风能和太阳能发电场难以预测公用事业公司正寻求改变这一现状——《华尔街日报》

作者：迪特尔·霍格2022年10月12日上午10:00（美国东部时间）|WSJ专业版法国能源公司Engie SA与谷歌合作开展试点项目，旨在预测德国部分风电场的发电量。图为法国圣伊莱尔莱康布雷的Engie风力发电机。图片来源：帕斯卡尔·罗西尼奥尔/路透社不可预测的天气长期以来使风能和太阳能发电变得复杂。如今，尽管存在波动，各公司正转向日益复杂的计算机模型以降低成本并更高效地生产能源。

与煤炭、天然气或核电站相比，风能和太阳能设施产生的数据量令人眼花缭乱，公用事业公司正努力将其投入使用。每个太阳能电池板和每台风力涡轮机都会发送自己的电力输出数据，这与传统发电厂不同。

公用事业公司可以轻松地说出他们能从煤炭、天然气或核电站提供多少电力，因为他们可以调整输出。这对于风能和太阳能发电场来说要困难得多，因为它们依赖于每天（如果不是每小时）都在变化的阳光和风。行业将这个问题称为间歇性，或可再生能源全天发电量的不确定性。

当美国和欧盟等地区的电力供应商提供的能源比预测的少或多时，他们通常需要为不准确性支付费用，这在欧盟被称为不平衡价格。这些费用——对于大型可再生能源组合来说，每年可能高达数百万美元——在风能和太阳能发电中很常见。公司正试图通过更好的预测来缩小这些成本，这些预测在很大程度上基于天气预报和机器学习。

“由人类实时管理所有复杂性正变得不可能。几年前当我们可再生能源较少时这还是可行的，”法国公用事业公司Engie SA的高管亚历山大·科斯克表示，“随着可再生能源的增长，这实际上已变得不可能。”

为了帮助筛选数据，公用事业公司越来越多地转向预测分析，以预测大量太阳能和风能农场的输出。机器学习计算机模型检查它们在各种天气和市场条件下的先前表现。然后，它们根据未来几小时甚至几分钟的天气预报来估计它们的发电量。

今年，Engie与Alphabet Inc.的谷歌合作开展了一个试点项目，以预测德国某些风能农场的输出。2019年，谷歌开始在美国中部对其700兆瓦的风能资产使用机器学习，效率提高了20%。

该技术筛选了大量关于单个涡轮机在特定天气条件下性能的历史数据，然后根据依赖卫星监测的天气预报提前72小时预测它们的性能。

在能源危机推高价格之前，科斯克先生表示，电网运营商通常对不准确性收取每兆瓦时一到两欧元，或一到两美元的费用。例如，在欧洲，这些成本的发生是因为公用事业公司需要根据预测提前一天出售电力。如果公用事业公司生产的电力少于预测，他们必须回购差额。如果他们生产的电力多于预测，他们必须在市场上出售多余的能源。

得益于谷歌的试点项目，Engie公司希望将这些费用降低10%至15%，科斯克先生表示公司将在今年第四季度获得该项目的结果。

另一家致力于帮助企业解决间歇性发电问题的公司是总部位于悉尼的Solcast，该公司专注于太阳能农场，客户遍布全球，包括特斯拉公司、英国石油集团和壳牌集团。该公司利用五颗卫星和气象模型来追踪云层覆盖情况，并预测过去和未来的太阳能发电表现。

Solcast联合创始人兼首席技术官尼克·恩格勒表示，这项技术每年为客户节省了数十万至数百万美元。恩格勒博士说：“如果电网没有关于未来五分钟、几十分钟、几小时或几天内太阳能或风能发电量的准确信息，我们就无法适当地平衡供需。”

与此同时，亚马逊公司作为全球最大的可再生能源企业买家，表示已看到类似技术带来的成效。9月，亚马逊宣布将新增71个可再生能源项目，使其全球项目总数达到379个。

2018年，亚马逊云计算部门推出了一套软件系统来管理其可再生能源资产，包括利用历史数据、天气预报和卫星数据，以及涡轮机和太阳能电池板的运行数据，提前48小时预测日照和风力情况。

亚马逊网络服务公司能源与水资源总监查尔斯·戴奇表示，随着算法对风能和太阳能资产在各种天气条件下历史表现的海量积累数据进行深入分析，预测能力已得到提升。他提到这为亚马逊带来了财务节约，但未透露具体金额。不过他表示，到2025年，亚马逊预计其软件优化所产生的电力将相当于一座新建150兆瓦风力发电场的发电量。

“长期以来，大部分能源生产都依赖化石燃料资产，人们清楚知道能向电网输送多少电力且可控制它，“戴奇先生说。他补充道，如今"天气是最大的预测因素，但不是唯一的预测因素”，行业必须适应这种变化。

致信 迪特尔·霍尔格，邮箱：[email protected]

刊登于2022年10月13日印刷版，标题为’公用事业公司利用数据提升可再生能源效率’。