北大与阿里达摩院合作成果登《Nature》:AI绘制中国高精度风光分布图,年增消纳近1000亿度绿电
源自14位全网作者
05-22 14:08
精选参考来源
1
如何看待达摩院、北大最新Nature成果,AI绘制中国首张高精度风光分布图,这对新能源行业有何价值?
2
#it那些事儿# 挺有意思的一个AI4S研究:阿里联手北大,Al for Science 登顶 Nature 正刊,看清全国几十万处新能源设施到底在哪,怎么跨省调度才能每年额外消纳近一千亿度电。这项研究是由 阿里达摩院 与 北京大学 合作完成,并发表于 Nature 的论文,核心主题可以概括为:利用多源遥感 + AI建模,构建全国级新能源设施的高精度空间分布图谱,并进一步用于跨区域电力调度优化。换句话说,它完成了三层跨越:观测层:从卫星遥感中识别风电、光伏等设施认知层:建立全国尺度的新能源空间数据库决策层:推导跨省调度策略,实现“额外消纳电量”的系统级优化如果我们剖开这项工作的技术内核,你会发现它并不是简单的“图像识别+优化”,而是一个高度耦合的四层系统:1. 空间感知(Perception)利用遥感影像 + 深度学习模型,对光伏板阵列、风机分布进行识别。这一步的难点不在模型,而在:尺度跨度极大(单体设备 → 全国级覆盖)目标高度同质化(光伏板几乎“视觉重复”)标注极其稀缺本质上,这是一个弱监督+结构先验驱动的视觉问题。2. 结构建模(Representation)识别只是起点,真正关键的是:把“离散的设施点”转化为“可计算的能源网络结构”。这一步隐含了一个极重要的转化:从 图像空间(pixel space)到 拓扑空间(grid network)也就是说,它在做一件和AlphaFold极其相似的事:AlphaFold:氨基酸序列 → 三维结构该工作:遥感像素 → 能源网络结构本质都是“从观测到结构”的逆问题。3. 系统优化(Optimization)在获得全国新能源分布之后,问题才真正进入工程核心:如何跨省调度,使得弃风弃光最小化?这里涉及的是典型的:多目标优化(消纳 vs 成本 vs 稳定性)大规模约束系统(电网物理约束)时序决策(负荷波动)4. 现实收益(Impact)论文给出的结论极具“工程重量级”:每年可额外消纳近 1000 亿度电(≈ 100 TWh)这不是一个学术指标,而是:相当于一个中型国家全年用电量或数千亿人民币级别的能源价值综上,这是一个典型的AI4S的问题。厉害了。
全部
来源
来源
内容由AI生成
0
0
0评论
当前文章无评论,是时候发表评论了
提示信息
取消
确认
评论举报
已收藏
去我的收藏夹