能源行業會產生大量的數據。為了將這些數據轉化為提高生產率和削減成本的驅動力，主要的能源行業公司——石油和天然氣巨頭，以及可再生能源公司——都把注意力轉向了人工智能。
自2012年以來，把人工智能和能源產業放在一起進行報道的新聞開始增多。本文簡要描述了人工智能在能源行業的5個應用方向，及對應的案例。
根據Greentech Media最近的一份報告，美國的能源儲藏在2017年第四季度達到了一個新的里程碑：在2013年至2017年間，累計儲藏量已超過1000兆瓦時。該報告還預測，這個數字將在今年翻一番。隨著儲藏容量的提升和新技術的出現，人工智能正在提升這個市場的效率。
案例1：Stem
位于加利福尼亞州的Stem公司開發了代號為雅典娜（Athena）的項目，它利用人工智能繪制出能源的使用情況，并允許客戶跟蹤能源價格的波動，從而更有效地使用被儲藏的能源。
Stem已經從包括美國能源部、GE Ventures和新加坡主權財富基金淡馬錫控股在內的多家投資者那里，融到了超過3,700萬美元的資金。
The Autonomous Grid（智能電網）
如今，電網的能量來源通常有很多，除了傳統的發電以外，還有風能和太陽能，這使得運營電網系統的過程也變得更加復雜。通過人工智能來對大規模的數據集進行分析，這個多源收集的過程更加穩定和高效。
案例1：美國能源部
2017年9月，美國能源部向斯坦福大學的SLAC研究人員頒發了一項研究獎，獎勵他們利用人工智能技術改善了電網的穩定性。通過用過去的數據來對電力波動和電網薄弱環節進行編程，新的“智能電網”將自動對重大事件作出快速而準確的反應。
案例2：西門子
智能電網也能夠在同一時間更好地管理不同類型的能源。西門子公司發布了一個軟件包來操作網絡，即所謂的“主動網絡管理”（ANM，active network management）。
ANM的原理是，通過跟蹤電網如何與不同的能量負載相互作用，來調整其可調節的部件，從而達到提高效率的目的。雖然這之前是手動調整的，但當新的能源生產者（比如太陽能發電廠）開始工作時，或者新的能源消耗者開始接入網格時，ANM會對電網做出相應的調整。因此，ANM也為電動汽車利用智能電網進行充電奠定了基礎。
案例3：英國國家電網
2017年3月，被谷歌收購的人工智能公司DeepMind，與英國國家電網聯合宣布，他們計劃將DeepMind的人工智能技術添加到英國的電力系統中。該項目將處理天氣預報、互聯網搜索等海量信息，以開發需求激增的預測模型。
案例4：Grid Edge
英國的一家名為Grid Edge的公司（提供基于云計算的電力管理軟件服務）聲稱，他們利用人工智能技術對能源配置進行了預測和優化，實現了將控制權交還給了電力使用者。具體的方法是，Grid Edge操作一個VPN，通過它來連接和分析用戶所在建筑的能源消耗數據，利用這些信息，Grid Edge與連接的電網進行通信，并制定相應的調度策略。這些策略的目的是節約能源，避免超載。
2017年11月，印度北部的一座燃煤電廠發生爆炸，造成32人死亡，原因是煤氣管道堵塞導致鍋爐爆炸。這是能源行業經常發生的一類故障。導致事故的原因是沒有對設備進行經常性的檢查，而且世界上許多地方都沒有嚴格的監管規定，因此設備故障是很常見的。
使用人工智能來觀察設備并在事故發生前檢測出故障，可以節省時間和金錢，甚至挽救生命。目前，許多創業公司正在試圖將這項服務提供給能源行業。
案例1：SparkCognition
2017年12月，美國能源部授予SparkCognition公司一個獎項，即利用人工智能提高燃煤電廠的發電量。該公司將解析學、傳感器和操作中產生的數據三者相結合，來預測關鍵的基礎設施何時會崩潰。
案例2：AES Corporation
2017年9月，美國能源巨頭AES電力公司宣布了進軍人工智能的計劃，將其作為提高公司的警覺性、效率和保護公司財產的手段，主要針對的是他們的太陽能電站和電網系統。
Upstream Exploration（油氣勘探）
案例1：BP Ventures（英國石油風險投資公司）Beyond Limits
BP Ventures（英國石油風險投資公司）投資了一家名為Beyond Limits的人工智能公司。該公司曾參與在外太空進行的勘探試驗。在投資Beyond Limits的時候，BP Ventures表示將計劃使用Beyond Limits的油氣勘探技術，尋找新的石油儲量。
案例2：Chevron（雪佛龍）
石油巨頭雪佛龍正在利用人工智能在加州各地尋找新油井，以及具有額外價值的舊油井。
Energy Consumption（能源的消費和消耗）
通過對個人和企業的能源消費行為進行監測，人工智能可以提供優化能源消耗過程的解決方案。
案例1：Alphabet's Nest
Alphabet旗下的子公司Nest，開發了一款智能恒溫器，能夠通過自動適應用戶行為，達到減少能源耗費的目的。一旦Nest被安裝在用戶的家里，它就會開始學習居住者的生活習慣，并相應地調整溫度。據Nest稱，該公司的技術已經為其用戶節省了10%到12%的取暖費。
案例2：Nnergix
西班牙的Nnergix公司，運用機器學習技術來預測大氣和天氣狀況對可再生能源產能的影響，比如推算光伏發電廠每小時的發電量。
案例3：Google Sunroof（谷歌天窗）
谷歌發布了一個名為Sunroof的工具，來計算太陽能對美國家庭的影響。該項目采用了幾個因素來計算使用太陽能能夠節省下來多少資金，這些因素包括天氣數據、電費、3D建模和陰影計算。
