这家美国电力供应商的机器学习天气和输出预测平台正在推动收入增长，同时推进公司的可再生风能、太阳能和储能目标。
来源：亚历杭德罗·雷耶斯（ALEJANDRO REYES）/ AES
美国公用事业和电力公司AES 于 2022 年年中启动了一项可再生能源计划，该计划不仅减少了碳足迹，还增加了其金库的财富。
为了实现这一目标，这家总部位于弗吉尼亚州阿灵顿的公司声称是向企业销售可再生能源的顶级供应商，该公司转向机器学习来帮助预测可再生资产的产量，同时建立一个自动化框架，以简化公司为可再生能源市场提供服务的运营。
该项目被称为Farseer AI生成预测和市场自动化计划，由少数AES数据科学家与谷歌合作开发。该私有云平台为AES 赢得了 2024 年 CIO IT 领导力和创新奖，它将用于预测能源发电的 Farseer 预测分析和机器学习工具与 AMART 相结合，AMART 是一个与 Farseer 协同工作的框架，通过自动化那些复杂且时间敏感的流程来提供运营支持，以响应波动的市场需求。
【睿观：Farseer AI 是一个由 AES 数据科学家与谷歌合作开发的私有云平台项目。该项目结合了预测分析和机器学习工具，旨在为能源发电提供准确的预测，并通过自动化响应市场需求波动的复杂流程来支持运营。
一、专业解释
Farseer AI项目中的预测分析和机器学习工具能够处理大量数据，识别模式，并预测未来的能源需求和市场趋势。这些预测对于能源公司至关重要，因为它们需要根据预测来调整发电量，以满足需求并优化资源分配。
AMART（Automated Market Analysis and Response Tool，自动化市场分析和响应工具）是一个与Farseer 协同工作的框架。它利用 Farseer 的预测结果，自动执行一系列复杂的市场分析和响应流程。AMART 能够实时监控市场动态，并根据预设的规则和策略自动调整发电计划，从而帮助 AES 快速响应市场变化，提高运营效率。
二、打个比方
可以将Farseer AI 比作一个高级的导航系统，它能够根据实时交通数据（市场需求）预测最佳路线（发电计划）。而 AMART 就像是自动驾驶功能，它根据导航系统的预测（Farseer 的预测分析）自动调整驾驶策略（发电和市场响应），确保车辆（AES 的运营）能够高效、安全地到达目的地（满足市场需求）。
通过这种结合预测分析和自动化的方法，AES能够更灵活、更快速地应对市场变化，从而在竞争激烈的能源市场中保持领先地位。】
AES与谷歌合作已进入第五个年头，这种独特的关系将谷歌视为AES的技术提供商和客户。
“我们在每个新的工作空间上都为Google 构建解决方案，并使用他们的服务，”AES Clean Energy 首席数字官 Alejandro Reyes 说，他在那里工作了 14 年。作为该合作伙伴关系的一部分，谷歌在其数据中心运营AES的私有云平台。”
Farseer和 AMART 计划于 2022 年 7 月启动，第一年就产生了 340 万美元的收入，在 2023 年贡献了 550 万美元的增长，该公司预测分析和机器学习平台的贡献将在 2024 年增加到 800 万美元。对于一项旨在减少 $12.7B 公司的碳足迹以到 2050 年实现《巴黎协定》目标的可持续发展计划来说，这还不错。
【睿观：Farseer 相当于一个“智能大脑”，它使用预测分析和机器学习方法来处理大量数据，预测未来的生产需求和市场趋势。AMART 就像是智能工厂中的“自动化设备”，能够根据智能大脑（Farseer）的预测结果，自动进行生产调整和市场响应，因此无需人工干预即可迅速适应市场变化。这种智能化和自动化的结合，不仅让工厂更高效运营，增收节支，还减少了浪费（即碳排放），最终实现可持续发展目标。
一、财务成果：
1.在项目启动的第一年（2022年），Farseer和 AMART 产生了 340 万美元的收入。
2.到2023 年，这两个工具共计贡献了 550 万美元的收入增长。
3.公司预计到2024 年，Farseer 和 AMART 将带来 800 万美元的收入。
二、技术贡献：
1.Farseer：这一预测分析和机器学习工具通过处理大量的数据来预测市场需求和能源发电需求。这使得AES 能够更精准地计划资源分配，从而提高运营效率。
2.AMART：该框架与Farseer 协同工作，自动执行那些复杂且时间敏感的市场分析和响应流程。通过自动化这些步骤，AES 可以更快速地调整其运营策略，以响应市场波动。
三、可持续发展目标：
1.AES是一家市值 127 亿美元的公司，正在努力通过其可持续发展计划减少碳足迹。
2.Farseer和 AMART 项目结合起来，不仅提升了公司的运营效率和收入，还支持了更加高效的能源管理和市场响应，从而有助于减少碳排放。
3.这些举措符合AES 的长期目标，即到 2050 年实现《巴黎协定》的碳减排目标。】
一、使用 AI 微调预测
Farseer和 AMART 是 AES 扩大其在可再生能源领域的投资的更大共同努力的一部分。例如，该公司收购了Valcour Wind Energy在纽约的六个风电场，并在加利福尼亚州、亚利桑那州和美国其他几个州以及巴西和阿根廷建设和运营太阳能发电场和储能系统。正如该公司在其 2023 年年度报告中声称的那样，随着生成式 AI 部署的扩大，预计未来三年美国企业数据中心的需求将大约翻一番。
但随着更多可再生能源加入其产品组合，天气不确定性成为AES面临的更大挑战。雷耶斯说，Farseer机器学习模型代表了该公司的一项重大进步，因为它分析了大量的历史天气数据，以比过去更高的准确性预测风电场的产量。
“当我们使用Farseer 进行迭代时，我们已经能够使模型更加准确，因为模型每天都在查看历史记录和更新，”Reyes 指出。“它提出了第二天的预测值，然后我们得到实际值，实际值进入历史记录，并继续进一步完善模型在第二天给你的东西。
IDC能源洞察高级研究总监John Villali表示，AES对机器学习的使用证明了人工智能在可再生能源预测中的重要价值。
Villali说：“分布式能源 [DER] 和可再生资源的间歇性和不可预测的输出增加了对先进的人工智能能源预测模型的需求。“人工智能驱动的能源预测可以在运营、贸易和综合资源规划等领域帮助电力和公用事业部门......还支持核心功能，如长期资本规划、短期和长期负荷预测、发电机组的经济调度、容量市场投标策略、需求响应事件、负荷削减、负荷转移等。”
Villali解释说，DER是一种小型发电装置，在当地运行，并在配电层面连接到更大的电网。
雷耶斯指出，AES的Farseer模型可以对美国大陆的任何AES资产进行预测。他说：“我们不仅可以预测任何资产，而且我们有许多模型——长期、短期和当天——这些模型可以捕捉到特定于设施位置的所有复杂天气。
“我们还从头开始生成了这些模型，因此它们不是大多数第三方预报公司使用的标准黑匣子天气模型，”他补充道。
二、可持续精度
据AES称，一旦Farseer提供了AES第二天能够提供的兆瓦级可再生能源的靠谱预测，该项目的第二个方面AMART将自动化市场需求波动的过程，以最具成本效益的方式满足配电需求。在实施AMART自动化框架之前，该过程是手动的，并且极易出现人为错误。
最后，AES获取兆瓦级的数据输出，并向商业市场提供报价。“提交的截止时间是下午4 点，因此所有数据都是在早上生成和自动化的，我们运行流程，”雷耶斯指出。“在下午 4 点之前，我们将数据提供给商业运营团队。”
雷耶斯承认机器学习模型的高价值是每天预测可再生能源的基础。
“该模型在我们的企业AES Google Cloud Platform环境中运行，从我们的资产中收集实际的发电数据和来自不同来源的天气数据作为输入，然后在机器学习模型中使用，以生成预测作为输出，然后在PowerBI仪表板上呈现给交易员，并以其他格式呈现给调度员，以便他们可以进行能源提交，“雷耶斯告诉CIO.com。
AES正在美国和拉丁美洲扩展，预计到今年年底将全面部署。雷耶斯说，这些客户可能需要一些时间才能体会到机器学习模型的发展情况。
雷耶斯说：“我们现在使用相同的模型，只是试图获取数据，并试图让这些国家的人们对结果感到满意，因为这是一段旅程。“这是一个机器学习模型，但它有一些学习经验。该模型正在根据提议的内容和[可再生能源可用性]的实际情况来调整结果，然后使用它来给出第二天的预测。”
根据总部位于英国的可持续发展智库Ember 的数据，2023 年可再生能源（尤其是风能和太阳能）约占全球电力的 30%，其中太阳能占增长的 23%，风力发电占 10%。美国能源信息署声称，2022 年非化石燃料能源占美国能源消耗的 21%。
IDC的 Villali 表示，能源行业约占全球二氧化碳排放总量的 35%，还有更多工作要做。
“能源转型是一场全球运动，从煤炭、石油和天然气等传统化石燃料转向更清洁的能源形式，如风能、太阳能和储能，”维拉利说。“平均而言，整个能源行业的目标是在2031-2035年的时间范围内实现净零排放。这是一个雄心勃勃的目标，需要全球对可再生能源进行大量投资，并减少对化石燃料的依赖才能实现这些目标。”
对于AES，Farseer和AMART已经支付了红利。
“随着精度的提高，我们看到的偏差更少，最终能够最大限度地提高我们的底线，”雷耶斯说，并补充说，这在很大程度上是由于Farseer 能够在其他模型根本无法生成预测时为 AES 资产生成精确预测。
“通过改进可再生能源发电预测，我们正在成为一家更高效的可再生能源公司，”他说。“我们还利用AES在可再生能源领域的专业知识，而不是依赖第三方供应商，”这也有助于使IT工作更具可持续性。
