跟着动力格式行将发生巨大变化，现在是结合机器学习和电网的优异机遇。

比尔·盖茨(Bill Gates)在2017年表明：“假如我今日刚开始并寻觅同一种对国际发生严重影响的时机，我将考虑三个范畴。一是人工智能;第二是动力;第三是生物科学”。

毫无疑问，动力的未来在于可继续、牢靠和“智能”的发电和配电体系，以及自动而不是被迫的网络。电力公司具有与网络毛病、网络模型，来自发电机的运转信息和财物数据库相关的许多且不断增加的数据。

数据具有猜测网络毛病和帮忙保护的巨大潜力。将来，经过机器学习，增加网络毛病记载将是处理方案的一部分，而不是问题。经过增加更多记载，能够为模型供给更多剖析数据，然后能够进行更准确，更准确的猜测。

例如，机器学习算法能够拜访具有类型、方位、运用期限或运用期限配置文件和财物情况、电路和负载数据以及现有毛病数据的数据库，并将毛病的概率和本钱回来为以及或许发生的时刻，如以小时、天、周或月为单位。

机器学习有或许被用作经济的建模东西，经过本钱效益剖析评价与运用电网加固处理方案有关的战略开展和决议计划。将来，咱们不只将对毛病做出反响，还将运用经过剖析技术经济数据来猜测毛病的模型来猜测和防止毛病。因而，经过机器学习，电力行业在开发自动体系而非被迫体系方面迈出了一步。

在后疫情年代，最急迫的应战是气候变化，以英国为例，他们许诺到2050年过渡到零净经济，电力网络将开展到愈加可再生的根底。咱们现已能够看到，跟着清洁动力的发电在2020年的前三个月英国供给了40%的电力，可再生动力的位置日益增加，这是可再生动力初次超越化石燃料。

剖析人士以为，可再生动力和可继续动力工业应像前次经济衰退那样发挥更大的效果，并推进绿色经济复苏。虽然并非没有应战，但这是或许的，而且机器学习能够处理某些问题。

即便运用最杂乱的天气预报，也很难准确猜测风能和太阳能等可再生动力发电的动摇。此外，内部设备的设备(例如光伏和电池)的小型分布式发电和存储(全球规模为5000万个)增加了体系的不确定性。

机器学习和人工智能或许会处理这些问题，由于这些算法可用于更准确地猜测需求，以及可再生动力发电的输出，不管短期仍是长时间都运用猜测。

现在，已开始运用已设备的储能设备(包含电池)来最大程度地削减可再生动力发电的不确定性，并协助完成可再生动力需求的更高百分比。可是，该处理方案或许存在牢靠性问题和局限性，例如电池退化和意外毛病，需求不断监控和保护。

运用机器学习作为东西来监督和猜测储能体系中的潜在毛病或许会导致体系愈加牢靠和高效，而且经过运用AI和机器学习算法，电力需求和可再生动力发电将愈加可猜测，储能愈加牢靠并高效。

科学界现已在研讨电力网络中“智能”动力和机器学习的美好前景。关于动力需求的猜测，太阳能发电的猜测，乃至对能够从城市环境中的食物废物中搜集的能量的准确猜测，现已有许多说法。考虑到其他范畴对AI和机器学习的深化了解和广泛运用，跟着咱们过渡到零净经济和社会，电网范畴的或许性令人兴奋。