随着越来越多的可再生能源电力并网，电网的稳定性和可靠性经受了严峻考验。在此背景下，以人工智能、机器学习为代表的数字化技术，正在不断激发和挖掘太阳能、风能等可再生能源的潜能。

近日，美国麻省理工学院和斯坦福大学领导的研究团队宣布，利用机器学习技术成功制造出了可达市场竞争水平的新一代太阳能电池板。事实上，数字化不仅可以为可再生能源技术革新提供助力，还能在可再生能源项目的投建、运营和维护方面发挥关键作用。

机器学习提升“风光”价值

据麻省理工和斯坦福研究团队的介绍，他们利用机器学习技术制造出了能量转换效率达18.5%的钙钛矿电池。

据了解，钙钛矿材料的电池板可以在室温下制造，不仅造价便宜，成品也更薄更轻、更易运输和安装，但是大规模制造此类电池板仍面临巨大挑战。

麻省理工指出，将钙钛矿材料从实验产品变成具有竞争力的量产产品，经历了漫长的研发过程。制造基于钙钛矿的太阳能电池板涉及同时优化至少十几个变量，应用了机器学习技术的新系统，加快了生产工艺的开发，提升了新一代太阳能电池的转换效率。

事实上，“风光”本身的多变性和间歇性使其成为不可预测的能源，无法保证在设定的时间可靠地提供电力。使用机器学习可以帮助运营商对电力输出如何满足电力需求进行更智能、更快速的评估和分析。

科技巨头谷歌旗下的前沿数字化技术公司DeepMind表示，基于天气预报和风机历史数据，利用机器学习技术可提前预测发电情况，从而实现最佳发电效果，为电网电力调度提供有价值的支撑，该公司估计，机器学习可以将风能的价值提高约20%。

人工智能让“风光”可预测

人工智能也是在可再生能源领域应用最广泛的技术之一。世界经济论坛去年发布的白皮书指出，人工智能是一款能够应对全球能源转型复杂性、提高系统效率，从而降低成本、加快转型速度的强大工具。

据了解，人工智能可以对可再生能源项目的厂址选择、建设、运营、维护，甚至发电能力进行全方位的分析，让“风光”变得更可预测。凭借人工智能，可以找到拥有最佳日照和风力资源且便于接入现有电网基础设施的厂址，并在开工建设后监管工程进度、优化设备运输，从而极大提高施工作业效率。

值得注意的是，预测太阳能电站和风电场的发电时间、发电量乃至电力需求仍比较困难和复杂，人工智能通过学习和分析历史气象数据、卫星云图、实时风速和日照强度、历史消费数据等信息，能够最大化实现对太阳能和风能发电情况和电力需求的预测，从而加快“风光”电力的更大规模普及。

英国数据分析和咨询公司ONYX Insight表示，运营和维护成本占风电场运营费用的60%，缺乏人工智能等数字化技术会导致风电场运营能力下降，无法提前检测到的小故障可能最终导致灾难性故障和严重的停机事故。该公司的一项统计显示，62%的风电行业利益相关者表示，通过数字解决方案，运营商可以节省长达10年的意外停机和计划外维修时间。

绿色能源转型离不开数字化技术

动力管理公司伊顿指出，利用数字化技术，“风光”可以实现按需供电，并将多余的电力输送回电网，同时运营商还能通过智能电源管理系统，掌控需求变化，帮助消费者享受更低电价。

事实上，除了机器学习、人工智能等耳熟能详的技术，5G、集中式计算机监控等技术也能在“风光”产业链条上提供从设备制造到选址建设，再到后期运营维护的“一条龙式”服务。

日立能源全球数字投资组合负责人Jamie Stapleton指出，数字化建设可以进一步推进可再生能源发电技术的成长，进而加速绿色能源转型。以风电行业为例，集中式计算机监控中心可以自动检测技术故障，并建立纠正措施来增强风电场的控制，减少相关的成本支出。

5G技术在风能领域也可以发挥意想不到的作用。比如，利用5G网络从风机传感器获取数据，并与现场的工程师和控制中心共享相关数据和信息，这样的自动化采集和智能化处理极大地降低了人力和时间成本。

值得关注的是，今年初，三一重能打造的中国首个5G全连接风电柔性智能工厂已经问世，这是国内首条风电总装脉动式柔性生产线，工厂内配置了工业机器人等自动化设备，将整体生产制造过程统一在一个全局运行的模型框架下。