنی است که با توجه به استفاده از خودروهای برقی، گزینه تلنبار کردن شارژ خودرو برای چند ساعت، حتی برای شبکه کار نخواهد کرد. همانطور که تعداد و اندازه باتری خودروهای الکتریکی افزایش می‌یابد، نقش هوش مصنوعی این است که پیش‌بینی کند که برق  چند خانه در خیابان یا روی یک ترانسفورماتور در حال شارژ می‌شود و این شارژ چقدر طول می‌کشد؛ این پیش‌بینی با قیمت‌گذاری فوق‌العاده پویا ترکیب می‌شود تا قیمت فوق‌العاده پایین را در زمان‌هایی که وجود دارد، ارائه دهد.

ممکن است ظرفیت مازاد و قیمت فوق العاده بالا زمانی که تقاضای بیشتری دارید رخ دهد. نمونه‌ای از این قیمت‌گذاری Uber است، وقتی تقاضا زیاد است، قیمت‌های uber افزایش می‌یابد و کاربران می‌توانند تصمیم بگیرند که آن قیمت را بپردازند، یا از حمل‌ونقل جایگزین استفاده کنند یا ۳۰ دقیقه منتظر بمانند تا تقاضا کاهش یابد. این تنها یک راه‌حل پیشنهادی است، ممکن است راه‌حل‌های زیادی وجود داشته باشد – ترکیب تولید و ذخیره‌سازی باتری با شارژ، راه حل دیگری است.

به عنوان مثال، هوش مصنوعی می‌تواند به یک ابزار کمکی هشدار دهد که خانه‌ای دارای یک خودروی الکتریکی است با یک شارژر سطح یک که معمولاً باتری را از ساعت ۶ بعدازظهر شروع به شارژ می‌کند. هر شب. اگر می‌دانید که به‌عنوان یک ابزار کاربردی، از این ابزار استفاده می‌شود؛ می‌توانید کاربر را تشویق کنید تا یک تایمر روی شارژ خود بگذارد تا بتواند در نیمه‌شب که برق ارزان‌تر است به جای ساعت ۶ بعدازظهر، شارژ شود. یا حتی می‌توانید شارژر سطح دو را با تخفیف به آنها پیشنهاد دهید، که به شرکت امکان می‌دهد شارژر را کنترل کند. سپس این ابزار می‌تواند سیگنال‌های قیمت ارسال کند یا شاید حتی آن شارژر را کنترل کند تا به مدیریت بار شبکه کمک کند.

نتیجه‌گیری

همه اینها گزینه‌هایی هستند که از نظر مالی هم برای شرکت‌های برق و هم برای دارندگان خودروهای برقی سودمند هستند، اما گزینه‌هایی هستند که شرکت‌ها نمی‌توانند بدون اطلاعات دقیقی که هوش مصنوعی ارائه می‌کند، با اطمینان به مشتریان ارائه کنند. استفاده از قابلیت دید با هوش مصنوعی برای ارائه نرخ‌ها یا تخفیف‌های مناسب برای خودروهای برقی برای شارژرها به شرکت‌های برق کمک می‌کند تا از نظر اقتصادی آنچه را که اغلب ممکن است پرهزینه است، مدیریت کنند. توسعه هوش مصنوعی در صنعت برق راهی برای مهار آلاینده‌ها به شمار می‌آید که یکی از امیدواری‌های جهان آینده برای حفظ تعادل بین استفاده از انرژی و میزان مصرف است.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید