能源行业会产生大量的数据。为了将这些数据转化为提高生产率和削减成本的驱动力，主要的能源行业公司——石油和天然气巨头，以及可再生能源公司——都把注意力转向了人工智能。

自2012年以来，把人工智能和能源产业放在一起进行报道的新闻开始增多。本文简要描述了人工智能在能源行业的5个应用方向，及对应的案例。

根据Greentech Media最近的一份报告，美国的能源储藏在2017年第四季度达到了一个新的里程碑：在2013年至2017年间，累计储藏量已超过1000兆瓦时。该报告还预测，这个数字将在今年翻一番。随着储藏容量的提升和新技术的出现，人工智能正在提升这个市场的效率。

案例1：Stem

位于加利福尼亚州的Stem公司开发了代号为雅典娜（Athena）的项目，它利用人工智能绘制出能源的使用情况，并允许客户跟踪能源价格的波动，从而更有效地使用被储藏的能源。

Stem已经从包括美国能源部、GE Ventures和新加坡主权财富基金淡马锡控股在内的多家投资者那里，融到了超过3,700万美元的资金。

如今，电网的能量来源通常有很多，除了传统的发电以外，还有风能和太阳能，这使得运营电网系统的过程也变得更加复杂。通过人工智能来对大规模的数据集进行分析，这个多源收集的过程更加稳定和高效。

案例1：美国能源部

2017年9月，美国能源部向斯坦福大学的SLAC研究人员颁发了一项研究奖，奖励他们利用人工智能技术改善了电网的稳定性。通过用过去的数据来对电力波动和电网薄弱环节进行编程，新的“智能电网”将自动对重大事件作出快速而准确的反应。

案例2：西门子

智能电网也能够在同一时间更好地管理不同类型的能源。西门子公司发布了一个软件包来操作网络，即所谓的“主动网络管理”（ANM，active network management）。

ANM的原理是，通过跟踪电网如何与不同的能量负载相互作用，来调整其可调节的部件，从而达到提高效率的目的。虽然这之前是手动调整的，但当新的能源生产者（比如太阳能发电厂）开始工作时，或者新的能源消耗者开始接入网格时，ANM会对电网做出相应的调整。因此，ANM也为电动汽车利用智能电网进行充电奠定了基础。

案例3：英国国家电网

2017年3月，被谷歌收购的人工智能公司DeepMind，与英国国家电网联合宣布，他们计划将DeepMind的人工智能技术添加到英国的电力系统中。该项目将处理天气预报、互联网搜索等海量信息，以开发需求激增的预测模型。

案例4：Grid Edge

英国的一家名为Grid Edge的公司（提供基于云计算的电力管理软件服务）声称，他们利用人工智能技术对能源配置进行了预测和优化，实现了将控制权交还给了电力使用者。具体的方法是，Grid Edge操作一个VPN，通过它来连接和分析用户所在建筑的能源消耗数据，利用这些信息，Grid Edge与连接的电网进行通信，并制定相应的调度策略。这些策略的目的是节约能源，避免超载。

2017年11月，印度北部的一座燃煤电厂发生爆炸，造成32人死亡，原因是煤气管道堵塞导致锅炉爆炸。这是能源行业经常发生的一类故障。导致事故的原因是没有对设备进行经常性的检查，而且世界上许多地方都没有严格的监管规定，因此设备故障是很常见的。

使用人工智能来观察设备并在事故发生前检测出故障，可以节省时间和金钱，甚至挽救生命。目前，许多创业公司正在试图将这项服务提供给能源行业。

案例1：SparkCognition

2017年12月，美国能源部授予SparkCognition公司一个奖项，即利用人工智能提高燃煤电厂的发电量。该公司将解析学、传感器和操作中产生的数据三者相结合，来预测关键的基础设施何时会崩溃。

案例2：AES Corporation

2017年9月，美国能源巨头AES电力公司宣布了进军人工智能的计划，将其作为提高公司的警觉性、效率和保护公司财产的手段，主要针对的是他们的太阳能电站和电网系统。

案例1：BP Ventures（英国石油风险投资公司）Beyond Limits

BP Ventures（英国石油风险投资公司）投资了一家名为Beyond Limits的人工智能公司。该公司曾参与在外太空进行的勘探试验。在投资Beyond Limits的时候，BP Ventures表示将计划使用Beyond Limits的油气勘探技术，寻找新的石油储量。

案例2：Chevron（雪佛龙）

石油巨头雪佛龙正在利用人工智能在加州各地寻找新油井，以及具有额外价值的旧油井。

通过对个人和企业的能源消费行为进行监测，人工智能可以提供优化能源消耗过程的解决方案。

案例1：Alphabet's Nest

Alphabet旗下的子公司Nest，开发了一款智能恒温器，能够通过自动适应用户行为，达到减少能源耗费的目的。一旦Nest被安装在用户的家里，它就会开始学习居住者的生活习惯，并相应地调整温度。据Nest称，该公司的技术已经为其用户节省了10%到12%的取暖费。

案例2：Nnergix

西班牙的Nnergix公司，运用机器学习技术来预测大气和天气状况对可再生能源产能的影响，比如推算光伏发电厂每小时的发电量。

案例3：Google Sunroof（谷歌天窗）

谷歌发布了一个名为Sunroof的工具，来计算太阳能对美国家庭的影响。该项目采用了几个因素来计算使用太阳能能够节省下来多少资金，这些因素包括天气数据、电费、3D建模和阴影计算。