Google WeatherNext 3 wkracza w sektor energetyczny. Czy AI zapanuje nad siecią?
Rynek prognozowania pogody dla energetyki przestał być domeną wyspecjalizowanych instytutów i niszowych dostawców danych. Wraz z debiutem modelu WeatherNext 3, Google DeepMind oraz Google Research oficjalnie rzucają rękawicę takim graczom jak Vaisala czy IBM. Nowa architektura nie jest jedynie kolejną aktualizacją dla użytkowników Map Google; to precyzyjne narzędzie analityczne, które ma pomóc operatorom sieci w rozwiązaniu jednego z najtrudniejszych problemów współczesnej energetyki: nieprzewidywalności źródeł odnawialnych.
Dlaczego to ważne właśnie teraz? Wejście giganta z Mountain View w ten sektor to bezpośrednia odpowiedź na wyzwania związane ze stabilnością sieci przy coraz większym udziale energii słonecznej i wiatrowej. Model dostarcza kluczowe prognozy zachmurzenia i promieniowania, które pozwalają zarządzać ryzykiem przerw w dostawach prądu. Według autorów rozwiązania, WeatherNext 3 został zaprojektowany z myślą o zastosowaniach przemysłowych, przewidując zmienne istotne dla energii odnawialnej.
Precyzja na wysokości turbin
Kluczowa innowacja WeatherNext 3 leży w specyfice dostarczanych danych. Model prognozuje prędkość wiatru na wysokości 100 metrów nad ziemią, co niemal idealnie odpowiada osi nowoczesnych turbin wiatrowych. Do tego dochodzą precyzyjne odczyty zachmurzenia oraz ilości promieniowania słonecznego docierającego do powierzchni Ziemi. Wersja 3 oferuje aż 5-krotnie lepszą rozdzielczość względem swojego poprzednika, schodząc do poziomu 5 kilometrów dla danych powierzchniowych.
Dla zarządców sieci to zmiana krytyczna. Błąd w prognozie wiatru oznacza konkretne straty finansowe. Jeśli wiatr będzie słabszy niż zakładano, operator musi w trybie awaryjnym kupować drogą energię z elektrowni gazowych. Jeśli z kolei produkcja przewyższy zapotrzebowanie, farmy OZE otrzymują wynagrodzenie za odłączenie się od sieci, by uniknąć jej destabilizacji. Google wchodzi w ten segment z potężnym atutem – integracją. Dane są dostępne natychmiastowo poprzez BigQuery czy Google Cloud Storage, a system dostarcza 15-dniowe prognozy aktualizowane w cyklu godzinnym.
Realne dane zamiast symulacji
Pod maską WeatherNext 3 zaszła zmiana paradygmatu. Większość dotychczasowych modeli AI trenowano na wynikach numerycznych symulacji fizycznych, co niosło ze sobą opóźnienie wynikające z mocy obliczeniowej superkomputerów. Nowa propozycja DeepMind uczy się bezpośrednio z obserwacji satelitarnych w czasie rzeczywistym. Jak podaje Google for Developers, jest to „flagowy model operacyjny, dostarczający globalne prognozy probabilistyczne inicjowane co godzinę dla 64 członków zespołu”.
Krytycy, w tym szwajcarska firma Jua, podnoszą jednak istotny argument: modele oparte wyłącznie na danych mogą zawodzić w obliczu ekstremalnych zjawisk pogodowych, których AI nie widziała w zbiorach treningowych. Klasyczne modele oparte na fizyce kodują niezmienne zasady ruchu masy i energii, co w sytuacjach kryzysowych bywa bezpieczniejszym fundamentem dla operatorów sieci przesyłowych.
Paradoks Google’a
Wejście Google w sektor energetyczny ma drugie, bardziej ironiczne dno. Firma sprzedaje narzędzia do zarządzania siecią, która pęka w szwach między innymi przez ekspansję centrów danych – niezbędnych do obsługi samej sztucznej inteligencji. Według prognoz Deloitte, zapotrzebowanie na moc w tym sektorze może wzrosnąć pięciokrotnie do 2024 roku. Google, będąc jednym z największych nabywców zielonej energii na świecie, stworzyło więc narzędzie, które w pierwszej kolejności zoptymalizuje jego własne zobowiązania kontraktowe.
Mimo szumnych zapowiedzi o poprawie trafności prognoz opadów o 50%, specjaliści pozostają ostrożni. Google nie przedstawiło jeszcze szczegółowego cennika dla przedsiębiorstw energetycznych. Dla zakładu energetycznego pozycja w globalnym rankingu dokładności jest mniej istotna niż to, jak model poradzi sobie z przewidzeniem burzy nad konkretną farmą wiatrową. Rok 2025 pokaże, czy wygoda ekosystemu Google Cloud wystarczy, by wyprzeć z rynku wyspecjalizowanych dostawców.
