包括灵活性需求、分布式发电、能源储存以及先进的电力电子控制设备，正在为提供和消费电力服务创造新的更多选择。在很多情境下，这些新的资源是通过日益提升的经济性和无处不在的信息、通信技术，以及电力系统的数字化来实现的。
2017年，世界上公开上市的公用事业公司雇用了370万人，拥有超过0.3万亿美元的资本支出，并收获了2.2万亿美元的收入。电力供应是巨型产业，它也是一个世纪前仍能被公用事业高管所认可的行业。在未来，电力、天然气和水的供应仍将是能源行业的重要组成部分，但这又将给公用事业公司本身带来什么样的改变？
部分改变是随着劳动力年龄的增长，人们更为关注的是技术、经济甚至是人口结构的变化。不过，其他部分也包括市场营销。2016年，麻省理工学院（MIT）发布了一份382页(由大量公用事业资助)的研究报告，名为《公用事业公司的未来：麻省理工学院能源倡议对工业转型的回应》，希望从其中找寻未来公用事业公司的发展途径。
MIT的研究报告中提到：“一系列分布式技术——包括灵活性需求、分布式发电、能源储存以及先进的电力电子控制设备，正在为提供和消费电力服务创造新的更多选择。在很多情境下，这些新的资源是通过日益提升的经济性和无处不在的信息、通信技术，以及电力系统的数字化来实现的。”
但这些最具创新性的工作是否会成为现有公用事业商业模式的核心还不确定。因为对于目前正在进行的这些最具创新性的工作，无论是现在还是将来，对于公用事业公司本身的价值创造的作用还有待体现。
谷歌数据中心的能源优化项目就是一个很好的例子。多年来，谷歌一直在优化数据中心硬件——无论是服务器，还是冷却和照明系统。从2014年成立数据中心到现在，它所消耗能源的水平达到了行业平均水平的一半。从长远来说，情况可能就大不相同。
能效工程师Jim Gao创建了一个软件模型，它首先建议通过完整封闭式的数据中心来最大化数据中心的效率。经过一些改进，谷歌的DeepMind机器学习团队以“更强大和通用的工作模式”得到关注，并取得了非凡的成果——在设备上应用这些软件模型，使冷却能源负荷减少了40%，总能源消耗减少了15%。谷歌的数据中心情报团队认为，它的应用只是“触及了机器学习应用于工作中一般应用程序的表面”。但这是一个令人印象深刻的能源优化与经济范畴的影响，且并没有其他公用事业的帮助。
电动汽车的发展则属于另一范畴。十年前，几乎没有公用事业公司注意到电动汽车的发展。但如今，对公用事业来说，充电基础设施显然是个不错的选择。截至2017年底，在全球范围内共安装58.2万个公共充电网点，但这只是支撑电动汽车产业快速发展的一小部分。基础设施需要资本、经验、房地产以及政策和监管手段，显然公用事业公司在这些方面具有明显优势。
公用事业公司的竞争日趋激烈，且越来越多的竞争来自于大型石油等产业。去年，荷兰皇家壳牌公司收购了欧洲大型充换电设备供应商NewMotion。近期，英国石油公司(BP Plc)也效仿该举动，收购了英国最大的充电网络运营商Charginaster。长期以来，电力供应商一直是受监管的垄断企业，它们也已深知自己所面临的挑战。
近期，彭博新能源财经记者就美国通用电气集团(GE）如何利用人工智能提高热能发电的响应能力进行相关采访。通用电气表示，他们正在利用人工智能（AI技术），使热能发电“更具活力”，并能够迅速应对美国电网供需平衡的变化。
随着间歇性风力和太阳能发电能力的不断增加，对承担基本负荷的发电厂的灵活性要求逐渐增加，需要其在几秒钟内增加出力，来解决当风不吹，光照不足时电网的平衡要求。
通用电气数字化应用性能管理产品营销经理Mary Cauwell在接受BNEF采访时表示：“在迭代的能源系统中我们需要使用热能发电，使其在电网中发挥作用，帮助更多的可再生能源进入系统并进行消纳。”她解释说，人工智能可以用来“实时调整电厂设备的运行方式，以实现并提高效率、灵活性和容量。”
这项技术特别适用于混合热动力和可再生能源发电的公用事业。通用电气目前正与Invenergy、PSEG Inc.和Exelon Corp.等公司合作，帮助他们提高热能发电的能效，并更好地预测机器的磨损情况，Cauwels说，如果系统运营商能够知晓在供应短缺的时候，热能发电可以快速增加出力，他们就不必削减可再生能源发电。以燃气发电为例，通用电气通过利用机器智能和自动化来提高发电出力，在一分钟内就能将15兆瓦的电能投入电网。
通用电气还在使用人工智能提前预测风电和太阳能发电厂的故障，以此为客户节省大量资金。通用可再生能源公司数据分析高级主管John LaFleche在接下来的采访中表示，在风电场使用“数字孪生体”技术，对发电资产运转进行数字化真实模拟，可以将年产能提高3%~5%。
BNEF：人工智能和“数字孪生体”如何在多样化的能源组合中增加可再生能源的价值？
Mary Cauwell：如果一家公用事业公司或一台发电机的机组是多种能源混合的，无论是自发自用或参与电力市场竞争，风能和太阳能发电向电网输送的电能越多，那么热能发电的作用也就越大。这其中许多发电站最初是作为基本负荷建造的，这意味着它们被设计成在满负荷的情况下运行。但目前绝大部分的电力需求可以通过可再生能源来满足，所以现在可以停运热电厂，甚至在某些情况下可以完全退出。
因此，为了使热电机组更加“富有活力”，它需要更为频繁地启停，快速响应，并在不再被需要时关闭或退出产能。我们正在使用机器学习和人工智能来安全地将发电机组推向更广泛的运行模式，以便更为有效地使用燃料，并更好地预测机器的磨损情况。
我们可以调整发电设备的实时运行方式，以帮助在排放限制的范围内实现更高的效率、灵活性和容量，同时减少机器的磨损。因此，如果由于某种原因，太阳能发电量下降，我们需要天然气或燃煤发电厂立即作出响应，机器学习和人工智能可以分析确定以何种最佳方式，来实现出力的快速提升，来弥补缺失的电量。同时，还可以实现在计划的停运窗口期内进行维护。
我们需要使用热能发电来适应新型能源系统，使其仍然为电网服务的同时，帮助吸纳更多的可再生能源。如果系统运营商确信热电厂是可再生能源的有力支撑，那么他们就不太可能削减可再生能源的发电量。因为他们知道，无论出于任何原因，他们都可以实现另一发电设备的快速启停，并将不会影响到供求平衡。
BNEF：有没有实例说明数字化技术提高了热电厂的快速反应能力？
Cauwels:我们已经能够帮助特定类型的燃气发电厂提高出力能力——每分钟增加或减少50兆瓦。这意味着在一分钟内就能实现15兆瓦的电能上网；同时它们还能处理每秒正负2赫兹的频率控制，实现真正的快速响应。
BNEF：通用公司如何在光伏产业应用人工智能？
数字太阳能产品首席执行官Madhuri Adettiwar说，我们正在以三种不同的方式使用人工智能：数字孪生体、比较分析和预测分析。实现的基础是GE Digital的Predix平台，同时，我们在此基础上开发了一款太阳能产品。该产品主要用于监测太阳能发电设备的健康运行状态。我们能够预测逆变器的故障以及这些故障，对太阳能发电可能产生的影响。
该产品将会为客户从两方面带来价值，一方面是运行和维护阶段，通过分析和机器学习，我们可以预测未来时间段故障发生的可能性，因此维修和维护可以根据预测及时进行。目前已经实现了提前90天预测由通用公司生产的逆变器的故障。我们可以进入逆变器内部的子级组件，并发现电子元件中的哪些组件将发生故障，并需要及时维护。有了这类预测分析，可以为客户节省大量资金。
另一项增值是能效损失分析。我们可以根据目前的运行情况分析出预期的业绩，并将其与实际的表现进行比较。通过分析预期性能和实际性能之间的差异，以确定是什么因素导致了性能损失——例如逆变器故障、组件中断或污损，以及每个因素造成的损失占总损失的百分比。
BNEF：通过减少性能损失可以实现多少资金节约？
数字太阳能产品营销主管Mona Hall：在北美的一个20兆瓦太阳能发电厂，我们期待着通过提高性能和降低运营维护成本，实现每年为客户节约20万美元的经济价值。
BNEF：风能领域的应用如何？
数据和分析高级主管John LaFleche：我们有一个巨大的风能安装基地，多年来我们一直围绕着风机性能和主要部件应用数字孪生体技术。我们常年监测所有涡轮机相对于风速的输出，并将其与风力涡轮机的设计性能进行比较。如果风机没有达到预期的产能，数字孪生体技术会告诉我们风机表现不佳的根本原因。
同时，我们也会比较在同一风场，不同厂商生产的风机的性能，以及监控涡轮机上的传感器，检查是否有异常值，并发现潜在的损坏或维修的需要。然后通过数字孪生体技术来监测主要部件，如变速箱和叶片。换句话说，我们是对不健康的组件进行诊断，并对特定组件的剩余寿命进行预测。
BNEF：在哪些方面实施了这些技术？
LaFleche：多年来，我们已经在自行运营的发电设备上实现了这些技术的应用。同时，现在已经有了一些试点客户，包括欧洲和美国的已签订电力买卖长协的客户及公用事业公司。目前已实施应用该技术的风电总装机容量达到60吉瓦，这也体现了该技术在这一领域的重要地位。
BNEF：到目前为止，客户使用该技术有何提升成效？
LaFleche：通常情况下，通过数字技术，我们可以看到发电设备的可用性提升了大约1%。因此我们可以推算出发电设备年能源产量可提高3%~5%，并使维护费用每年减少约2%。截至目前，我们已经拥有了超过100种比较分析模型。
（消息来源于彭博新能源财经官网）