هوش مصنوعی؛ سوخت پنهان انقلاب انرژی پاک
جهان با بحران گرمایش زمین دست‌وپنجه نرم می‌کند و هوش مصنوعی حالا به یک «سوپرهوش» عمل‌گرا تبدیل شده است؛ نه فقط برای پیش‌بینی طوفان‌های اقلیمی، بلکه برای معماری شبکه‌های انرژی پاک آینده. این فناوری از مزارع بادی دریای شمال تا پنل‌های خورشیدی صحرای نگب، مغز متفکر گذار به انرژی‌های تجدیدپذیر است.
در انگلیس، شرکت DeepMind از سال ۲۰۱۸ الگوریتم‌های یادگیری عمیق را برای پیش‌بینی تولید ۷۰۰ مگاوات مزارع بادی به کار گرفته و دقت را ۲۰ درصد افزایش داده؛ این یعنی ۲۵ میلیون دلار ارزش اقتصادی بیشتر در سال. این الگوریتم‌ها الگوهای پیچیده باد را در بازه ۳۶ ساعته رصد می‌کنند، کاری که مدل‌های هواشناسی سنتی از عهده‌اش برنمی‌آیند.
در ایران هم شرکت دانش‌بنیان «نقشینه انرژی» با همکاری دانشگاه شریف، مدلی مشابه برای مزارع خورشیدی کاشان ساخته که با تحلیل تصاویر ماهواره‌ای ابرها و حسگرهای زمینی، تولید لحظه‌ای پنل‌ها را با دقت بالا پیش‌بینی می‌کند.
بر اساس ادعای مدیر پروژه هر مگاوات ساعت پیش‌بینی دقیق، ۴۵۰ هزار تومان صرفه‌جویی در هزینه‌های بالانس شبکه به همراه دارد.
این پیش‌بینی‌ها فقط به تولید محدود نمی‌مانند؛ هوش مصنوعی مصرف را هم مدیریت می‌کند. در کالیفرنیا، شرکت AutoGrid با اتصال ۵۰ هزار دستگاه ذخیره‌سازی خانگی به یک نیروگاه مجازی ۱۰۰ مگاواتی، در ساعات پیک باتری‌های تسلا پاوروال را هماهنگ تخلیه می‌کند و از خاموشی‌های گسترده جلوگیری می‌نماید.
همین رویکرد در طرح آزمایشی «شبکه هوشمند قم» با سرمایه‌گذاری توانیر اجرا شده؛ الگوریتم‌های یادگیری تقویتی الگوهای مصرف ۳۰۰ هزار مشترک را شناسایی و در ساعات اوج، یخچال‌ها و کولرها را ۱۰ تا ۱۵ درصد کاهش می‌دهند، بدون اینکه کاربر متوجه شود.
توربین‌های بادی دریایی غول‌های ۱۵ مگاواتی هستند و تعمیر هر کدام بیش از ۱۰۰ هزار یورو هزینه دارد. شرکت Ørsted دانمارکی با نصب حسگرهای لرزش و دما روی ۱۰۰۰ توربین، داده‌ها را به یک مدل دوقلو دیجیتال می‌فرستد که خرابی پره‌ها را تا ۴۵ روز قبل پیش‌بینی می‌کند؛ نتیجه کاهش ۳۰ درصدی هزینه‌های نگهداری و افزایش ۷ درصدی تولید سالانه است.
در ایران، شرکت مپنا با همکاری یک استارت‌آپ، مدلی مشابه برای توربین‌های گازی نیروگاه‌های سیکل ترکیبی طراحی کرده که با تحلیل صدای کمپرسور، ترک‌های میکروسکوپی را قبل از فاجعه شناسایی می‌کند.
باتری‌های لیتیوم-یون گران و با طول عمر محدود هستند، اما استارت‌آپ آمریکایی Stem با هوش مصنوعی طول عمرشان را تا ۴۰ درصد افزایش داده؛ الگوریتم‌ها الگوهای شارژ و دشارژ را بهینه و از تنش‌های حرارتی جلوگیری می‌کنند.
در پروژه آزمایشی «باتری‌های جریان وانادیوم» دانشگاه صنعتی امیرکبیر هم هوش مصنوعی چرخه‌های شارژ را بر اساس پیش‌بینی تولید خورشیدی تنظیم می‌کند و ظرفیت مفید ذخیره‌سازی را بین ۲۰ تا ۳۰ درصد بالا برده است.
این فناوری حتی در حوزه هیدروژن سبز هم وارد شده است. شرکت Siemens Energy در آلمان از هوش مصنوعی برای بهینه‌سازی الکترولایزرهای PEM استفاده می‌کند؛ الگوریتم‌ها مصرف برق را ۱۲ درصد کاهش داده و تولید هیدروژن را در ساعات ارزان‌قیمت برق تجدیدپذیر افزایش می‌دهند.
در ایران، پژوهشگاه نیرو با همکاری شرکت‌های دانش‌بنیان، مدلی برای پیش‌بینی تقاضای هیدروژن در صنایع فولاد و پتروشیمی طراحی کرده که می‌تواند بین ۱۵ تا ۲۰ درصد هزینه‌های انتقال را کم کند.
هوش مصنوعی همچنین در طراحی مزارع خورشیدی نقش کلیدی دارد. استارت‌آپ اسرائیلی Raycatch با تحلیل تصاویر پهپادی، سایه‌اندازی پنل‌ها را پیش‌بینی و چیدمان بهینه را پیشنهاد می‌کند؛ نتیجه ۵ درصد افزایش تولید سالانه است. در پروژه خورشیدی ۱۰۰ مگاواتی ورامین، شرکت ساتبا از الگوریتم مشابهی استفاده کرده و بهره‌وری زمین را حدود ۸ درصد بهبود بخشیده است.
با وجود این پیشرفت‌ها، چالش‌هایی باقی است. آموزش مدل‌ها نیاز به داده‌های باکیفیت دارد که در بسیاری از کشورهای در حال توسعه موجود نیست و نگرانی‌های امنیت سایبری هم جدی است؛ حمله سایبری به شبکه اوکراین در ۲۰۱۵ نشان داد هوش مصنوعی می‌تواند شمشیر دو لبه باشد. اما آینده روشن به نظر می‌رسد. آژانس بین‌المللی انرژی پیش‌بینی می‌کند تا ۲۰۳۰، هوش مصنوعی ۱۰ درصد انتشار کربن بخش انرژی را کاهش دهد یعنی معادل حذف تمام خودروهای بنزینی اروپا.
در ایران، معاونت علمی ریاست‌جمهوری هدف‌گذاری کرده تا سال ۱۴۱۰، ۳۰ درصد شبکه برق با کمک هوش مصنوعی مدیریت شود؛ این یعنی ۵۰۰۰ مگاوات ذخیره‌سازی هوشمند و ۱۰ هزار مگاوات تولید تجدیدپذیر پیش‌بینی‌پذیر. هوش مصنوعی دیگر فناوری لوکس نیست؛ سوخت پنهان گذار به انرژی پاک و ضامن بقای تمدن سبز است.
علاوه بر این، هوش مصنوعی در مدیریت تقاضای انرژی صنعتی هم تحول ایجاد کرده است. شرکت جنرال الکتریک در آمریکا با الگوریتم‌های پیش‌بینی، مصرف کارخانه‌های سیمان را ۱۵ درصد کاهش داده و در ساعات کم‌باری، تولید را به اوج می‌رساند.
در ایران، پالایشگاه بندرعباس با نصب حسگرهای هوشمند و تحلیل داده‌های AI، نشت گازهای گلخانه‌ای را حدود ۲۰ درصد کم کرده است. این فناوری حتی به کشاورزان کمک می‌کند؛ در گلستان، سیستم آبیاری هوشمند با پیش‌بینی بارندگی، مصرف آب مزارع را ۳۰ درصد کاهش داده و انرژی پمپ‌ها را بهینه کرده است.
