本研究提出了一种新策略，将人工智能推理工作负荷引入风电场附近的模块化数据中心。通过构建Heron跨站点软件路由器，研究表明可以有效利用风电场的发电互补性，提升AI计算吞吐量，最高可达80%。

谷歌与壳牌签署的购电协议（PPA）首次延长荷兰首个海上风电场的使用寿命，至少四年。谷歌购买了该风电场100%的108兆瓦容量，支持壳牌申请许可证延期和投资升级，确保清洁能源持续供应，体现了谷歌对无碳未来的承诺。

本文介绍了XAI4Wind，一个多模式知识图谱，旨在为风力涡轮提供可解释的决策支持。研究涉及图神经网络的功率预测、机器学习的破损检测和深度学习的报警序列建模，旨在提高风能发电效率和可靠性，降低运营成本，推动可再生能源发展。

本文评估了多种机器学习风力发电预测模型，发现卷积神经网络在48小时风力预测中表现最佳，平均误差降至22%。研究引入了连续学习策略以提升预测性能，并提出了基于贝叶斯神经网络的虚拟负载监测方法，解决了负载监测不全的问题。此外，结合SCADA数据的时间序列方法提高了发电量预测的准确性，强调了自动化定制的重要性。

研究人员使用西门子公司的热力学软件和深度强化学习算法解决经济型燃气轮机调度问题。他们发现深度 Q 网络（DQN）是最有效的算法，并提出了一种动态分配燃气轮机运行和维护成本的方法，更好地近似了真实成本。

该论文提出了一种新颖的数据驱动模型，能够准确预测任意布局、偏航角配置和风况下所有风电场的发电量。该模型通过将风电场编码成全连接图，并通过图变换器处理图表示来实现。结果表明，该图变换器代理模型具有良好的泛化能力，并能发现风电场图表示中的潜在结构模式。演示了如何使用所得的代理模型通过遗传算法优化偏航角配置，实现与工业标准风电场模拟工具类似的准确性，但计算成本仅为一小部分。

本文介绍了一种基于高斯过程的GP-SPARX模型，用于风力发电场中涡轮的结构健康监测。该模型能够捕捉涡轮之间的时空相关性，降低运维成本并延长使用寿命。具有潜在适用性。