洋上風力発電所は、私たちが建設する最大級の機械の一つです。ゆっくりと回転するブレードを頂上に備えた巨大なタワーが連なり、巨大なタービンから数メガワットの電力を生み出し、何マイルもの広大な敷地を占めています。
つまり、どんなに緑豊かな植物であっても、周囲の生態系に計り知れない影響を与え、鳥や魚、さらには昆布やその他の海藻の成長にも影響を与えているのです。
これらのタービンの管理は大きな課題です。私たちは、タービンを孤立させて考えることは到底できません。むしろ、タービンが属する環境を含めた、より大きなシステムの一部として捉える必要があります。
発電用にタービンを最適化するのではなく、渡り鳥が通過できるようにタービンを制御し、同時に海草が係留場所に影響を与えないようにし、ニシンなどの魚の群れを追って漁船が養殖場にやって来る際に鉄塔を損傷しないようにする必要があります。
それはツノメドリから始まる
このプロジェクトの当初の動機は、デジタルツインそのものではなく、スコットランド沖の孤島に生息するツノメドリの個体数をAIモデルを用いて数えることでした。SSE Renewables社はメイ島の主要なツノメドリの繁殖地から約320km離れた場所に風力発電所を建設していたため、風力タービンがツノメドリの個体数に影響を与えているかどうかを調べたいと考えていました。
ツノメドリを数えるのは難しい。ツノメドリは年間 8 か月を海で過ごし、繁殖のために海岸に戻り、1 年に 1 個だけ卵を産むからだ。
繁殖巣の近くにある一連のカメラがツノメドリの動きをライブストリームで撮影し、その映像は訓練されたモデルに送られ、個々のツノメドリを追跡し、いつ巣を離れて戻ってくるかまで記録できる。
この島は、8万羽以上のツノメドリが生息する英国最大のツノメドリ繁殖地の一つで、個体数の変動を追跡し、近くの風力発電所が何らかの変化を引き起こしているかどうかを理解するには理想的な場所となっている。
AIを使ってツノメドリの個体数を数えることはデジタルツインではありませんが、風力発電所周辺の環境の大規模モデルを構築するための入力データと技術の一つです。風力発電所はどれも同じではありません。タービンの種類が異なり、建設されている沿岸海域や風向も異なります。
その結果、それぞれの風力発電所では鳥の渡りのパターンが異なり、生息する魚の種類も異なります。制御システムの一部として使用される環境モデルは、それぞれの風力発電所に合わせてカスタマイズする必要があります。
クラウドで風力発電所を管理する
マイクロソフトとそのパートナーであるアバナードが採用しているアプローチの一つは、風力発電所周辺で何が起こっているかを把握するために、多種多様なセンサーを活用し、そのデータを用いて複雑かつほぼリアルタイムの状況把握を実現することです。その目的は、現在使用されているツノメドリの個体数計測サービスのような、時間のかかる手作業によるカウント手法を排除することです。
現代の環境センサーは、カメラやマイクのような受動的なものから、ライダーやレーダーのような能動的なものまで様々です。そのため、網を使って魚を採取したり、ダイバーを派遣して数えたりするよりも、環境への負担が少なくなります。
AI で解釈される一連のセンサーは、人間の介入に伴う制限を回避し、あらゆる状況と時間帯でデータを収集します。
参照：採用キット：クラウドエンジニア（TechRepublic Premium）
このようなモデルは、クラウドの規模を活用して、複数のシミュレーションを並行して高速に実行することができます。嵐が近づいている場合、タービンの回転速度をどの程度まで減速させると、どのような影響が出るでしょうか？
このようなシミュレーションの結果を実際のデータと比較することで、フィードバックループが強化され、チームはモデルを改良し、次回の結果セットの精度を高めることができます。その後、このデータを用いて機械学習モデルを訓練し、問題を引き起こす可能性のある条件を特定することで、適切な保護策を適用できるようになります。
大規模で複雑なシステムを扱う
このアプローチにより、SSEは渡り鳥へのリスク軽減の実験が可能になります。例えば、鳥の群れが安全に通過しながら発電を継続できる最適なブレード速度を決定できます。風力タービン周辺の環境を理解することで、より効果的に、そして環境への影響を大幅に低減しながら風力タービンを制御することが可能になります。
アバナードのデータおよびAI担当最高技術責任者であるサイモン・ターナー氏は、このアプローチを「自律型ビジネス」と表現しました。データとAIが連携して、事実上自律的に動作するシステムを実現します。ターナー氏は、AIが「ユーザーが理解している特定の事柄を管理し、ユーザーが代わりに意思決定を行うようシステムを導く」役割を担っていると説明しました。
このアプローチの鍵となるのは、デジタルツインの概念を機械学習と大規模データで拡張することです。過去のデータとリアルタイムデータを組み合わせることで、大規模で複雑なシステムのモデルを構築し、環境全体に拡張することが可能になります。
ターナー氏が指摘するように、このアプローチは風力発電所以外にも拡張可能であり、集水域の仕組みや、サケが従来の繁殖地へ向かう途中で無傷で通過できるように水力発電システムを調整しながら発電する方法など、新たな要素を追加することで大きな効果が得られる可能性のある複雑なシステムをモデル化するために使用できます。
この風力発電所プロジェクトには、マイクロソフトの AI for Earth プログラムの精神を反映したもう 1 つの側面があります。収集されたすべてのデータは SSE Renewables の外部と共有され、海洋およびその他の環境研究者が利用できるようになります。
得られたデータセットは、新たな風力発電所の計画やその他大陸棚インフラプロジェクトにとって貴重なリソースとなるはずです。これにより、科学者が専門知識や分析をデータに追加できる新たなフィードバックパスが生まれます。
既存のAzureサービスを使用する
Azureは、この種のアプリケーションに最適なプラットフォームです。構築に必要なツールのほとんどは既に用意されています。センサーを管理するためのAzure IoT Hub、膨大なデータストレージ要件を処理するためのData Lake、そしてAzureのAIツール（モデルの構築、テスト、そしてその結果の利用）、そして既存のDigital Twins製品（モデルのホスティングと実行）です。
これは、異なる場所に建設・運用されている風力発電所の違いに対応できるほど拡張性と柔軟性に優れたアプローチです。新たなデータポイントが発見されると、モデルに追加できるため、プラットフォームは新たなデータや、風力発電所の運営チームや環境への影響管理チームからの新たな質問に適応することができます。
風力発電所の影響は数年に及ぶため、データは長期間保存する必要があり、モデルは分や秒だけでなく、季節や年、さらには数十年単位で機能する必要があります。
このような大規模なデジタルツインは、産業用IoTにおける論理的な次のステップです。マイクロソフトは既に、監視と制御を必要とする複雑なシステムを持つ他のお客様からの関心を集めています。
これはマイクロソフト自身にとっても利益となる。同社はカーボンネガティブになるというコミットメントを持っているため、革新的な再生可能エネルギープロバイダーと協力して環境フットプリントを削減する新しい技術を開発する必要がある。
このような大規模な環境モデルの使用には別の側面があり、その出力を他のシステムと共有できるという点です。たとえば、Microsoft 独自の精密農業プラットフォーム FarmBeats にデータを提供できます。
