هوش مصنوعی: کاتالیزور تسریع‌کننده گذار به سوی آینده‌ای با انرژی پاک

هوش مصنوعی (AI) در حال حاضر توجه فزاینده‌ای را به خود جلب کرده است، به ویژه در مورد تقاضای انرژی فزاینده‌ای که توسط مراکز داده پرمصرف مورد نیاز برای پشتیبانی از آن ایجاد می‌شود. این مراکز داده می‌توانند به طور بالقوه به شبکه‌های برق فشار وارد کرده، قیمت‌ها را برای مشتریان افزایش داده و انتقال به انرژی پاک را کُند سازند. با این حال، استفاده استراتژیک از هوش مصنوعی نه تنها این چالش‌ها را خنثی می‌کند، بلکه به طور فعال به گذار انرژی پاک کمک می‌رساند.

این فناوری‌های پیشرفته در حال حاضر به کاهش مصرف انرژی و انتشار گازهای مرتبط در بخش‌هایی چون ساختمان‌ها، حمل و نقل، و فرآیندهای صنعتی کمک می‌کنند. همچنین، هوش مصنوعی برای بهینه‌سازی طراحی و مکان‌یابی نصب تأسیسات جدید خورشیدی، بادی و تأسیسات ذخیره‌سازی انرژی حیاتی است.

۱. بهینه‌سازی عملکرد شبکه برق در زمان واقعی

سیستم‌های شبکه برق پیچیده هستند و نیازمند کنترل دقیق در بازه‌های زمانی متفاوتی، از دهه‌ها تا میکروثانیه‌ها، می‌باشند. اصل اساسی فیزیک قدرت حکم می‌کند که عرضه برق باید در هر لحظه با تقاضا برابر باشد تا از قطع تولید جلوگیری شود. در حالی که در گذشته، اپراتورها بر تولید ثابت نیروگاه‌های بزرگ تکیه می‌کردند، امروزه با رشد منابع تولید متناوب و کوچک (مانند مزارع بادی و خورشیدی) و افزایش تهدید حملات سایبری و رویدادهای شدید آب و هوایی، تضمین قابلیت اطمینان به مراتب دشوارتر شده است.

آناورادها آناسوامی، دانشمند ارشد پژوهشی در دپارتمان مهندسی مکانیک MIT، توضیح می‌دهد که این دقیقاً جایی است که هوش مصنوعی وارد عمل می‌شود. الگوریتم‌های هوش مصنوعی با کنترل عملیات شبکه، کارایی را افزایش داده، هزینه‌ها را کاهش می‌دهند و به ادغام منابع تجدیدپذیر رو به رشد کمک می‌کنند. هوش مصنوعی یک زیرساخت اطلاعاتی کامل را معرفی می‌کند تا زیرساخت فیزیکی را تکمیل نماید.

مدیریت پیچیده عرضه و تقاضا

هوش مصنوعی مدیریت پیچیده اطلاعات را ممکن می‌سازد تا در عرض تنها چند ساعت پیش‌بینی کند کدام نیروگاه‌ها باید فعال شوند، و در عین حال اطمینان حاصل می‌کند که ولتاژ، فرکانس و سایر مشخصات برق ورودی برای عملکرد صحیح شبکه مطابق نیاز باشند.

علاوه بر این، هوش مصنوعی راه‌هایی برای افزایش عرضه و انعطاف‌پذیری تقاضا ارائه می‌دهد:

• ذخیره‌سازی هوشمند: باتری‌های موجود در خودروهای برقی (EV) یا باتری‌های شارژ شده توسط توربین‌های بادی و پنل‌های خورشیدی، می‌توانند در صورت نیاز به عنوان منبع برق اضافی برای تغذیه شبکه عمل کنند.

• پاسخ به قیمت: با استفاده از سیگنال‌های قیمت‌گذاری زمان واقعی، مالکان خودروهای برقی می‌توانند زمان شارژ را از ساعات اوج تقاضا و قیمت بالا به زمان‌هایی که تقاضا و قیمت پایین‌تر است، منتقل کنند.

• انعطاف‌پذیری ساختمان: ترموستات‌های هوشمند جدید می‌توانند تنظیم شوند که در هنگام اوج تقاضای شبکه، دمای داخلی ساختمان در محدوده مجاز تعیین شده توسط مشتری تغییر کند.

• انعطاف‌پذیری مراکز داده: حتی محاسبات انتخابی هوش مصنوعی در خود مراکز داده می‌توانند به تأخیر بیفتند تا اوج‌های تقاضا را هموار کنند.

نگهداری پیش‌بینی‌کننده برای جلوگیری از خاموشی‌ها

هوش مصنوعی قابلیت حیاتی «نگهداری پیش‌بینی‌کننده» را فراهم می‌آورد. از آنجایی که هرگونه از کارافتادگی برای شرکت پرهزینه است و مشتریان را تهدید می‌کند، الگوریتم‌های هوش مصنوعی داده‌های عملکرد کلیدی را در طول عملیات عادی جمع‌آوری می‌کنند. هنگامی که این داده‌ها از حالت عادی منحرف می‌شوند، سیستم به اپراتورها هشدار می‌دهد و به آن‌ها فرصت مداخله می‌دهد. این قابلیت از خرابی تجهیزات جلوگیری کرده، نیاز به بازرسی‌های روتین را کاهش می‌دهد و طول عمر تجهیزات کلیدی را افزایش می‌دهد.

آناسوامی تأکید می‌کند که ساختاردهی این شبکه برق جدید با اجزای هوش مصنوعی نیازمند همکاری نزدیک بین مهندسان برق، دانشمندان کامپیوتر، اقتصاددانان انرژی، قانونگذاران روشنفکر و سیاست‌گذاران است تا تضمین شود که این مفاهیم پیاده‌سازی شده و خاموشی رخ ندهد.

۲. برنامه‌ریزی زیرساخت‌های انرژی آینده با هوش مصنوعی

شرکت‌های شبکه باید برای توسعه تولید، انتقال و ذخیره‌سازی، که گاهی بیش از یک دهه طول می‌کشد، برنامه‌ریزی کنند. این امر مستلزم پیش‌بینی دقیق زیرساخت‌های مورد نیاز برای تضمین قابلیت اطمینان در آینده است.

دپجیوتی دکا، دانشمند پژوهشی در MITEI، توضیح می‌دهد که پیش‌بینی عملیات سیستم‌های آینده به دلیل ورود روزافزون منابع تجدیدپذیر و جابجایی ژنراتورهای سنتی، به طور فزاینده‌ای دشوار شده است. افزایش ژنراتورهای متناوب (خورشیدی و بادی) باعث کاهش پایداری و اینرسی شبکه می‌شود.

پیش‌بینی‌های اقلیمی و سرعت مقررات

قابلیت اطمینان شبکه آینده باید نه تنها در آب و هوای روزمره، بلکه در برابر رویدادهای کم‌احتمال اما پرخطر مانند سیل، طوفان و آتش‌سوزی‌های جنگلی که مکرر می‌شوند، تضمین شود. هوش مصنوعی می‌تواند با پیش‌بینی چنین رویدادهایی و حتی ردیابی تغییرات در الگوهای آب و هوایی ناشی از تغییرات اقلیمی، کمک کند.

یکی دیگر از مزایای سرعت تجزیه و تحلیل هوش مصنوعی، تسریع فرآیندهای نظارتی است. طرح‌های توسعه زیرساخت باید توسط چندین نهاد تأیید شوند. ابزارهای هوش مصنوعی می‌توانند سرعت تجزیه و تحلیل مورد نیاز را افزایش دهند و فرآیند را سریع‌تر پیش ببرند. برنامه‌ریزان حتی می‌توانند با استفاده از مدل‌های زبان بزرگ (LLMs) برای جستجو و خلاصه‌سازی انتشارات نظارتی، تعداد دفعاتی را که یک پیشنهاد رد می‌شود، کاهش دهند.

۳. کشف و بهره‌برداری از مواد پیشرفته برای گذار انرژی

جو لی، استاد مهندسی قدرت در MIT، اشاره می‌کند که استفاده از هوش مصنوعی برای توسعه مواد در حال حاضر در حال شکوفایی است. این رویکرد دو مسیر اصلی دارد:

1. شبیه‌سازی‌های اتمی سریع: هوش مصنوعی شبیه‌سازی‌های فیزیک-محور سریع‌تر در مقیاس اتمی را امکان‌پذیر می‌سازد. این به درک عمیق‌تری از رابطه ترکیب، ساختار، و واکنش‌پذیری شیمیایی با عملکرد مواد می‌دهد. این درک، قوانین طراحی را برای هدایت توسعه مواد نوآورانه برای تولید، ذخیره‌سازی و تبدیل انرژی (مانند باتری‌ها، راکتورهای هسته‌ای و الکترولایزرها) فراهم می‌کند.

2. هدایت فعال آزمایشگاهی: هوش مصنوعی می‌تواند آزمایش‌ها را در زمان واقعی هدایت کند. هوش مصنوعی بر اساس نتایج آزمایش‌های قبلی و جستجوهای ادبیات، فرضیه‌سازی کرده و بهترین آزمایش بعدی را پیشنهاد می‌دهد. لی خاطرنشان می‌کند که “هوش مصنوعی کتاب‌ها و مقالات بسیار بیشتری نسبت به هر انسانی مطالعه کرده است، و بنابراین ذاتاً بین رشته‌ای‌تر است”.

این راهنمایی هوش مصنوعی، فرآیند سنتی توسعه مواد را تسریع می‌بخشد، که در گذشته ممکن بود دهه‌ها طول بکشد. هوش مصنوعی به طراحی «آزمایش‌های حیاتی و ارزان» کمک می‌کند که حداکثر بازخورد اطلاعاتی را فراهم می‌آورند. لی نتیجه می‌گیرد که این قابلیت می‌تواند فرآیند کشف مواد را «روان‌سازی» و کوتاه کند، شاید از دهه‌ها به تنها چند سال.

مشارکت‌های MITEI در خط مقدم نوآوری

محققان در MIT تحت حمایت طرح‌هایی مانند ابتکار انرژی MIT یا MITEI (MIT Energy Initiative) در حال کار بر روی جنبه‌های مختلف این فرصت‌ها هستند. MITEI نه تنها تأمین مالی می‌کند، بلکه به عنوان یک گردآورنده، طرف‌های ذینفع را برای بررسی راه‌حل‌های مشترک گرد هم می‌آورد.

برخی از مشارکت‌های کلیدی MITEI شامل موارد زیر است:

• راکتورهای همجوشی: استفاده از هوش مصنوعی برای مدل‌سازی و پیش‌بینی اختلالات در جریان‌های پلاسما در داخل رآکتورهای همجوشی برای دستیابی به تولید برق عملی.

• برنامه‌ریزی شبکه سازگار: استفاده از ابزارهای هوش مصنوعی برای تفسیر مقررات، نقشه‌های زیرساختی و داده‌های اقلیمی به منظور برنامه‌ریزی سریع‌تر و سازگارتر شبکه برق.

• بهینه‌سازی مواد انرژی: استفاده از هوش مصنوعی برای بهینه‌سازی سلول‌های خورشیدی و مواد ترموالکتریک.

• رباتیک نگهداری: توسعه ربات‌هایی که می‌توانند وظایف نگهداری را بر اساس دستورالعمل‌های کلامی و بازخورد فیزیکی انسانی یاد بگیرند. هدف این است که هزینه‌ها کاهش یابد و استقرار زیرساخت انرژی تجدیدپذیر تسریع شود.

• کاهش تقاضای مراکز داده: تلاش برای کاهش تقاضای انرژی مراکز داده از طریق طراحی تراشه‌های کامپیوتری و الگوریتم‌های کارآمدتر، یا بازنگری در طراحی معماری ساختمان‌ها (مثلاً برای افزایش جریان هوا و کاهش نیاز به تهویه مطبوع).

در پایان، در سمپوزیوم بهار MITEI در مه ۲۰۲۵، با عنوان «هوش مصنوعی و انرژی: خطر و نوید»، ویلیام اچ. گرین، مدیر MITEI، خاطرنشان کرد که تضمین تأمین تقاضای انرژی مراکز داده و گشودن پتانسیل هوش مصنوعی برای گذار انرژی، اکنون اولویت تحقیقاتی MITEI است.

نتیجه گیری

اگر گذار به انرژی پاک را به مثابه رانندگی در یک جاده شلوغ و در حال ساخت در مه غلیظ در نظر بگیریم که مقصد آن، آینده‌ای با انرژی پایدار است، هوش مصنوعی نقشی مانند یک سیستم رادار، جی‌پی‌اس و تیم تعمیر و نگهداری خودکار را ایفا می‌کند. این فناوری نه تنها به ما کمک می‌کند تا ببینیم در جاده چه چیزی در انتظار ماست (پیش‌بینی آب و هوا و تقاضا)، بلکه به طور همزمان به ما می‌گوید چگونه باید رانندگی کنیم (بهینه‌سازی عملیات شبکه)، چگونه مسیرهای جدید را سریع‌تر بسازیم (کشف مواد)، و مطمئن شویم که ماشین در طول مسیر خراب نمی‌شود (نگهداری پیش‌بینی‌کننده). بدون هوش مصنوعی، ما تنها با چراغ‌های جلوی سنتی و نقشه‌های کاغذی در آن مه حرکت خواهیم کرد، در حالی که هوش مصنوعی مسیر را روشن و کارآمد می‌سازد.

در آی لرن، از آخرین اخبار مربوط به هوش صمنوعی مطلع شوید