Минэнерго США в рамках миссии Genesis представило ИИ-платформу прогнозирования водных ресурсов ORBIT и план масштабирования электросетей
Окриджская национальная лаборатория создала обученную на экзафлопсных суперкомпьютерах платформу ORBIT, сокращающую гидрометеорологическое моделирование с нескольких дней до секунд, а Минэнерго США ускоряет сетевое планирование в 20–100 раз.
Автор 全球伯乐 News
Подготовка материалов
Содержание
Аппарат заместителя министра энергетики США по науке 13 ноября обновил в рамках программы Genesis Mission профиль национальной задачи «Прогнозирование водных ресурсов США для энергетики», представив разработанную под руководством Окриджской национальной лаборатории единую базовую ИИ-платформу ORBIT, сокращающую время расчёта гидрометеорологических моделей с нескольких суток до считаных секунд1. Опубликованный в тот же день сопутствующий документ «Масштабирование энергосети для обеспечения американской экономики» определяет архитектуру глубокого обучения и обучения с подкреплением для ускорения модернизации электросетей на фоне стремительного роста энергопотребления дата-центров, промышленности и электрификации2.

Иллюстрация, созданная ИИ: блок прозрачного оптического стекла с рельефом волны внутри, медный высоковольтный изолятор и серверный радиатор без маркировки на плоской сланцевой плите символизируют экзафлопсное прогнозирование водных ресурсов, расширение электросетей и нагрузку дата-центров, не являясь фотографией национальной лаборатории.
Обученная на экзафлопсных суперкомпьютерах платформа ORBIT выдаёт субкилометровые прогнозы за секунды
Доступность пресной воды всё жёстче ограничивает выработку электроэнергии, охлаждение генерирующих мощностей и устойчивость критической инфраструктуры США, тогда как традиционные численные модели земной поверхности и атмосферы остаются слишком медленными и крупноячеистыми для оперативного управления гидроэлектростанциями. Согласно дорожной карте Минэнерго США по водно-энергетическому прогнозированию, способный к многомасштабным временным рассуждениям искусственный интеллект нацелен на решение трёх взаимосвязанных фундаментальных задач — физики облаков, поверхностного и подземного стока, а также общего гидрологического цикла на горизонте от нескольких недель до нескольких лет1.
Возглавляя практическую реализацию проекта в сети национальных лабораторий, Окриджская национальная лаборатория (ORNL) обучила платформу ORBIT на экзафлопсных суперкомпьютерах ведомства, интегрировав суррогатные ИИ-модели с полевыми наблюдениями и экзафлопсной моделью земной системы E3SM (Energy Exascale Earth System Model)1. По данным ведомства, ORBIT может развёртываться на различных вычислительных узлах при минимальных затратах ресурсов и преобразует глобальные метеопрогнозы в данные с субкилометровым разрешением, обеспечивая точность предсказаний до 99 процентов для управления ГЭС, реагирования на паводки и поддержания надёжности энергосистем1.
Глубокое обучение и обучение с подкреплением ускорят сетевые решения в 20–100 раз
Наряду с гидрологическими факторами электроэнергетический комплекс сталкивается с дефицитом пропускной способности магистральных сетей из-за резкого прироста нагрузок со стороны крупных вычислительных центров ИИ, возвращающихся промышленных производств и электрифицированного транспорта. В профиле задачи по масштабированию энергосетей отмечается, что региональные электросетевые компании располагают критически важной телеметрией, но из-за низкой склонности к технологическому риску, региональной раздробленности и ограниченных ресурсов НИОКР не могут самостоятельно внедрять передовые алгоритмы планирования2.
Объединяя массивы отраслевых больших данных с методами глубокого обучения и обучения с подкреплением, Минэнерго США рассчитывает существенно снизить неопределённость при долгосрочном проектировании сетей, рассмотрении заявок на технологическое присоединение, диспетчеризации и киберзащите2. Ведомство зафиксировало чёткие целевые ориентиры: ускорить принятие плановых и оперативных сетевых решений в 20–100 раз и добиться как минимум 10-процентного улучшения показателей стоимости электроэнергии и надёжности энергоснабжения для домохозяйств и бизнеса2.
Испытательные полигоны национальных лабораторий свяжут данные энергокомпаний с верификацией ИИ
Чтобы перевести алгоритмические разработки в промышленную эксплуатацию, министерство задействует полномасштабные федеральные испытательные стенды для проверки моделей в условиях, приближенных к реальным режимам энергосистемы. В частности, Испытательный комплекс критической инфраструктуры (CITRC) в Национальной лаборатории Айдахо и платформа передовых исследований интегрированных энергосистем (ARIES) объединят вычислительные мощности ведомства с реальными эксплуатационными выборками системных операторов2.
Сочетание гидрологической платформы ORBIT и интеллектуальных инструментов сетевого планирования демонстрирует двуединый подход программы Genesis Mission, при котором суперкомпьютерные технологии напрямую устраняют инфраструктурные ограничения водного и энергетического баланса самих дата-центров12. По мере внедрения суррогатных климатических моделей и алгоритмов ускоренного техприсоединения высокоточное физико-информированное моделирование становится ключевым звеном энергетической безопасности и тарифной стабильности12.


