论文部分内容阅读
大公司不惜成本，希望降低获取太阳能的成本，而软件将是降低成本的关键。
与大多数行业一样，太阳能行业在迅速积极采用分析和处理数据的方法，以便降低太阳能成本，并为其技术开拓新市场。
眼下涌现出了大批数据处理工具：算法、机器学习和传感器，它们为投资和收购太阳能初创公司起到了推波助澜的作用，而创业者们在纷纷组建新公司，使用数据解决太阳能行业的种种问题。与此同时，大公司不惜成本，跟踪、监视和评估来自世界各地的太阳能项目的数据，希望降低获取太阳能的成本。
太阳能行业是最近认识到数据价值的行业，这不足为奇。其他传统的非数字化行业（比如汽车行业、石油天然气行业和农业）将管理数据视作确保技术具有竞争力、公司存活下去的一种必要手段。
但是说到太阳能行业，数据最终会大幅降低太阳能的成本，降到可与矿物燃料能源有得一拼的地步。那样一来，数据不仅仅是太阳能公司赚钱的一条途径，还是全世界改变能源获取方式的一条途径，传统的能源获取方式排放出数吨的碳，导致全球气候变暖。
机器学习降低成本
总部位于加州奥克兰的创业公司PowerScout，在种子轮融资活动中融得520万美元，以发展其技术。该公司的技术使用大数据、分析和电子商务等工具，找到更巧妙的方法，以便将太阳能电池板出售给消费者。其软件可积聚关于当前和潜在太阳能客户的大量数据，使用机器学习来预测其中哪些客户可能会购买太阳能电池板。
机器学习是一种人工智能技术，它把数据馈送给算法，那样基于机器学习的算法就能更准确地找出数据中的模式。事实证明，这有助于销售太阳能电池板。
向消费者出售太阳能电池板已成为许多公司面临的一个棘手和烧钱的问题，尤其是由于一些市场（比如加州）已取得了足够的成功，许多早期采用者已经有了太阳能电池板。这意味着在那些地方，太阳能公司将日益不得不说服更主流的客户（这些客户通常对价格比较敏感）购买太阳能电池板。
PowerScout公司的首席执行官阿蒂拉·托特（Attila Toth）在拉斯维加斯的大会上说，太阳能电池板“依然挨家挨户地推销，就像上世纪50年代推销真空吸尘器那样。”这意味着，由于销售过程本身的高昂成本，消费者要付更多的钱，而不是只付太阳能电池板的成本价。
这家公司得到的资金包括来自美国能源部的数百万美元投资，它还与谷歌的Sunroof项目合作，该项目使用数据来构建类似的太阳能软件。
其他初创公司在使用数据，以便更容易为安装太阳能电池板所需的成本融资。近日，一家总部位于旧金山的公司kWh Analytics推出了一款新的太阳能软件产品，该产品使用来自全球太阳能项目的数据，说服保险公司为太阳能项目提供产能保险。这种保险降低了为太阳能系统筹集的资金的利率，因而降低了融资成本。
kWh Analytics的首席执行官理查德·马特苏（Richard Matsui）表示，太阳能数据向来“非常杂乱”，业界基本上不知道谁建立了一流的太阳能项目。这家公司的一大客户是谷歌，谷歌购买了超过2.5千兆瓦的清洁能源。今年夏天，kWh Analytics从Anthemis Group和能源巨头Engie筹集了一笔500万美元的资金。
太阳能数据初创公司不仅仅从风险投资公司融得启动资金，许多大公司也在收购它们。
上个月，电子业巨头Flex透露，通过旗下的太阳能设备子公司NEXTracker，收购了一家名为BrightBox Technologies的机器学习初创公司。这家总部位于加利福尼亚伯克利的公司成立才不过三年，开发的软件可以优化楼宇的供暖制冷系统。
但NEXTracker计划使用该公司的软件和联合创始人的聪明才智，利用机器学习在全球范围优化其太阳能硬件的开发和运作。更智能化地监测和维护太阳能电池板，以及用于移动太阳能电池板的设备，有助于通过优化太阳能电池板产能来降低成本。
IBM尝试
就连像IBM这些机器学习领域的巨头也在想方设法，利用数据来降低太阳能的成本。2013年，IBM的研究部门利用美国能源部的资金，开始致力于研究如何将人工智能引擎“沃森”（Watson）运用于清洁能源。
如今，IBM研究部门有200个合作伙伴使用其开发的太阳能和风能预测技术，该技术可以提前15分钟至30天，预测太阳能和风力状况。这项技术的问世得益于结合了众多预测模型，并增加了大量数据，这些数据涉及天气、环境、大气条件以及太阳能发电厂和电网如何运作。人工智能引擎还借助从全美1600个地方收集来的环境数据接受了训练。
项目经理亨德里克·哈曼（Hendrik Hamann）表示，结果就是，IBM的“自学习天气模型和可再生能源预测技术”（之前名为Watt-sun）的准确率比排名第二的太阳能预测模型高出50%。这项技术在研究部门诞生后，IBM想方设法将它商业化。
即使在非洲撒哈拉以南地区的非并网市场，超低成本的太阳能也得益于机器学习。一家名为Azuri的英国初创公司销售用手机技术管理的太阳能电池板和电池，它使用机器学习来了解客户的使用模式，并以最佳的方式管理电池和能源。比如说，如果客户的电池开始电量不足，系统就会自动调整屏幕亮度，减慢手机充电速度，好让电池能量尽量耐用。
太阳能电池板和项目开发商SunPower表示，它积累的太阳能电池板发电厂方面的操作数据比业内其他任何一家公司都要多。它使用这些数据来改进电池能电池板技术、改善客户服务以及公司选址、建设和运作项目的方法。SunPower在奥斯丁还有一个控制中心，到今年年底，有望能够监测和管理超过1.8千兆瓦的太阳能电池板项目。
不是说哪一种特定的数据工具在颠覆太阳能行业；事实将证明，结合数据降低太阳能成本的多种方法，对于将太阳能变成一种更主流的能源会起到至关重要的作用。
太阳能电池板已经处于历史上最低的价位。现在就要靠软件和数据确保那些低成本的太阳能电池板能够尽量快速而轻松地进入到大型太阳能发电厂和家家户户的屋顶上。
与大多数行业一样，太阳能行业在迅速积极采用分析和处理数据的方法，以便降低太阳能成本，并为其技术开拓新市场。
眼下涌现出了大批数据处理工具：算法、机器学习和传感器，它们为投资和收购太阳能初创公司起到了推波助澜的作用，而创业者们在纷纷组建新公司，使用数据解决太阳能行业的种种问题。与此同时，大公司不惜成本，跟踪、监视和评估来自世界各地的太阳能项目的数据，希望降低获取太阳能的成本。
太阳能行业是最近认识到数据价值的行业，这不足为奇。其他传统的非数字化行业（比如汽车行业、石油天然气行业和农业）将管理数据视作确保技术具有竞争力、公司存活下去的一种必要手段。
但是说到太阳能行业，数据最终会大幅降低太阳能的成本，降到可与矿物燃料能源有得一拼的地步。那样一来，数据不仅仅是太阳能公司赚钱的一条途径，还是全世界改变能源获取方式的一条途径，传统的能源获取方式排放出数吨的碳，导致全球气候变暖。
机器学习降低成本
总部位于加州奥克兰的创业公司PowerScout，在种子轮融资活动中融得520万美元，以发展其技术。该公司的技术使用大数据、分析和电子商务等工具，找到更巧妙的方法，以便将太阳能电池板出售给消费者。其软件可积聚关于当前和潜在太阳能客户的大量数据，使用机器学习来预测其中哪些客户可能会购买太阳能电池板。
机器学习是一种人工智能技术，它把数据馈送给算法，那样基于机器学习的算法就能更准确地找出数据中的模式。事实证明，这有助于销售太阳能电池板。
向消费者出售太阳能电池板已成为许多公司面临的一个棘手和烧钱的问题，尤其是由于一些市场（比如加州）已取得了足够的成功，许多早期采用者已经有了太阳能电池板。这意味着在那些地方，太阳能公司将日益不得不说服更主流的客户（这些客户通常对价格比较敏感）购买太阳能电池板。
PowerScout公司的首席执行官阿蒂拉·托特（Attila Toth）在拉斯维加斯的大会上说，太阳能电池板“依然挨家挨户地推销，就像上世纪50年代推销真空吸尘器那样。”这意味着，由于销售过程本身的高昂成本，消费者要付更多的钱，而不是只付太阳能电池板的成本价。
这家公司得到的资金包括来自美国能源部的数百万美元投资，它还与谷歌的Sunroof项目合作，该项目使用数据来构建类似的太阳能软件。
其他初创公司在使用数据，以便更容易为安装太阳能电池板所需的成本融资。近日，一家总部位于旧金山的公司kWh Analytics推出了一款新的太阳能软件产品，该产品使用来自全球太阳能项目的数据，说服保险公司为太阳能项目提供产能保险。这种保险降低了为太阳能系统筹集的资金的利率，因而降低了融资成本。
kWh Analytics的首席执行官理查德·马特苏（Richard Matsui）表示，太阳能数据向来“非常杂乱”，业界基本上不知道谁建立了一流的太阳能项目。这家公司的一大客户是谷歌，谷歌购买了超过2.5千兆瓦的清洁能源。今年夏天，kWh Analytics从Anthemis Group和能源巨头Engie筹集了一笔500万美元的资金。
太阳能数据初创公司不仅仅从风险投资公司融得启动资金，许多大公司也在收购它们。
上个月，电子业巨头Flex透露，通过旗下的太阳能设备子公司NEXTracker，收购了一家名为BrightBox Technologies的机器学习初创公司。这家总部位于加利福尼亚伯克利的公司成立才不过三年，开发的软件可以优化楼宇的供暖制冷系统。
但NEXTracker计划使用该公司的软件和联合创始人的聪明才智，利用机器学习在全球范围优化其太阳能硬件的开发和运作。更智能化地监测和维护太阳能电池板，以及用于移动太阳能电池板的设备，有助于通过优化太阳能电池板产能来降低成本。
IBM尝试
就连像IBM这些机器学习领域的巨头也在想方设法，利用数据来降低太阳能的成本。2013年，IBM的研究部门利用美国能源部的资金，开始致力于研究如何将人工智能引擎“沃森”（Watson）运用于清洁能源。
如今，IBM研究部门有200个合作伙伴使用其开发的太阳能和风能预测技术，该技术可以提前15分钟至30天，预测太阳能和风力状况。这项技术的问世得益于结合了众多预测模型，并增加了大量数据，这些数据涉及天气、环境、大气条件以及太阳能发电厂和电网如何运作。人工智能引擎还借助从全美1600个地方收集来的环境数据接受了训练。
项目经理亨德里克·哈曼（Hendrik Hamann）表示，结果就是，IBM的“自学习天气模型和可再生能源预测技术”（之前名为Watt-sun）的准确率比排名第二的太阳能预测模型高出50%。这项技术在研究部门诞生后，IBM想方设法将它商业化。
即使在非洲撒哈拉以南地区的非并网市场，超低成本的太阳能也得益于机器学习。一家名为Azuri的英国初创公司销售用手机技术管理的太阳能电池板和电池，它使用机器学习来了解客户的使用模式，并以最佳的方式管理电池和能源。比如说，如果客户的电池开始电量不足，系统就会自动调整屏幕亮度，减慢手机充电速度，好让电池能量尽量耐用。
太阳能电池板和项目开发商SunPower表示，它积累的太阳能电池板发电厂方面的操作数据比业内其他任何一家公司都要多。它使用这些数据来改进电池能电池板技术、改善客户服务以及公司选址、建设和运作项目的方法。SunPower在奥斯丁还有一个控制中心，到今年年底，有望能够监测和管理超过1.8千兆瓦的太阳能电池板项目。
不是说哪一种特定的数据工具在颠覆太阳能行业；事实将证明，结合数据降低太阳能成本的多种方法，对于将太阳能变成一种更主流的能源会起到至关重要的作用。
太阳能电池板已经处于历史上最低的价位。现在就要靠软件和数据确保那些低成本的太阳能电池板能够尽量快速而轻松地进入到大型太阳能发电厂和家家户户的屋顶上。