机器学习如何提高能量消耗

智能电网

在世界上许多地方，能源通过分配器产生并分散在电网上，导致环境和经济上的浪费。有了机器学习，网格可以被转换成更像神经网络的模型，具有双向通信通道和更强的存储能力。

电网运营商将能够使用机器学习来为单个存储单元建模米和传感器。In addition to large-scale grid transformation, the millions of smaller buildings that produce tiny amounts of energy and store it in hydrogen can be added to the network to send excess electricity across continents for others’ use, similar to the way media formerly had to be stored digitally and can now be shared across the cloud.

收集和消费

在能量达到电网之前，机器学习能够彻底改变它收集的方式。被动太阳能和风速的详细预测可以提高用于收集太阳能和风能的系统的效率和可靠性。例如，在风电场的系统中，能够考虑风的速度和方向，并相应地调节叶片和转子的角度和速度，以最大化农场的摄入量，同时驱动成本。

在电网的另一端，它可以根据节假日和天气状况等变量准确预测需求，从而了解人们什么时候可能消耗更多能源。通过对能源收集和运输前后的供需都有了解，可以大大减少浪费和成本。

数字双

在能源和其他行业，机器学习被吹捧为维护的天赐之物，它能在用户需要采取行动之前很久就提醒他们潜在的问题。例如，我们的一个合作伙伴使用机器学习技术来理解重型机械的发动机行为，了解机器何时处于次优运行状态，并在问题发生前进行评估。在能源中，预测性维护可以防止短缺和停电，为供应商和用户节省数百万美元和无尽的麻烦。

GE在其示例中开发了数字双胞胎，一个精确的数字复制品，涡轮它配备了算法和语音，可以在任何时候呼叫用户。twin可以评估历史数据、机群中的其他涡轮机以及对应涡轮机上压力的经验知识，然后与用户交流，找到通常简单的预防性解决方案，这将继续为GE及其客户节省数百万美元的停机时间。

优化通过合作

通用电气、其他能源和重工业领先者以及机器学习研究小组一直在努力应对这些挑战，但在高度集中的网络中实施变革并非易事。初创公司和这些传统组织之间的合作，使这两个团体能够通过创新的机器学习技术更好地服务于市场，并激发一个优化传统网格的新网络。

的全球电子可持续发展倡议(GeSI)发现信息和通信技术可以通过机器学习的解决方案将全球二氧化碳排放量减少20％，并在同一时间段内将电力支出减少1.2万亿美元，燃油费用1.1万亿美元。这种景观作为早期投资者和这个空间的初创公司的令人难以置信的机会，不仅可以摇动一个需要中断的行业，而且具有积极的全球影响，社会，环保和经济。

所有IoT Agenda网络贡献者都对其帖子的内容和准确性负责。意见是作者的，不一定传达物联网议程的想法。