中国储能网讯：近年来，美国大力投资先进能源技术，尤其是在新能源领域，多项政策法案提供各类资金支持先进技术的研发和应用。据美国能源部消息，美国2025财年预算中能源部获得了创纪录的510亿美元预算拨款；其中86亿美元将用于17个国家实验室的前沿技术研究，以支持可以加速清洁能源发展的创新技术，包括高性能计算、量子信息科技等。
美国国家可再生能源实验室（National Renewable Energy Laboratory，以下简称NREL）是由美国能源部能源效率和可再生能源办公室(EERE)直接资助和监督的国家实验室，主要从事可再生能源、能源效率、能源系统集成和可持续交通等相关科技的研究和开发。自2019年起，NREL深度关注、参与和投资研发各种AI技术，NREL官网有专门的板块介绍实验室当前主导或参与的AI项目，包括但不限于各类机器学习、高性能计算、大数据集处理研究。
eo根据公开资料整理了当前NREL数个具有一定进展和成效的AI相关项目，从中可以窥见美国能源部门最重视哪些方面的技术投入，以及这些技术背后的战略意义。
1 Sup3rCC 生成式机器学习模型优化气候数据输出
随着全球范围内多个国家逐步向可再生能源替代化石能源转向，能源与天气状况的联系越来越密切，与此同时，极端天气频发给能源系统带来的挑战也日益严峻。对能源系统规划者和运营商而言，高分辨率的气象数据对掌握风力、太阳能的出力预测起到重要作用，但当前的气象监测技术很难准确量化这些可再生资源的影响。
NREL的数据科学家开发了一项机器学习模型——Sup3rCC，旨在利用生成式机器学习技术来生成超高分辨率的、降尺度的未来气候数据集。据负责项目的科学家介绍，降尺度气象数据对了解气候变化对当地风能和太阳能资源以及能源需求的影响是必要的，但当前大部分的降尺度技术都需要在分辨率、计算成本以及空间、时间的物理限制方面进行权衡。Sup3rCC的开创性在于，通过利用生成对抗网络（Generative Adversarial Networks，GANs*）技术克服了传统动态降尺度技术的计算挑战，实现以比传统的动态降尺度方法快40倍的速度生成物理逼真的高分辨率气象数据。Sup3rCC通过研究NREL提供的历史高分辨率数据集(包括国家太阳辐射数据库和风能整合国家数据集工具包)来学习自然和大气的物理特性。然后，该模型将从数据集中获得的降尺度信息注入到全球气候模型（Global Climate Model, GCM）的粗略输出（coarse outputs）中，从而生成高度细节的温度、湿度、风速和光照数据。
Sup3rCC将全球气候模型在每个水平方向上的空间分辨率提高了25倍，时间分辨率提高了24倍，这意味着数据总量增加了1.5万倍。NREL的计算研究员Ryan King认为，Sup3rCC带来的优化“使我们能够考虑未来几十年多种气候情景下可再生资源和电力需求的变化，这对规划未来的能源系统至关重要”。
Sup3rCC数据集还加入了NREL的高分辨率数据家族，其输出与NREL的可再生能源潜力模型（reV）兼容，并可以与NREL整套建模工具相互操作。目前，Sup3rCC和reV都是开源的，用户可以访问亚马逊云科技（Amazon Web Services）上的Sup3rCC数据，并在自己的桌面上在云端运行reV，以查看风能和太阳能发电量、容量和系统成本在不同气候情景下的变化情况。
注释：*GANs是一种新型神经网络架构，基于对抗训练的思想，由两个相互竞争的神经网络组成，这种竞争能帮助它们模仿任何数据分布。GANs最显著的特点是它们能够创建超现实主义的图像、视频、音乐和文本，有能力从训练图像中学习特征，并利用这些学到的模式想象出它们自己的新图像。通过让计算机学会模仿任何数据分布，它们可以被教会创造出与我们世界相似的各个领域的世界。
2 高性能计算 能源创新的基础力量
美国能源部在超级计算机上的投入庞大，多个国家级实验室都拥有适应自身研究需求的超算系统，利用高性能计算促进能源创新是美国能源部一项重要科研计划。NREL的超级计算机被命名为Kestrel，由上一代超算Eagle迭代而来，2023年完成安装调试并投入使用。这两代计算机的主要任务是多种计算机模拟和建模，例如优化电动汽车充电基础设施在弱势社区的位置，或模拟原子和电子的行为来帮助改进太阳能电池制造。此外，Kestrel还将用于研究计算材料、连续介质力学以及未来能源系统的大规模模拟和规划。据NREL官方信息，Kestrel在完全配置后计算能力将是上一代的Eagle的五倍以上，具体算力达到44 PFLOPS。
高性能计算技术与AI应用息息相关，Kestrel预计将为多个NREL的AI项目提供算力支撑。人工智能和机器学习领域的应用和技术正以惊人的速度不断发展，推动相关的创新和研究向新的计算工作流扩展，Kestrel的异构计算架构(包括纯cpu和gpu加速节点)旨在实现这些新兴的工作流程。EEER的代理助理秘书长亚历杭德罗·莫雷诺认为，像Kestrel这样的超级计算机对能源转型至关重要，“Kestrel将使EERE的研究能够应用尖端的模拟和利用人工智能，以实现我们国家气候和能源目标所需的大规模、可靠经济的清洁能源技术”。
Kestrel由惠普旗下的云端与服务器公司慧与(HPE)制造，采用HPE Cray EX系统进行设计，使用英特尔至强Sapphire Rapids CPUs和英伟达H100 GPUs，拥有2454个计算节点。该系统还将采用HPE Slingshot以太网结构，为解决大数据密集型人工智能工作负载提供更高的速度和控制拥塞问题。
3 eGridGPT 值得信赖的控制室AI助手
随着可再生能源和电动汽车渗透率的增长，电网运营商正面临巨大挑战。作为电网供需平衡的运行“大脑”，调度控制室中的决策对于维持电网的可靠性至关重要。NREL开发了一款控制室AI助手——eGridGPT，这个项目首次将大语言模型(LLMs)作为一种生成式人工智能(GenAI)应用于电网控制室决策的研究。eGridGPT就像人类大脑处理来自感官的输入来做出决定一样，通过协助决策过程和解释数据和模型来虚拟支持电网控制室操作员作出决策。
根据研究人员介绍，传统电网调度决策工具主要包括SCADA（数据监控系统）、EMS（能源管理系统）等，但随着可再生能源、储能、电动汽车等因素的影响凸显，电网中的双向流量增加，单纯的监测和测量数据不足以在复杂多变的新兴态势下实现有效的电网控制。eGridGPT的主要任务就是将这些数据转化为可操作的信息，旨在为控制室运营商提供一个不断发展的生态系统，根据他们的需求和电网运行要求调整现有工具包，增强运营商的态势感知，特别是在紧急情况下，这种快速响应能力显得更为重要。
大语言模型是擅长语言处理和通用任务的计算工具，就像OpenAI的GPT-4和Meta的Llama 3一样，eGridGPT能理解并响应操作员的查询和提问；根据请求，eGridGPT可以通过数字孪生等工具来分析电网状况，并将工具和相关操作的建议编排成可理解的显示格式，以及通过“人机回圈”(human-in-the-loop)框架建立运营商的信任。
生成式预训练(GPT)模型家族在各个领域都取得了显著成就，包括医学、标准化测试、作曲和艺术创作等，NREL项目团队认为，这类模型在电网控制和决策领域也可以发挥重要作用。eGridGPT的预训练是整个系统可靠运行的基础和关键，项目团队将其简单概括为三个步骤：首先利用公开可用的电网数据对最先进的LLM模型进行电力工程知识培训；然后使用来自电力可靠性组织、独立系统运营商、州公用事业委员会、国家电力安全委员会的控制室操作程序进行培训；最后，培训模型对系统操作员或公用事业系统的操作和管理程序、电力系统数据、现场设置和基础设施信息进行监测和微调。培训完成后，eGridGPT必须参加NERC（北美电力可靠性委员会）系统操作人员考试作为基准测试，以确保其有效性。
4 AI助力风电场设计优化
2024年4月，NREL的研究团队在《自然-能源》（《自然》期刊的子刊）上发表了一篇文章，内容聚焦AI技术是如何使风力发电场规划获得更高效益。
NREL这个研发团队开发了一种基于人工智能的替代模型，他们称之为风电场图像神经网络(WPGNN)，该模型被训练在不同大气条件、场站设计和风机运行情况下对超过25万个随机生成的风电场布局图进行了仿真，模拟数据则由NREL开发的另一个模型——稳态尾流重定向模型(FLORIS)生成，AI利用这些信息来设计出风力发电场的最佳布局，以实现减少用地或提高发电量等目的。
这项研究的重点是风力发电的尾流转向策略，该策略通过控制从上游风机向下游风机流动的尾流来优化风电场的发电量。引入人工智能可以使研究人员能够确定尾流转向对三个不同维度的影响：土地使用、成本和收益。
“以前，特定地点的尾流转向优化研究非常困难，但WPGNN的图像呈现极大地提高了我们灵活描绘场站布局的能力、改变风向和实现梯度优化的能力”，该论文的合著作者Ryan King说，“基于人工智能的尾流转向研究可以用于全国范围内的风电场用地和经济效益评估，从而使风电场设计得到优化。”
据NREL消息称，尾流转向策略可以把未来风力发电场的土地需求平均减少18%，在某些情况下甚至可以减少60%。在美国全国范围内，节省的土地总面积约为13000平方公里，相当于美国风能资源覆盖面积的28%。
5 机器学习的广泛应用
机器学习可以说是NREL最重视的AI技术之一，除了前述的气象数据处理外，应用场景还包括电池设计、地热开发、户用光伏市场拓展等。
据NREL的官网资料介绍，除了多尺度建模外，机器学习还被NREL各研究团队用于加速对新材料、化学物质和电池设计的理解。NREL的材料科学家认为，这些复杂的计算机算法改善了NREL先进电池研究中的电池寿命预测建模和微观结构诊断。
为了优化地热作业流程，NREL开发了一个基于机器学习的地热运行优化新框架GOOML，通过融合数据驱动的热力学方法，GOOML能够准确地模拟生成地热系统的实际性能特征。将数字孪生技术更多地集成到地热作业中，不仅可以使工程师更好地了解大型系统中组件的复杂相互作用，还可以通过人工智能和机器学习工具的最新进展增强对操作空间的探索。
机器学习技术甚至被应用到户用光伏市场营销领域。当前，高昂的客户获取成本仍然是美国住宅太阳能行业面临的一个持续挑战，以NREL为代表的几个研究机构和大学正在推进一项新的研究，在数据分析和机器学习的帮助下，利用新算法降低户用光伏的建设和运行成本，并在此基础上生成合适的营销方案，帮助市场人员降低获取客户开拓渠道的投入。
NREL通过机器学习技术开发了一系列模型和实用工具，帮助各类可再生能源提升利用效率和降低成本。此外，NREL还非常关注通过这些AI技术促进能源公平和对弱势社群的建设援助，利用先进计算技术推动弱势社区范围内的绿色能源转型也是实验室的关键目标之一。
以上内容仅为NREL重点宣传的几个AI相关项目，NREL对人工智能的涉猎除了技术上的研究开发，还包括人工智能伦理和公平性的探讨和议题设置，这也展示了这个国家级实验室在占据人工智能开发能力前沿地位和掌握关键话语权的野心。2023年，拜登—哈里斯政府通过美国能源部宣布向NREL投资1.5亿美元，这笔资金来自《通胀消减法案》，将支持NREL的主要项目和基础设施维护。这个坐落于科罗拉多州戈尔登市、有着四十多年历史的国家实验室将在推动2050年实现零碳经济目标的进程中担当重要角色。
