- Większość krajów nie obniża emisji dość szybko, by spowolnić zmiany klimatu
- ONZ dyskutuje, co zrobić, by zmniejszyć emisję gazów cieplarnianych
- Musimy przekształcić centralne sieci w nowoczesne, wielopoziomowe systemy
Zgodnie z porozumieniem paryskim z 2015 roku 193 kraje świata zobowiązały się do odważnych wyzwań, aby zmniejszyć tempo zmian klimatu. Jednak okazuje się, że większość krajów nie obniża emisji wystarczająco szybko.
Sztuczna inteligencja może nam przyjść na ratunek. Może przetwarzać ogromne ilości danych, aby systemy energetyczne były bardziej wydajne. Uczenie maszynowe może również pomóc zaoszczędzić energię i sprawić, że odnawialne źródła energii będą lepiej wykorzystywane. Wszystko zależy od nas i sposobu wykorzystania możliwości, jakie daje nam SI.
Wyzwania świata
„AI for Good” odbywający się pod koniec maja w Genewie to wiodący szczyt Organizacji Narodów Zjednoczonych na temat tego, jak wykorzystać siłę SI do poprawy życia na Ziemi. Podczas spotkania podkreślono konieczność zastosowania SI do rozwiązania palących problemów naszych czasów. Jednym z ważniejszych są zmiany klimatu, które w trakcie szczytu są omawiane w ramach ścieżki „AI for Space”. Ma ona określić projekty, które można opracować, używając sztucznej inteligencji, aby rozwiązywać problemy w skali lokalnej i globalnej. Na przykład przewidywanie, przygotowanie i łagodzenie skutków zmian klimatu.
Dane przetworzy maszyna
Porozumienie paryskie nałożyło na sygnujące je kraje obowiązek dbania o klimat. Oznacza to racjonalne zużycie energii i szukania jej alternatywnych źródeł. Ograniczenie emisji to z kolei prawie całkowita rezygnacja z energii z paliw kopalnych.
Christiana Figueres, odpowiedzialna za paryskie porozumienie klimatyczne, kilka dni temu w Toronto powiedziała, że Polska i inne kraje zależne od paliw kopalnych powinny wypracować mapę drogową całkowitego odejścia od węgla. Bo zostają w tyle w realizacji porozumienia.
Przyszłość może zmierzać do tego, że sieci przestaną być centralnie zasilanie, a konsumenci będą uczestniczyć w dystrybucji energii oraz jej wytwarzaniu z odnawialnych źródeł, dostosowując jej racjonalne wykorzystanie do swoich potrzeb
W 2020 roku, kraje zdadzą relację z poczynionych postępów w wypełnianiu porozumienia paryskiego. Chiny i Indie już wypełniły te zobowiązania. Stany Zjednoczone, mimo zapowiedzi o wycofaniu się z umowy, obniżają emisję gazów cieplarnianych dzięki zaangażowaniu sektora prywatnego.
Wielka Brytania od dwóch tygodni nie korzysta z energii pochodzącej ze spalania węgla. Jest on obecnie zabezpieczeniem podczas wysokiego zapotrzebowania. Anglicy korzystają z zielonej energii, głównie wiatrowej i słonecznej. Ponadto wysokie ceny węgla sprawiły, że stał się on mniej atrakcyjnym źródłem energii. Udział węgla w produkcji energii elektrycznej w Wielkiej Brytanii, wynosi obecnie około 10 procent. Kraj ten chce zamknąć ostatnie elektrownie węglowe do 2025 roku.
Decentralizacja sieci
Przyszłość może zmierzać do tego, że sieci przestaną być zasilane centralnie. Zaś konsumenci będą uczestniczyć w dystrybucji energii oraz jej wytwarzaniu z odnawialnych źródeł. W ten sposób będą mogli dostosowywać jej racjonalne wykorzystanie do swoich potrzeb. Przetwarzana będzie wówczas ogromna ilość informacji, wobec czego bez SI takie rozwiązanie po prostu nie zadziała.
„Algorytmy sztucznej inteligencji lub uczenia maszynowego mogą pomóc nam zarządzać tą złożonością i osiągnąć zerową emisję” – powiedział w rozmowie z Deutsche Welle Henrik Zimmermann, zajmujący się digitalizacją i zrównoważonym rozwojem środowiska z organizacji pozarządowej Germanwatch. Dane muszą być szybko zbierane i analizowane, do czego niezbędne są technologie cyfrowe.
Mieszkania połączone
Domy przyszłości, osiedla i dzielnice powinny być inteligentnie oszczędne i produkować energię. Dla przykładu Borderstep Institute w Berlinie wdrożył algorytmy predykcyjnego uczenia maszynowego. Zaoszczędził w ten sposób od 20 do 25 procent energii zużywanej do ogrzewania 250 mieszkań w stolicy Niemiec.
Korzystając z czujników umieszczonych wokół mieszkań i budynków, system może określić, kiedy mieszkańcy są w domu i zwiększyć temperaturę. Uczy się tego w czasie rzeczywistym, dostarczając dane elektrociepłowni.
Prototyp robi wrażenie
W innym projekcie niemieckiego Federalnego Ministerstwa Transportu, Budownictwa i Rozwoju Miast w 2011 r. uruchomiony został nowoczesny budynek przy berlińskiej Fasanenstraße 87a, w dzielnicy Charlottenburg. To nie tylko dom mieszkalny, ale także małe laboratorium. Był to projekt pilotażowy, wyłoniony w konkursie ministerstwa.
Wart 2,2 mln euro dwupiętrowy dom wolnostojący, produkujący energię został przetestowany w rzeczywistych warunkach. W budynku przez około rok mieszkała czteroosobowa rodzina. Okazało się, że może sam zasilać siebie i swoich mieszkańców, a także kilka pojazdów o średniej rocznej wydajności około 29 tysięcy km, wyłącznie energią pochodzącą z zielonych źródeł. Sześcian składa się z otaczającej ramy pokrytej czarnymi elementami fotowoltaicznymi.
Ograniczyć zużycie
Nie tylko przemysł i konsumenci indywidualni są odbiorcami dużych ilości energii. „Farmy serwerów” oraz centra superkomputerowe na całym świecie, zużywają 3 procent światowych zasobów do chłodzenia systemów. Giganci tacy jak brytyjska firma DeepMind, wywodząca się z Google opracowała już algorytmy, wpływające na obniżenie zużycia energii potrzebne do chłodzenia centrów danych Google o ok. 40 procent. Dla porównania przemysł całego świata zużywa jej 54 procent. Naukowcy już teraz zastanawiają się, czy i w tym sektorze dałoby się wykorzystać SI do wprowadzenia podobnych oszczędności. Przy takiej skali zużycia energii w przemyśle byłoby to przełomowe rozwiązanie.
Pod nadzorem algorytmów
Optymalizacja produkcji energii też może być z powodzeniem wspierana przez SI. Obniżanie kosztów wytwarzania, przewidywanie przestojów i zapobieganie awariom jest szczególnie ważne, a wykorzystanie modeli predykcyjnych może dać dobre efekty. Na przykład w projekcie Romeo finansowanym z programu Horyzont 2020 wykorzystywane jest do tego uczenie maszynowe.
Unia stawia na wiatr jako przyszłe ważne źródło energii. Dlatego w projekcie Romeo szczególny nacisk kładzie się na jak najefektywniejsze jego wykorzystanie. Modele, używające danych historycznych o napięciu, temperaturze, prędkości wiatru, wilgotności powietrza i innych (ponad 1000 różnego rodzaju wskaźników) są na razie trenowane. Po wdrożeniu i na bazie danych w czasie rzeczywistym będą wspierać prognozy zarówno możliwości produkcyjnych, jak i zapotrzebowania.
Romeo a Chiny
W tym projekcie SI próbuje również przewidywać potencjalne awarie drogich i kosztownych w naprawie turbin wiatrowych. Dzięki temu w przyszłości będzie można wyprodukować więcej tańszej zielonej energii.
Jest też przykład Chin, które już kilka lat temu wprowadziły SI do zarządzania energią odnawialną, by zredukować emisję smogu i dwutlenku węgla. Farmy wiatrowe w rejonie Pekinu korzystają z kamer skierowanych w niebo, by monitorować chmury i obliczać ich potencjalny wpływ na blokowanie promieni słonecznych. Czujniki umieszczone na turbinach wiatrowych sprawdzają prędkość wiatru, wilgotność i ciśnienie powietrza. Modele z 90-procentową trafnością kilka dni do przodu przewidują wydajność farm słonecznych i wiatrowych, a oszczędności idą w tysiące megawatów.
Kopaliny i wycieki
Sztuczna inteligencja już dziś pomaga przedsiębiorstwom energetycznym w dostępie do zasobów paliw kopalnych, które kiedyś były zbyt niedostępne. Google, Microsoft i Amazon sprzedają swoje usługi firmom naftowym i gazowym, aby pomóc im w wydobyciu paliw kopalnych, nowych zasobów węglowodorów – szczególnie gazu łupkowego i ropy naftowej. Precyzyjne i tańsze niż tradycyjne wykorzystanie wydajnych źródeł wymaga mapowania podziemnych zbiorników, a następnie dostosowywania metod wiercenia. Badacze odkryli też, jak użyteczna może być SI w ujawnianiu oraz przewidywaniu wycieków ropy czy metanu.
„Rządy i inne strony są odpowiedzialne za swoje działania, np. mapowanie dwutlenku węgla w odniesieniu do zgodności z porozumieniami klimatycznymi z Paryża. Przechodzimy od analizy historycznej do informacji w czasie rzeczywistym i coraz częściej będziemy się poruszać w kierunku modelowania prognostycznego. Korzystanie z SI oznacza, że możemy również oszczędzać czas przeznaczony na analizę danych przez człowieka i zadania dla analityków” – czytamy w raporcie podsumowującym ubiegłoroczny szczyt AI for Good w Genewie. Trwający obecnie, kończy się w piątek. Jednym z gości jest Ray Kurzweil.