从光伏电站到数据中心,机器学习的节能威力

徐翰

能源的重要性并不仅仅体现在天然气贸易谈判上的针锋相对,也在于人类在节能上的无能。在能源效率领域人类的成绩的确十分苍白。美国2012年为发电所消耗的能源中损耗部分就高达62.5%,而考虑到一般燃煤电厂的发电效率也就是40-50%,这已经是非常理想的,我们依然被热效率的简单物理公式所统治。

图:美国2012年电力能源消耗与供应结构

6.11图一

来源:EIA

无论是从发电角度,还是能源消耗角度,提高能效都是一件刻不容缓的事。IBM公司日前给出了Watt-sun计划。这一计划旨在利用IBM著名的人工智能Waston电脑精确预测云层覆盖、天气和大气层等情况,以此估计其对太阳能面板运转的影响。由于太阳能系统并网的问题,一直以来业界都试图精确预测其发电状态,但这一系统太过复杂,预测一直不成功。而Watt-sun所做的事情是将过往积累的各种预测模型集合到一个平台,加入大量关于环境、电网和面板的数据,进行混合预测。这些新的数据来自于IBM安装的摄像头和获取的卫星数据等。

IBM相信随着数据的积累,Watt-sun将通过机器学习而变得越发智能。在过往1年内,Watt-sun在多个光伏电站的测试表明,其预测能力比最好的模型还要高出35%!IBM项目人员预计运行第3年,Watt-sun系统的预测能力要超出最好模型100%。美国2014年第一季度的光伏装机容量已经高达1.3GW(历史上第二高),在EPA碳减排计划的压力下美国光伏电站建设量还会持续增加下去,管理光伏电站发电的需求也会随之而来。Watt-sun这样的系统也许能够为保持电网稳定提供提前24小时的预测结果,目前它已经在整个加州区域电网(CAISO)以及绿山能源公司等处使用。

IBM的Watt-sun仍然是能源部SunShot计划的一部分,暂时没有商业化的计划;而另一家科技巨头谷歌则从能源消耗端着手,给出了同样精彩的机器学习节能解决方案。

对于像谷歌、Facebook和腾讯这样的IT巨头而言,数据中心的高耗能一直是个挥之不去的问题,也与新经济节能环保的形象不相吻合。据公开数据显示,全球的数据中心电力耗能接近3000亿度,数据中心电力耗能占整体耗能的1.3%。PUE指标(Power Usage Effectiveness,数据中心设施所消耗的总功率/IT设备所消耗的功率)被用于衡量数据中心能效的主要指标, PUE值为2.5表明IT设备每用1度电,需要额外耗费1.5度电为其降温,越接近1越好。麦肯锡的研究数据称早在2010年,全球数据中心能源费用已经过百亿美元。为了数据中心节能,各家IT巨头也各显其能,国内每年工信部主导的测评,“BAT”都当仁不让地交出更低的PUE,而Opera浏览器的服务器更是选在地热和风电资源丰富的冰岛,谷歌甚至想出利用寒冷洋流为海边的数据中心降温的神来之笔。

利用各类冷却机制是十分自然的策略,但最酷的思路当属谷歌。谷歌最新的一项“20%项目“(谷歌员工的副业项目)表明,机器学习可以利用传感器数据对数据中心能耗有效建模,从而进行预测、节能。谷歌员工Jim Gao运用神经网络高频地计算PUE,跟踪设备能耗、环境气温等19项数据,在此基础上Jim Gao通过在线课堂学习机器学习技术,随后开发的模型对谷歌全球的数据中心能耗需求的预测精度达到了99.96%。这一高度精确的预测使得谷歌的工程师能够高精度地了解数据中心的异常状况、了解更换热交换器的最佳时间点乃至未来对解决效果进行模拟预测。目前,谷歌已经将此预测模型用于所有的数据中心,通过不需监督的机器学习,模型能够根据数据的关系进行随时间的调整。同样地,谷歌也暂时没有将这一模型商业化的打算。

图:谷歌PUE预测结果

6.11图二

从IBM和谷歌的创新来看,未来无论是发电还是用电,高度精确的数量化管理将成为趋势。无论是听天由命的新能源发电站还是粗放的数据中心管理都将被机器学习领域的发展所深刻影响。