Najważniejsze informacje
Google DeepMind udostępnił WeatherNext 3, model pogodowy AI dla operatorów infrastruktury energetycznej
Model aktualizuje się co godzinę i prognozuje prędkość wiatru na wysokości turbin do 100 metrów
Szacuje również poziom promieniowania słonecznego, aby przewidywać produkcję z paneli fotowoltaicznych
WeatherNext 3 jest skierowany do operatorów sieci, którzy muszą bilansować system przy rosnącym udziale OZE
DeepMind przedstawia narzędzie jako bezpośredni wkład w szybszą transformację energetyczną
Google DeepMind wprowadził WeatherNext 3 – model prognoz pogodowych zaprojektowany z myślą o farmach wiatrowych, wytwórcach energii słonecznej oraz operatorach sieci przesyłowych i dystrybucyjnych.
Firma podkreśla, że model aktualizuje prognozy co godzinę i koncentruje się na parametrach kluczowych dla generacji energii ze źródeł odnawialnych.
DeepMind opisał narzędzie 14 września w poście w serwisie X, a dodatkowe szczegóły techniczne przedstawił na swoim blogu.
Co mierzy WeatherNext 3
WeatherNext 3 generuje dwa główne strumienie prognoz. Pierwszy obejmuje prędkość i kierunek wiatru na wysokościach do 100 metrów – to poziom pracy łopat na większości nowoczesnych lądowych turbin wiatrowych.
Drugi strumień dotyczy zachmurzenia i natężenia promieniowania słonecznego. Operatorzy sieci wykorzystują te dane, by oszacować wolumen energii elektrycznej, jaki w kolejnych godzinach wyprodukują instalacje fotowoltaiczne.
Oba strumienie są odświeżane w cyklu godzinnym. DeepMind wskazuje, że ta częstotliwość ma kluczowe znaczenie, bo warunki pogodowe wpływające na generację mogą się zmieniać w trakcie pojedynczego okresu handlowego na hurtowych rynkach energii.
Spółka określa WeatherNext 3 jako element infrastruktury transformacji energetycznej. Wyprzedzająca informacja o zmieniającej się pogodzie pozwala lepiej dopasować podaż zielonej energii do profilu zapotrzebowania odbiorców. Pomaga też stabilizować system w sytuacji zmiennej generacji z OZE.
Przeczytaj także: Bitget informuje, że transakcje poza krypto sięgają 40% wraz z wyjściem poza aktywa cyfrowe
Dlaczego bilansowanie sieci potrzebuje lepszych prognoz
Historycznie systemy elektroenergetyczne opierały się na wytwarzaniu sterowalnym – elektrowniach, które można włączać, wyłączać lub regulować ich moc na żądanie. Do tej kategorii zaliczają się jednostki węglowe, gazowe i jądrowe.
Wiatr i słońce nie spełniają tego kryterium. Ich produkcja zależy od warunków atmosferycznych, których operator nie kontroluje. Sieć z wysokim udziałem OZE musi antycypować wahania generacji z wyprzedzeniem, zamiast reagować na nie po fakcie.
Błędy prognostyczne kumulują się w skali całego systemu. Przeszacowanie produkcji farmy wiatrowej może zostawić operatora systemu bez wystarczającej podaży w szczycie zapotrzebowania. Niedoszacowanie prowadzi do niewykorzystania mocy i wymusza uruchamianie droższych jednostek rezerwowych.
Godzinna rozdzielczość prognoz AI bezpośrednio adresuje tę lukę. Wyższa dokładność w horyzoncie od jednej do dwunastu godzin daje operatorom czas na optymalne zaplanowanie pracy magazynów energii, programów DSR (reakcji popytu) czy uruchomienia rezerwy przy minimalnych kosztach.
DeepMind rozwija modele pogodowe od kilku lat. Wcześniejsze prace zaowocowały powstaniem GraphCast – globalnego modelu pogody, który w wielu metrykach przewyższył wyniki Europejskiego Centrum Średnioterminowych Prognoz Pogody.
WeatherNext 3 opiera się na tych fundamentach, ale jest ukierunkowany na zastosowania stricte energetyczne.
Infrastruktura AI a krypto – szerszy kontekst
Wdrożenia modeli AI na taką skalę wpisują się w narrację o zdecentralizowanej mocy obliczeniowej, która jest żywa na rynkach kryptowalut. Sieci takie jak Bittensor (TAO) czy Render (RNDR) budują swoją propozycję wartości wokół rosnącego popytu na rozproszoną infrastrukturę AI.
Komercyjny produkt do prognozowania pogody od czołowego laboratorium AI pokazuje realne zapotrzebowanie na moc obliczeniową, które zdecentralizowane sieci chcą obsłużyć. DeepMind uruchamia WeatherNext 3 na własnej, zastrzeżonej infrastrukturze. Otwarte i rozproszone alternatywy muszą dopiero udowodnić, że są w stanie osiągnąć porównywalne parametry.
Elon Musk zwrócił uwagę w poniedziałek, że centra danych AI przyczyniają się do obniżenia cen energii dla odbiorców końcowych. To podejście koresponduje z narracją DeepMind, według której lepsze prognozowanie za pomocą AI obniża koszty zarządzania podażą energii z OZE.
Przeczytaj także: Grok 5 celem Muska w wyścigu do AGI, gdy rosną ostrzeżenia dotyczące bezpieczeństwa AI
Co dalej
DeepMind nie ujawnił, którzy operatorzy systemów czy spółki energetyczne aktywnie korzystają już z WeatherNext 3. Komercyjne wdrożenia w tym segmencie zwykle obejmują przedsiębiorstwa energetyczne, niezależnych wytwórców oraz biura tradingu energią.
O przydatności modelu dla ofertowania na rynku dnia następnego zadecyduje jego dokładność w dłuższym horyzoncie – powyżej sześciu godzin. To właśnie tam rozliczane są największe wolumeny kontraktów na energię, a błędy prognozowania generują najwyższe koszty.
O ten sam rynek konkurują inne modele pogodowe oparte na AI, rozwijane m.in. przez startupy takie jak Tomorrow.io, oraz istniejące usługi narodowych służb meteorologicznych. Wejście DeepMind podnosi poprzeczkę dla całej branży pod względem oczekiwanej precyzji prognoz.
Zobacz także: Hakerzy Revolut publikują dane klientów i żądają 10 000 bitcoinów
