Nu kan kunstig intelligens forudsige klimaforandringer og levere bedre vindenergi

IT-giganter som Google, Microsoft og Apple anvender kunstig intelligens og algoritmer, og nu kan maskinlæring også være med til at forudsige klimaforandringer og udvikle bedre vindenergi.

Ved hjælp af kunstig intelligens kan virksomheder være med til at udvikle mere effektiv vindenergi og samtidig forudsige klimaforandringer. Fold sammen
Læs mere
Foto: Bax Lindhardt/Ritzau Scanpix

Flere virksomheder som Apple, Microsoft og Amazon har meldt sig ind i klimakampen, og mange gør ekstra indsatser for at levere mere klimavenligt og bruge grøn og vedvarende energi.

Nu kan nye teknologier som kunstig intelligens og mere målrettede algoritmer også hjælpe til at forudsige ændringer i klimaet, så mere effektive klimamodeller og vindmøller kan udvikles. Under samlebetegnelsen »maskinlæring« kan teknologien medvirke til, at vindenergi kan produceres bedre og mere effektivt.

»Maskinlæring består i nogle teknologier, der sammen med store datamængder kan hjælpe til at udvinde endnu mere klimavenlig og vedvarende vindenergi,« siger Kim Branner, professor på Institut for Vindenergi ved Danmarks Tekniske Universitet.

Anders Kofod-Petersen, professor i kunstig intelligens ved Norges Teknisk-Naturvidenskabelige Universitet

»Hvis man kan se mønstre, kan man se fremtiden, og hvis man kan se fremtiden, kan man gøre noget ved den.«


Maskiner kan lære at levere strøm

Maskinlæring handler i sin enkelthed om, hvordan maskiner kan programmeres til at spotte og forstå mønstre i data, som maskinen herefter »lærer« af og anvender i et videre arbejde. For eksempel kan man stille et billede af en kat foran en maskine, og gennem algoritmer kan maskinen så efterfølgende lære at identificere katte ud fra andre billeder, siger Zheng-Hua Tan, professor i maskinlæring ved Aalborg Universitet.

Uden at vide hvad et bestemt datasæt står for, kan en maskine altså nå frem til en generel regel, som den kan anvende på nye mængder data og dermed producere meningsfulde resultater ud fra det datasæt.

»Kort sagt er det en værktøjskasse, som man kan bruge til at se mønstre med. Hvis man kan se mønstre, kan man se fremtiden, og hvis man kan se fremtiden, kan man gøre noget ved den. Også når det kommer til vindenergi og klimaforandringer,« siger Anders Kofod-Petersen, vicedirektør i Alexandra Instituttet og professor i kunstig intelligens ved Norges teknisk-naturvidenskabelige universitet, NTNU.

Helt konkret kan virksomheder endvidere bruge værktøjskassen til at optimere ressourcefordeling, for eksempel ved at gøre robotter på fabrikker bedre eller udvikle et hurtigere og mere effektivt sundhedsvæsen, siger Sebastian Risi, der er professor i maskinlæring ved IT-Universitetet i København.

»I forhold til vindmøller og vindturbiner kan man bruge maskinlæring til at få bedre vindenergi. Hvis man kan forudsige vind, kan man optimere processen, ved at maskinen kan forudsige et bestemt tidsinterval for vindstyrke og dermed beregne, hvor meget energi den kan og skal producere,« siger Sebastian Risi.

Samme analyse foretager Jakob Stoustrup, prodekan på TECH-fakultetet ved Aalborg Universitet og ansvarlig for universitetets energiområde. Ifølge ham er maskinlæring en oplagt teknologi, hvor man helt konkret kan opnå større levetid og få mere energi ud af vindmøller, fordi de er i bedre stand til at forholde sig til de fysiske steder, de er placeret. Derfor er der stort økonomisk potentiale forbundet med maskinlæring i forhold til energiproduktion, siger han.

Princippet har dog stadig nogle mangler. Ifølge Sebastian Risi kan maskiner ikke lære af tidligere fejl, og desuden fungerer maskinlæring kun som beregnet, hvis de indputtede datasæt er balancerede og ikke er forudindtagede. Hvis man for eksempel ændrer i et par pixels i billedet af katten, kan man forvirre maskinen, og i større skalaer, såsom ved sundhedsvæsenet, kan det have alvorlige konsekvenser, hvis der sker fejl, siger han.

Kan øge vindenergiens værdi

En af de virksomheder, der i stigende grad satser på maskinlæring i forsøget på at udvinde mere effektiv og bæredygtig vindenergi, er teknologivirksomheden DeepMind, der ejes af Google. Mere konkret er virksomheden begyndt at anvende algoritmer i udviklingen af turbiner i vindmøller.

Via et neuralt netværk, der specifikt er sporet ind på vejrudsigter og tidligere data fra vindturbiner, kan systemet konfigureres til at forudsige vindstyrker i op til 36 timer, før de forekommer. Gennem disse forudsigelser kan modellen foreslå de mest optimale måder at levere energi til et energinetværk en hel dag forude. Dette er ifølge virksomheden vigtigt, fordi energikilder så kan blive skemalagt og dermed levere en bestemt mængde elektricitet ad gangen, hvilket er mere effektivt for netværket.

»Vi kan ikke udrydde enhver variabilitet i forhold til vinden, men vores hidtidige resultater indikerer, at vi kan bruge maskinlæring til at gøre vindenergi tilstrækkeligt mere forudsigeligt og værdifuldt,« skriver leder for det klimaneutrale energiprogram hos Google, Will Fadrhonc, i en blogpost om projektet.

Kim Branner, professor ved Institut for Vindenergi på Danmarks Tekniske Universitet

»Der hvor man kan få mest ud af det er i en kombination af en fysisk tilstedeværelse og nye datasæt som resultat af machine learning.«


Projektet er en del af virksomhedens nyeste satsningsområde for at udbygge den vedvarende energisektor. Google har tidligere sat et mål om, at 100 pct. af virksomhedens energi skal være vedvarende og grøn, og sidste år underskrev Google en kontrakt om at etablere tre vindmølleparker i Finland, der skal levere klimavenlig strøm til selskabets datacentre. Den nye satsning med maskinlæring har ifølge blogposten allerede gjort, at Google har maksimeret værdien af vindenergi med 20 pct.

Dermed melder DeepMind og Google sig ind i en voksende klub af virksomheder, der bruger kunstig intelligens og maskinlæring til at udvide energisektoren, såsom det britiske energiselskab BP.

Det er håbet, at DeepMinds nye tilgang til vedvarende energi via maskinlæring kan være med til at styrke virksomhedernes forretningsmæssige interesser inden for vindenergi og at optage mere klimaneutral energi i energinetværk verden over, skriver Will Fadrhonc endvidere i blogposten.

Ifølge Kim Branner kan projekter som det, Google og DeepMind lige nu står for, sandsynligvis være med til at skabe mere viden om klima og dermed udvikle mere effektiv vindenergi. Men det er vigtigt, at man ikke udelukkende fokuserer på maskinlæring, siger han, for det er først i synergien mellem traditionelle fysiske modeller og datasæt, at resultater kan skabes.

»Maskinlæring kan give nogle nye ideer til løsning af problemer, vi ellers ikke ved, hvordan vi skal løse, og det kan sammen med fysiske modeller være med til at forbedre klimamodeller, men det kan ikke stå alene,« siger han.