AI如何优化电网：三个关键问题解析

人工智能近期因其快速增长的能源需求而频频登上头条，特别是支持最新生成式AI模型训练和部署的数据中心电力使用量激增。但这并非全是坏消息——一些AI工具有潜力减少某些形式的能源消耗，并促进更清洁的电网建设。

其中最具前景的应用之一是使用AI优化电网，这将提高效率，增强对极端天气的抗灾能力，并促进更多可再生能源的集成。为了深入了解这一话题，MIT新闻采访了Priya Donti，她是MIT电气工程与计算机科学系(EECS)的Silverman家族职业发展教授，也是信息与决策系统实验室(LIDS)的首席研究员，其工作专注于应用机器学习优化电网。

为什么电网需要优化

我们需要在每时每刻都保持输入电网的电力量与输出电力量的精确平衡。但在需求侧，我们面临一些不确定性。电力公司不会要求客户提前预登记他们将要使用的能源量，因此必须进行一些估算和预测。

然后，在供应侧，通常会有成本和燃料可用性的变化，电网管理者需要对此做出响应。由于来自太阳能和风能等时变可再生能源的能源集成，这已成为一个更大的问题，天气的不确定性可能对可用电力产生重大影响。同时，根据电力在电网中的流动方式，一些电力会通过电力线上的电阻热而损失。因此，作为电网运营商，如何确保这一切始终正常运行？这就是优化发挥作用的地方。

AI在电网优化中的最大用途

AI有助的一种方式是使用历史和实时数据的组合，对特定时间可用的可再生能源量做出更精确的预测。这可以通过允许我们处理和更好地利用这些资源来实现更清洁的电网。

AI还可以帮助解决电网运营商必须解决的复杂优化问题，以平衡供需的方式同时降低成本。这些优化问题用于确定哪些发电机应该发电，它们应该生产多少，以及何时应该生产，以及何时应该给电池充电和放电，以及我们是否可以利用电力负荷的灵活性。这些优化问题在计算上如此昂贵，以至于运营商使用近似值，以便在可行的时间内解决它们。但这些近似值往往是错误的，当我们将更多可再生能源整合到电网中时，它们会偏离得更远。AI可以通过以更快的方式提供更准确的近似值来提供帮助，这些近似值可以实时部署，帮助电网运营商响应性和主动性地管理电网。

AI在下一代电网规划中也很有用。电网规划需要使用庞大的仿真模型，因此AI可以在更高效地运行这些模型方面发挥重要作用。该技术还可以通过检测电网上可能发生异常行为的地方来帮助预测性维护，减少因停电而产生的低效率。更广泛地说，AI还可以应用于加速旨在创造更好电池的实验，这将允许将更多来自可再生能源的能源集成到电网中。

从能源部门角度如何看待AI的利弊

需要记住的重要一点是，AI指的是一套异构技术。使用的模型有不同的类型和大小，模型的使用方式也不同。如果你使用在较少数据量上训练的具有较少参数数量的模型，那么它消耗的能源将远少于大型通用模型。

在能源部门的背景下，有很多地方，如果你将这些特定应用的AI模型用于它们的预期应用，成本效益权衡对你有利。在这些情况下，这些应用从可持续性角度实现了好处——比如将更多可再生能源纳入电网并支持脱碳策略。

总的来说，重要的是要考虑我们对AI的投资类型是否真的与我们希望从AI获得的好处相匹配。在社会层面，我认为这个问题的答案现在是"否"。特定AI技术子集有很多开发和扩展，而这些不是在能源和气候应用中将产生最大效益的技术。我并不是说这些技术无用，但它们极其资源密集，同时也不负责能源部门可能感受到的大部分好处。

我很兴奋地开发尊重电网物理约束的AI算法，以便我们可以可信地部署它们。这是一个难以解决的问题。如果大语言模型说了一些稍微不正确的话，作为人类，我们通常可以在脑海中纠正它。但如果在优化电网时犯同样程度的错误，那可能会导致大规模停电。我们需要以不同的方式构建模型，但这也为我们从电网物理工作知识中受益提供了机会。

更广泛地说，我认为我们技术社区的人员将努力投向促进更民主化的AI开发和部署系统至关重要，并且这是以与实地应用需求一致的方式完成的。

Q&A

Q1：AI优化电网的主要作用是什么？

A：AI在电网优化中有三个主要作用：首先是通过历史和实时数据组合，更精确预测可再生能源的可用量；其次是解决复杂的供需平衡优化问题，提供更准确快速的近似值；最后是在下一代电网规划中提高仿真模型运行效率，并通过预测性维护检测异常行为。

Q2：为什么电网需要进行优化？

A：电网需要在每时每刻都保持输入和输出电力的精确平衡。需求侧存在用电量预测的不确定性，供应侧面临成本、燃料可用性变化，特别是太阳能、风能等可再生能源的天气不确定性影响。同时电力传输过程中还存在线路损耗问题，这些都需要通过优化来解决。

Q3：如何平衡AI发展与能源消耗的关系？

A：关键是要区分不同类型的AI技术。针对特定应用的小型模型比大型通用模型消耗更少能源，在能源部门应用时成本效益更合理。目前社会对AI的投资主要集中在资源密集型的技术上，而不是在能源和气候应用中能产生最大效益的技术，需要更加民主化和实用化的AI发展方向。