ШІ-прогнозування погоди виходить на енергетичний ринок: Google націлив WeatherNext 3 на операторів електромереж

Найновіша модель прогнозування погоди на основі ШІ від Google прогнозує швидкість вітру на висоті 100 метрів над землею — приблизно на висоті сучасної вітрової турбіни. Вона також прогнозує хмарність і кількість сонячного світла, що досягає поверхні, та оновлюється щогодини. Трейдери енергоринку, оператори електромереж і розробники вітрових та сонячних електростанцій уже платять іншим компаніям за ці дані. Представлення WeatherNext 3 тепер виводить Google на цей ринок.

Google DeepMind і Google Research випустили модель 3 вересня. Вона щогодини створює глобальний прогноз із роздільною здатністю до п’яти кілометрів для таких показників поверхні, як температура та вологість. Попередня версія, WeatherNext 2, працювала на сітці 25 кілометрів і оновлювалася кожні шість годин. У Google зазначають, що нові енергетичні змінні мають допомогти операторам електромереж і розробникам прогнозувати, скільки електроенергії вироблятимуть їхні вітрові та сонячні активи, а потім зіставляти це з попитом.

Найбільше уваги було приділено споживчій частині запуску. WeatherNext 3 тепер забезпечує погодні результати в Google Search, застосунку Gemini, Google Maps і Weather API платформи Google Maps. За ним стоїть корпоративний рівень, який має більше комерційне значення. Ті самі прогнозні дані можна запитувати в BigQuery та Earth Engine або масово завантажувати з Google Cloud Storage, і клієнту не потрібно налаштовувати модель.

Чому енергетичний сектор купує прогнозування погоди на основі ШІ

Оператори електромереж керують системою, яку стало важче прогнозувати з обох боків. На боці генерації відновлювані джерела тепер забезпечують більшість нових потужностей. У прогнозі електромереж США на 2026 рік S&P Global Market Intelligence зазначено, що сонячна енергетика та системи зберігання енергії є основними джерелами нових потужностей цього року — відповідно 51,2 ГВт і 25,7 ГВт із понад 90 ГВт запланованих додаткових потужностей. 

Сонячні та вітрові електростанції виробляють електроенергію залежно від погоди, а не попиту, тому кожен доданий гігават робить короткостроковий прогноз точнішим.

На боці споживання нове навантаження створює ШІ. S&P Global називає поширення центрів обробки даних по Північній Америці основним чинником нещодавнього сплеску попиту на електроенергію, що змушує комунальні підприємства підвищувати свої прогнози навантаження. У прогнозі розвитку енергетичної та комунальної галузей на 2026 рік Deloitte очікує, що піковий попит до 2035 року зросте приблизно на 26%, а попит із боку центрів обробки даних сам по собі потенційно сягне 176 ГВт — у п’ять разів більше, ніж у 2024 році.

Вартість помилки у прогнозі очевидна. Якщо оператор недооцінить, скільки вітрової електроенергії надійде в мережу, йому доведеться в короткий термін купувати електроенергію на заміну, зазвичай у газових електростанцій, які утримуються в дорогому резерві. Якщо ж він переоцінить обсяг, вітровим і сонячним електростанціям зрештою платитимуть за вимкнення, оскільки мережа не може прийняти вироблену ними електроенергію. Обидва варіанти дорогі, і обидва є наслідками помилок прогнозування.

Ринок, на який виходить Google

Продаж прогнозів погоди енергетичному сектору — усталений бізнес. У ньому конкурують Vaisala, Solcast, WindGEMINI від DNV і HyperWatch від IBM. Також у ньому працює Jua, швейцарська компанія, яка стверджує, що її модель EPT-2 за точністю перевершує Microsoft Aurora та попередню GraphCast від DeepMind, оновлюючись 24 рази на день порівняно з типовими, за її описом, чотирма оновленнями на день у конкурентів.

Перевага Google — у масштабі охоплення. Той самий прогноз відображається як таблиця в BigQuery, шар в Earth Engine, API у Google Maps Platform і стандартна відповідь у Google Search. Жоден спеціалізований постачальник не має такого охоплення, а щогодинне оновлення скорочує розрив у частоті оновлень, яким ці постачальники користувалися для диференціації.

У чинних гравців залишився один технічний аргумент. Згідно з опублікованою позицією Jua, фізичні моделі, як-от HRES від ECMWF, досі перевершують суто дата-орієнтовані моделі ШІ під час рекордних екстремальних погодних явищ, оскільки фізичні моделі кодують правила руху енергії та маси в атмосфері, тоді як моделі ШІ навчаються на закономірностях минулих даних. 

Jua продає продукт з урахуванням фізичних обмежень, тож це твердження відповідає її власним інтересам. Водночас воно описує саме ті умови, які найбільше непокоять операторів електромереж, — коли шторм виходить за межі всього, що модель бачила під час навчання.

Що нового, а що перебільшено

Архітектурне твердження, що лежить в основі WeatherNext 3, полягає в тому, що модель навчається на реальних спостереженнях, а не на симуляціях. Більшість моделей погоди на основі ШІ, зокрема WeatherNext 2, навчаються на результатах чисельних моделей прогнозування погоди — керованих суперкомп’ютерами фізичних симуляцій, які мають затримку даних у шість годин. Така затримка може створювати похибки у швидкозмінних показниках, як-от дощ і температура поверхні. WeatherNext 3 отримує дані з оперативних геостаціонарних супутникових зображень і безпосередньо навчається на показаннях окремих метеостанцій.

Зміна є реальною, хоча й вужчою, ніж це випливало з багатьох публікацій. Власна схема системи Google показує, що модель отримує погодинні супутникові мозаїки разом із традиційними історичними аналітичними даними. Старший науковий співробітник DeepMind Ілан Прайс розповів Bloomberg, що перевага полягає у відсутності очікування наступного аналізу та використанні найсвіжішої доступної інформації. 

Згідно з повідомленнями, залишкова затримка даних становить від трьох до чотирьох годин, порівняно приблизно із сімома раніше. Залежність від чисельного прогнозування погоди зменшено, але не усунуто.

Показники точності також потребують обережного трактування. Google повідомляє про покращення до 60% порівняно із супутниковим продуктом NASA IMERG, на 30% порівняно з радаром MRMS і на 10% порівняно з показаннями дощомірів на ранніх етапах прогнозування, виміряні за допомогою стандартного методу оцінювання ймовірнісних прогнозів. Це три окремі базові показники, і відсотки не додаються. Широко повторюване твердження про на 50% краще прогнозування опадів стосується саме прогнозів на добу або більше наперед. Кожен показник має уточнення «до», що означає: кожен із них є найкращим, а не типовим результатом.

Google не опублікувала незалежної перевірки третьою стороною разом із запуском. Натомість компанія посилається на оперативні оцінювання Brightband, таблицю лідерів якої цитує, стверджуючи, що WeatherNext 3 є найточнішою глобальною погодною моделлю на сьогодні. Комунальне підприємство, яке розглядає перехід із платного спеціалізованого сервісу, більше цікавитиме ефективність на його власній території обслуговування та його власних об’єктах, ніж місце у глобальній таблиці лідерів.

Власна зацікавленість Google у цій проблемі

Google продає інструменти прогнозування для вирішення проблеми електромереж, яку частково створила власна галузь компанії. Розбудову центрів обробки даних, що спричиняє зростання навантаження, яке комунальним підприємствам важко обслуговувати, очолюють гіперскейлери, зокрема Google, а компанія підписала угоди про закупівлю відновлюваної енергії на кілька гігаватів для забезпечення власних об’єктів.

Точне прогнозування виробництва вітрової та сонячної енергії безпосередньо корисне компанії, яка узгоджує великі обсяги чистої енергії з навантаженням, що водночас зростає й змінюється. Це комерційна логіка, і вона частково пояснює, чому енергетичні змінні були включені до цього випуску.

Google не оприлюднила ціни на корпоративний доступ до WeatherNext 3 і не повідомила, чи передбачаються за дані BigQuery та Earth Engine стандартні витрати на запити Cloud або окрема ліцензія. Комунальні підприємства, які розглядають перехід із платного спеціалізованого сервісу, захочуть знати цю цифру, перш ніж оцінювати будь-які заяви щодо точності.

У 2025 році понад 65 000 співробітників її корпоративно-інвестиційного банку активно використовували платформу, а понад 90% її інженерів користувалися помічниками з написання коду на основі ШІ.

Банк також заявив, що перевірка транзакцій на основі ШІ дала змогу опрацювати більш ніж удвічі більший, ніж раніше, обсяг транзакцій, водночас удвічі скоротивши кількість ручних перевірок операторами.

Bank of America використовує систему EricaAssist із генеративним ШІ, якою користуються понад 18 000 співробітників служби підтримки клієнтів. Інструмент узагальнює причину звернення клієнта, знаходить відповідну інформацію та пропонує можливі подальші кроки, залишаючи відповідальність за взаємодію за працівником.

У липні 2026 року Bank of America повідомив, що EricaAssist може надавати контекстні рекомендації менш ніж за три секунди та скоротила середню тривалість дзвінків майже на одну хвилину. Банк планує поширити систему на додаткові сценарії обслуговування та напрямки бізнесу пізніше у 2026 році.

(Фото: Google)

Дивіться також: ШІ MIT прогнозує екстремальну погоду без історичних даних

Хочете дізнатися більше про ШІ та великі дані від лідерів галузі? Відвідайте AI & Big Data Expo, що відбудеться в Амстердамі, Каліфорнії та Лондоні. Цей масштабний захід є частиною TechEx і проходитиме одночасно з іншими провідними технологічними заходами; натисніть тут, щоб отримати більше інформації.

AI News працює на базі TechForge Media. Перегляньте інформацію про інші майбутні заходи та вебінари у сфері корпоративних технологій тут.