دانشمند داده انرژی
Energy Data Scientist
دانشمند داده انرژی (Energy Data Scientist) با یادگیری ماشین پیش‌بینی می‌کند مصرف برق چقدر می‌شود، قیمت بازار برق به کجا می‌رود و نیروگاه‌های خورشیدی و بادی چقدر تولید می‌کنند، و با همین مدل‌ها دستگاه‌هایی مثل باتری خانگی و شارژر خودروی برقی را کنترل یا اثرشان را می‌سنجد. نام قبلی این صفحه، «AI Sustainability & Energy Analyst»، عنوان شغلی‌ای نیست که کارفرماها به کار ببرند. همین کار با عنوان‌هایی مثل Energy Data Scientist در EnergyHub، Data Scientist در تیم Commodities شرکت Hanwha Energy USA، Energy Analytics Analyst در همان شرکت و ML Engineer - Power در Kpler آگهی می‌شود. عنوان‌های هم‌واژه‌ای مثل Sustainability Analyst، یا Energy Analyst در تیم انرژی دیتاسنترها، معمولاً شغل دیگری‌اند: حسابداری کربن و گزارش ESG، یا تحلیل تعرفه و قرارداد خرید برق با مدل مالی. در آن آگهی‌ها یادگیری ماشین هستهٔ کار نیست.
مقدمه و تعریف شغل
دانشمند داده انرژی (Energy Data Scientist) با دادهٔ شبکهٔ برق کار می‌کند: مصرف، قیمت بازار، تولید نیروگاه‌های خورشیدی و بادی، دادهٔ کنتورهای هوشمند و دادهٔ دستگاه‌هایی مثل ترموستات، باتری خانگی و شارژر خودروی برقی. خروجی کارش معمولاً یک پیش‌بینی یا مدلی است که تصمیمی را هدایت می‌کند: چقدر برق خریده یا فروخته شود، باتری کی شارژ و کی تخلیه شود، یا یک برنامهٔ کنترل دستگاه‌ها واقعاً چقدر به شبکه کمک کرده است. در آگهی‌هایی که بررسی کردیم، کارفرماها هم یادگیری ماشین، Python و SQL را می‌خواهند و هم شناخت شبکه و بازار برق را؛ Kpler «درک عمیق از اصول شبکهٔ برق، شامل تولید، انتقال و بازارهای برق» را جزو شرایط الزامی آورده است.
کارفرماهای این نقش در آگهی‌های بررسی‌شده چهار گروه‌اند: شرکت‌های نرم‌افزاری که دستگاه‌های خانگی را برای کمک به شبکه کنترل می‌کنند (EnergyHub و Axle Energy)، شرکت‌های تولید و فروش برق که در بازار عمده‌فروشی معامله می‌کنند (Hanwha Energy USA)، شرکت‌های داده و نرم‌افزار بازار برق (Yes Energy و Kpler) و بهره‌برداران شبکه مثل IESO در انتاریو. در سطح پژوهش هم Google DeepMind مهندس پژوهشی برای تصمیم‌گیری در شبکهٔ برق می‌خواهد. طبق برآورد OEWS اداره آمار کار آمریکا (BLS) برای مه ۲۰۲۵، در صنعت تولید، انتقال و توزیع برق آمریکا ۱٬۰۶۰ نفر با عنوان رسمی Data Scientist کار می‌کردند و میانهٔ دستمزد سالانه‌شان ۱۱۶٬۴۴۰ دلار بود. چند شغل هم‌واژه کار دیگری‌اند: مشاور دادهٔ پایداری در Watershed بیشتر حسابداری کربن و گزارش ESG انجام می‌دهد، و Energy Analyst در تیم انرژی Meta (آگهی‌ای که در ژوئیهٔ ۲۰۲۶ بسته شد) با تعرفه، قرارداد خرید برق (PPA) و مدل مالی سروکار داشت و یادگیری ماشین جزو وظایفش نبود. آژانس بین‌المللی انرژی (IEA) در گزارش Energy and AI می‌نویسد شیوع مهارت‌های مرتبط با AI در بخش انرژی بسیار کمتر از بخش‌های دیگر است.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک دانشمند داده انرژی
پیش‌بینی بار (مصرف برق)
Hanwha Energy USA از Energy Analytics Analyst می‌خواهد مدل‌های پیش‌بینی بار و قیمت را برای بازارهای ERCOT و PJM بسازد، نگه دارد و بهتر کند. مرکز آموزشی PJM توضیح می‌دهد این بهره‌بردار شبکه با پیش‌بینی تقاضا مطمئن می‌شود برق امروز و آینده تأمین شود.
پیش‌بینی قیمت برای معامله
در تیم Commodities همین شرکت، دانشمند داده مدل‌هایی می‌سازد که محرک‌های اصلی قیمت برق و گاز را نشان دهند: دیسپچ نیروگاه‌ها، تراکم انتقال، قیمت سوخت، آب‌وهوا، الگوی مصرف و رفتار شرکت‌کنندگان بازار.
پیش‌بینی تولید خورشیدی و بادی
Open Climate Fix پیش‌بینی خورشیدی خود را از ترکیب AI با تصویر ماهواره‌ای، پیش‌بینی عددی هواشناسی و خوانش لحظه‌ای سامانه‌ها می‌سازد و به گفتهٔ خودش این پیش‌بینی هر روز در اتاق کنترل NESO، بهره‌بردار شبکهٔ بریتانیا، استفاده می‌شود.
سنجش اثر دستگاه‌های توزیع‌شده (M&V)
EnergyHub از Energy Data Scientist می‌خواهد روش‌های سنجش و صحت‌سنجی (M&V) و مدل‌هایی بسازد که ارزیابی دقیق و شفافی از خدماتی بدهند که ناوگان ترموستات‌ها، خودروهای برقی و باتری‌های خانگی به شبکه ارائه می‌کنند.
مدل‌هایی که دستگاه‌ها را کنترل می‌کنند
نرم‌افزار Axle Energy با کنترل شارژ خودرو، گرمایش و باتری خانگی، مصرف را به ساعت‌هایی می‌برد که برق ارزان‌تر و پاک‌تر است. EnergyHub هم در آگهی مهندس ارشد خود، توسعهٔ الگوریتم‌های کنترل و بهینه‌سازی را کنار مدل‌های پیش‌بینی آورده است.
تحلیل دادهٔ کنتورهای هوشمند
IESO، بهره‌بردار شبکهٔ انتاریو، Lead Data Scientist می‌خواهد که با داده‌کاوی، تحلیل آماری و ساخت سامانه‌های پیش‌بینی، از مخزن دادهٔ کنتورهای هوشمند استان برای خود IESO و طرف‌های بیرونی ارزش بیرون بکشد.
تخصص‌های مختلف دانشمند داده انرژی
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
پیش‌بینی بار
Load Forecasting
پیش‌بینی مصرف برق؛ طبق ویکی‌پدیا، پیش‌بینی کوتاه‌مدت برای اطمینان از تأمین برق و پیش‌بینی میان‌مدت و بلندمدت پایهٔ برنامه‌ریزی و سرمایه‌گذاری است؛ Hanwha آن را در کنار پیش‌بینی قیمت برای فروش خردهٔ برق می‌خواهد.
پیش‌بینی تولید تجدیدپذیر
Renewable Generation Forecasting
پیش‌بینی تولید خورشیدی و بادی از روی پیش‌بینی هواشناسی، تصویر ماهواره‌ای و دادهٔ تاریخی؛ کاری که Open Climate Fix و پیش‌تر DeepMind روی آن کار کرده‌اند. نقش‌های نزدیک‌تر به هواشناسی، مثل Meteorological Data Scientist در Tomorrow.io، مدرک علوم جوی می‌خواهند.
تحلیل قیمت و معامله‌گری برق
Power Price & Trading Analytics
مدل قیمت روز-پیش و لحظه‌ای، تحلیل تراکم و سیگنال معامله برای شرکت‌های تولید و فروش برق؛ هستهٔ آگهی Data Scientist شرکت Hanwha و بخشی از آگهی‌های Axle و Kpler.
انعطاف‌پذیری و نیروگاه مجازی
DER Flexibility & Virtual Power Plants
کنترل و سنجش ناوگان دستگاه‌های توزیع‌شده مثل ترموستات، خودروی برقی و باتری خانگی. EnergyHub به گفتهٔ خودش به مصرف‌کنندگان کمک می‌کند همین دستگاه‌ها را به نیروگاه مجازی تبدیل کنند.
بهینه‌سازی و کنترل شبکه
Grid Optimization & Control
تصمیم‌گیری متوالی در شرایط عدم قطعیت، مثل تعهد واحدها (unit commitment) و مدیریت تراکم؛ Google DeepMind برای این کار سه سال تجربه در یادگیری تقویتی یا کنترل بهینه می‌خواهد. سمت تجاری‌تر آن مدل‌های دیسپچ و قیمت مبتنی بر بهینه‌سازی است، مثل نقش Market Analyst, Modeling در Modo Energy.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
این نقش زیرمجموعهٔ دانش داده است، نه رقیب آن، و Hanwha، Yes Energy و IESO همان عنوان Data Scientist را به کار می‌برند. ابزار پایه هم یکی است: Python، SQL، scikit-learn و PyTorch. تفاوت در دانش حوزه و شکل داده است: Hanwha شناخت بازارهای ERCOT و PJM، از شکل‌گیری قیمت تا تراکم انتقال و قیمت‌گذاری گره‌ای، را شرط الزامی گذاشته است. داده هم بیشتر سری زمانی بار، قیمت و تولید است که به آب‌وهوا وابسته است، یا دادهٔ IoT دستگاه‌های خانگی.
تحلیلگر پیش‌بینی بیشتر در زنجیرهٔ تأمین و برنامه‌ریزی کسب‌وکار کار می‌کند: پیش‌بینی فروش با Excel و نرم‌افزارهای برنامه‌ریزی و دفاع از آن در جلسه‌های S&OP. یادگیری ماشین آنجا بیشتر امتیاز است تا شرط. در انرژی هم نقش عملیاتی پیش‌بینی وجود دارد: Yes Energy می‌نویسد دانشمند داده‌اش کنار Forecast Analystها کار می‌کند و پیکربندی روزانهٔ مدل‌ها، پایش اجرا و رسیدگی به استثناها را با آن‌ها پیش می‌برد. تفاوت این است که دانشمند داده انرژی خود مدل یادگیری ماشین را می‌سازد و به پروداکشن می‌برد.
پژوهشگر کمّی در شرکت‌های معاملاتی بازارهای مالی سیگنال می‌سازد و کارش با سود و زیان سنجیده می‌شود. در معامله‌گری برق هم مدل قیمت ساخته می‌شود: تیم Commodities در Hanwha پیش‌بینی قیمت، تحلیل تراکم و الگوریتم معامله می‌خواهد و تجربه در محیط معامله‌گری برق یا گاز را امتیاز می‌داند. فرق در محرک‌های قیمت است: قیمت برق به محدودیت‌های فیزیکی شبکه، دیسپچ نیروگاه‌ها، سوخت و آب‌وهوا بسته است و آگهی‌ها شناخت همین سازوکار را می‌خواهند. در آگهی‌هایی که دیدیم، کارفرما یک شرکت انرژی یا دادهٔ انرژی بود، نه صندوق یا شرکت معاملات پرسرعت.
دانشمند دادهٔ مکانی با داده‌ای کار می‌کند که مختصات جغرافیایی دارد و گاهی مشتری‌اش شرکت برق است: Neara دانشمند دادهٔ مکانی می‌خواهد که با LiDAR، مدل زمین و دادهٔ آب‌وهوا ریسک برخورد درخت با خطوط برق و آتش‌سوزی را مدل کند. دانشمند داده انرژی بیشتر با سری زمانی سروکار دارد: بار، قیمت، تولید و رفتار دستگاه‌ها در طول زمان. هم‌پوشانی در دادهٔ آب‌وهوا و تصویر ماهواره‌ای است؛ پیش‌بینی خورشیدی Open Climate Fix از تصویر ماهواره‌ای هم استفاده می‌کند.
تأثیر در صنایع مختلف
دانشمند داده انرژی در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
بهره‌برداری شبکه
IESO برای بیشترین استفاده از دادهٔ کنتورهای هوشمند انتاریو دانشمند داده‌ای می‌خواهد که سامانه‌های پیش‌بینی بسازد، و PJM پیش‌بینی تقاضا را پایهٔ تأمین مطمئن برق می‌داند
تولید، معامله و فروش برق
Hanwha Energy USA، با نیروگاه‌های خورشیدی و باتری و یک شرکت فروش خردهٔ برق، برای پیش‌بینی بار و قیمت و الگوریتم‌های معامله در ERCOT و PJM دانشمند داده و تحلیلگر استخدام می‌کند
انعطاف‌پذیری مصرف خانگی
EnergyHub طبق آگهی‌اش داده را از دستگاه‌هایی جمع می‌کند که به‌زودی از یک میلیون فراتر می‌روند، و Axle Energy صدها هزار دستگاه را کنترل می‌کند تا مصرف به ساعت‌های ارزان‌تر و پاک‌تر برود
داده و نرم‌افزار بازار برق
طبق آگهی Yes Energy، بیش از ۱۰۰۰ شرکت‌کنندهٔ بازار هر روز از محصولاتش استفاده می‌کنند و تیمی جدا برای علم دادهٔ پیش‌بینی دارد؛ Kpler هم مهندس ML مخصوص بازار برق استخدام می‌کند
انرژی تجدیدپذیر
DeepMind در ۲۰۱۹ گزارش داد شبکهٔ عصبی‌اش تولید ۷۰۰ مگاوات ظرفیت بادی در مرکز آمریکا را ۳۶ ساعت جلوتر پیش‌بینی کرد و ارزش این برق را، نسبت به حالتی که هیچ تعهد زمانی به شبکه داده نمی‌شد، حدود ۲۰٪ بالا برد
دیتاسنترها و AI
IEA برآورد می‌کند مصرف برق دیتاسنترها از ۴۱۵ تراوات‌ساعت در ۲۰۲۴ تا ۲۰۳۰ به حدود ۹۴۵ تراوات‌ساعت برسد؛ Hanwha هم از همکاری‌هایی برای تأمین برق صنعت دیتاسنتر آمریکا نام می‌برد
تاب‌آوری زیرساخت برق
Neara با مدل‌های مبتنی بر یادگیری ماشین و فیزیک، شبکهٔ برق را در برابر طوفان و آتش‌سوزی شبیه‌سازی می‌کند تا شرکت‌های برق ریسک را پیدا کنند
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
هر شغلی با عنوان Sustainability Analyst یا Energy Analyst همین کار است
این عنوان‌ها بیشتر شغل‌های دیگری را در بر می‌گیرند. آگهی Sustainability data advisor در Watershed تجربه در حسابداری گازهای گلخانه‌ای یا گزارش ESG و ۴ تا ۶ سال کار مشاوره‌ای می‌خواهد و از یادگیری ماشین حرفی نمی‌زند. Energy Analyst در تیم انرژی Meta هم تعرفه، داده‌های بازار و مدل مالی کار می‌کرد. میانگین Glassdoor برای عنوان کلی Energy Analyst در بریتانیا ۳۵٬۷۷۳ پوند (۲۲۳ حقوق گزارش‌شده) است. برای پیدا کردن این شغل، عنوان‌هایی مثل Energy Data Scientist، Data Scientist در تیم‌های انرژی و Energy Analytics Analyst را جستجو کنید و متن آگهی را بخوانید.
دانشمند داده که باشید کافی است؛ دانش برق لازم نیست
بستگی به نقش دارد. در نقش‌های بازار و معامله، دانش حوزه شرط الزامی است: Kpler درک عمیق اصول شبکهٔ برق را می‌خواهد و Hanwha شناخت ERCOT و PJM را تا سطح قیمت سایهٔ محدودیت‌های انتقال. در EnergyHub این دانش امتیاز است: تخصص سیستم‌های قدرت و مدل‌سازی شبکهٔ توزیع سه‌فاز در بخش «امتیاز» آمده است. Yes Energy هم تجربهٔ بازار برق را «بسیار مفید» ولی ترجیحی می‌داند.
بدون دکترا وارد این حوزه نمی‌شوید
شرایط تحصیلی متفاوت است. آگهی Energy Analytics Analyst شرکت Hanwha مدرک لیسانس می‌خواهد و آگهی Energy Data Scientist در EnergyHub شرط مدرکی ندارد. در مقابل، Yes Energy برای Data Scientist II فوق‌لیسانس را شرط گذاشته و Hanwha برای Data Scientist تحصیلات تکمیلی، ترجیحاً دکترا، می‌خواهد. هرچه نقش به پژوهش و معامله نزدیک‌تر باشد، انتظار تحصیلی بالاتر است.
رابطهٔ AI و انرژی فقط مصرف برق دیتاسنترهاست
IEA هر دو طرف را می‌بیند. از یک طرف پیش‌بینی می‌کند مصرف برق دیتاسنترها تا ۲۰۳۰ بیش از دو برابر شود. از طرف دیگر می‌نویسد AI می‌تواند پیش‌بینی و ادغام تولید تجدیدپذیر متغیر را بهتر کند و تشخیص خطا با AI می‌تواند مدت قطعی برق را ۳۰ تا ۵۰ درصد کم کند. این شغل در همین طرف دوم قرار دارد.
کار با ساختن یک مدل دقیق تمام می‌شود
مدل باید هر روز اجرا شود. Yes Energy از دانشمند دادهٔ خود پشتیبانی از عملیات روزانهٔ پیش‌بینی، پایش اجرا و رسیدگی به استثناها را می‌خواهد. EnergyHub ساخت ابزار برای پایش کیفیت مدل‌های عملیاتی را جزو وظایف آورده و Axle صریحاً کار «فراتر از notebook» و تبدیل ایده به راه‌حل پروداکشن را می‌خواهد.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
ورودی (۱–۳ سال)
بیشتر وقت صرف داده می‌شود: نوشتن کوئری و pipeline، به‌روز نگه داشتن مدل‌های موجود و جواب دادن به سؤال‌های تیم‌های معامله و ریسک. آگهی Energy Analytics Analyst شرکت Hanwha تصویر خوبی از این سطح است.
- ◆به‌روزرسانی دادهٔ مصرف و آب‌وهوا و بررسی اینکه داده‌ای جا نیفتاده باشد
- ◆اجرای مدل پیش‌بینی بار و مقایسهٔ پیش‌بینی دیروز با مصرف واقعی
- ◆ساخت یک داشبورد برای تیم معامله یا ریسک
- ◆تحلیل موردی دربارهٔ اینکه چرا قیمت در یک ساعت خاص جهش داشت
میانی (۲–۵ سال)
مالک یک مدل یا محصول پیش‌بینی هستید: از تحقیق برای بهتر کردن دقت تا تحویل آن به پروداکشن و پایش روزانه‌اش. Yes Energy از Data Scientist II می‌خواهد بین عملیات روزانه و پروژه‌های تحقیق و توسعهٔ بلندمدت توازن برقرار کند.
- ◆آزمودن یک ویژگی تازه (مثلاً پیش‌بینی پوشش ابر) و backtest آن
- ◆بررسی یک خطای اجرای شبانه و رفع ریشهٔ آن
- ◆هماهنگی با مهندسان برای انتقال مدل تازه به سرویس پروداکشن
- ◆مستندسازی روش مدل و نتیجهٔ ارزیابی برای همکاران و مشتری
ارشد (۵+ سال)
تصمیم می‌گیرید چه چیزی مدل شود و با چه روشی، و به بقیه کمک می‌کنید. EnergyHub از مهندس ارشد پیش‌بینی راهنمایی دیگران در یادگیری ماشین، پیش‌بینی و بهینه‌سازی و ارائهٔ روشن نتایج به ذی‌نفعان داخلی و بیرونی را می‌خواهد.
- ◆طراحی روش ارزیابی یک محصول تازه، مثلاً سنجش اثر یک برنامهٔ کنترل باتری
- ◆بازبینی مدل‌های همکاران و تعیین استاندارد backtesting
- ◆ارائهٔ نتیجه به شرکت برق مشتری یا به مدیران معامله
- ◆انتخاب بین پیش‌بینی بهتر و الگوریتم کنترل بهتر برای اولویت تیم
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈ساخت و بهبود مدل‌های پیش‌بینی بار، قیمت برق و تولید خورشیدی و بادی
- ◈مدل‌سازی محرک‌های قیمت و مصرف: آب‌وهوا، الگوی مصرف، دیسپچ نیروگاه‌ها، تراکم انتقال و قیمت سوخت
- ◈طراحی روش‌های سنجش و صحت‌سنجی (M&V) برای اثر دستگاه‌های توزیع‌شده مثل ترموستات، باتری و شارژر خودرو
- ◈نوشتن کد پروداکشن و pipeline داده با Python و SQL و انتقال مدل از تحقیق به سرویس پایدار
- ◈backtesting، ارزیابی و نسخه‌بندی مدل‌ها و پایش روزانهٔ اجرای آن‌ها
- ◈همکاری با تیم‌های معامله، ریسک، محصول و مشتری و توضیح اینکه مدل چرا به یک عدد رسیده است
- ◈تبدیل یک پرسش مبهم دربارهٔ رفتار بازار یا شبکه به مسئله‌ای که بشود مدلش کرد
- ◈دنبال کردن تغییرات بازار و مقررات و وارد کردن آن‌ها در مدل‌ها
- ◈راهنمایی و منتورینگ دانشمندان داده و مهندسان کم‌تجربه‌تر در سطح ارشد
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک دانشمند داده انرژی موفق به آن‌ها نیاز دارد
مهارت‌های فنی
pandas، numpy و scipy؛ EnergyHub همین پشته را شرط گذاشته و Kpler کار با کدبیس‌های بزرگ پروداکشن را
کار با سری‌های زمانی بزرگ و اصول پایهٔ ETL/ELT؛ در آگهی‌های EnergyHub، Hanwha، Yes Energy و Kpler آمده است
از مدل‌های آماری تا GBM و LSTM؛ Yes Energy سه سال تجربه با تمرکز بر مدل‌سازی پیش‌بینی می‌خواهد
دست‌کم درک عملی الگوریتم‌های پایه و ابزارهایی مثل scikit-learn و TensorFlow (حداقل خواستهٔ EnergyHub)
سنجش مدل روی گذشته پیش از استفاده؛ Kpler و Modo Energy هر دو backtesting را جزو کار آورده‌اند
پیش‌بینی بازه به جای یک عدد؛ ویکی‌پدیا یادآوری می‌کند که پژوهشگران و فعالان بازار بیشتر به این نوع پیش‌بینی روی آورده‌اند
استقرار، نسخه‌بندی مدل و ویژگی و پایش؛ Hanwha MLflow، Airflow یا SageMaker و Kpler نسخه‌بندی مدل را می‌خواهند
AWS، GCP یا Azure؛ EnergyHub تجربهٔ مقیاس دادن محصولات داده در ابر را امتیاز می‌داند
برای دیسپچ باتری و مدل‌های بازار؛ EnergyHub، Modo Energy و DeepMind هر یک به شکلی آن را خواسته‌اند
LSTM، Transformer و GNN؛ Hanwha برای Data Scientist آن‌ها را شرط و GNN را «تمایز مهم» گذاشته است
برای هوش بازار، خلاصه‌سازی و خودکارسازی؛ هر دو آگهی Hanwha به آن اشاره کرده‌اند
مهارت‌های نرم
EnergyHub می‌خواهد نتیجهٔ تحلیل را «روشن، جذاب و قابل‌اقدام» برای مخاطبان متفاوت توضیح دهید
تبدیل پرسش مبهم دربارهٔ رفتار بازار به چیزی که بشود مدل کرد (از شرایط آگهی Modo Energy)
Modo Energy کسی را می‌خواهد که وقتی نتیجه غلط به نظر می‌رسد بگوید، نه اینکه آن را تحویل دهد
همکاری با تیم‌های معامله، ریسک، فروش و محصول؛ در همهٔ آگهی‌های EnergyHub و Hanwha آمده است
توازن میان عملیات روزانهٔ پیش‌بینی و پروژه‌های بلندمدت (از شایستگی‌های آگهی Yes Energy)
دانش حوزه‌ای
سازوکار بازار روز-پیش و لحظه‌ای و خدمات جانبی؛ Modo Energy شناخت دست‌کم یک بازار برق آمریکا را می‌خواهد
تولید، انتقال و توزیع؛ Kpler آن را الزامی و EnergyHub مدل‌سازی شبکهٔ توزیع سه‌فاز را امتیاز می‌داند
اینکه محدودیت‌های انتقال چطور قیمت را در نقاط مختلف شبکه تغییر می‌دهند؛ شرط آگهی Data Scientist شرکت Hanwha
اثر دما، باد و ابر بر مصرف و تولید؛ Hanwha آب‌وهوا را در صدر محرک‌های تحلیلی صنعت انرژی آورده است
ترموستات، باتری، خودروی برقی و روش سنجش اثرشان؛ تجربهٔ M&V در آگهی EnergyHub امتیاز است
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به دانشمند داده انرژی
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایه: Python، SQL و آمار
همهٔ آگهی‌های این حوزه Python و SQL می‌خواهند: EnergyHub تجربه با Python و پشتهٔ علمی آن (pandas، numpy، scipy) و تسلط به SQL را شرط گذاشته و Yes Energy «تسلط پیشرفته به Python و SQL» را. آمار مقدماتی و رگرسیون را هم کنارش یاد بگیرید؛ بیشتر مدل‌های پیش‌بینی روی همین پایه ساخته می‌شوند.
پیش‌بینی سری زمانی: از روش‌های آماری تا یادگیری ماشین
پیش‌بینی بار، قیمت و تولید هستهٔ این شغل است. با کتاب رایگان Forecasting: Principles and Practice شروع کنید و بعد سراغ مدل‌های gradient boosting بروید؛ Hanwha در هر دو آگهی‌اش GBM و LSTM را نام برده است. کتاب درسی Core Concepts and Methods in Load Forecasting (Springer، دسترسی آزاد) به پیش‌بینی بار با تمرکز بر کاربرد در شبکه‌های توزیع می‌پردازد.
شناخت شبکه و بازار برق
این مرحله این شغل را از دانش دادهٔ عمومی جدا می‌کند. Kpler «درک عمیق از اصول شبکهٔ برق، شامل تولید، انتقال و بازارهای برق» را الزامی می‌داند و Hanwha شناخت بازارهای ERCOT و PJM را، شامل شکل‌گیری قیمت عمده‌فروشی، تراکم انتقال و قیمت‌گذاری گره‌ای. مرکز آموزشی PJM توضیح می‌دهد این بهره‌بردار شبکه تقاضای برق را چطور پیش‌بینی می‌کند.
دادهٔ آب‌وهوا، تجدیدپذیرها و پروژهٔ واقعی
آب‌وهوا یکی از اصلی‌ترین ورودی‌هاست: Hanwha آب‌وهوا را جزو محرک‌های قیمت و مصرف آورده و DeepMind مدل پیش‌بینی بادش را با پیش‌بینی‌های آب‌وهوا و دادهٔ تاریخی توربین‌ها آموزش داد. با یک API آب‌وهوا، کتابخانهٔ pvlib برای مدل‌سازی خورشیدی و یک مسابقهٔ قدیمی Kaggle، اولین پروژهٔ کامل خود را بسازید.
پروداکشن، بهینه‌سازی و دنبال کردن حوزه
Kpler از مهندس ML خودکارسازی آموزش، backtesting، ارزیابی و نسخه‌بندی مدل و ویژگی را می‌خواهد و Yes Energy پایش روزانهٔ اجرای مدل‌ها را. اگر به معامله یا کنترل باتری علاقه دارید، بهینه‌سازی خطی را هم یاد بگیرید؛ Modo Energy کتابخانه‌هایی مثل Linopy، Pyomo یا PuLP را نام برده است. برای دنبال کردن حوزه، Climate Change AI آموزش و مدرسهٔ تابستانی مجازی دارد.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
زبان، داده و گزارش
زبان اصلی همهٔ آگهی‌های بررسی‌شده؛ Kpler تجربه با کدبیس‌های بزرگ پروداکشن را می‌خواهد، نه فقط notebook
کار با سری‌های زمانی بزرگ؛ EnergyHub، Hanwha و Yes Energy SQL را می‌خواهند و Kpler طراحی schema در PostgreSQL را
یادگیری ماشین و پیش‌بینی
پیاده‌سازی رایج gradient boosting؛ Hanwha در هر دو آگهی‌اش GBM را برای مدل‌سازی سری زمانی نام برده است
برای مدل‌های یادگیری عمیق مثل LSTM و Transformer؛ در آگهی‌های Data Scientist شرکت Hanwha و مهندس ارشد EnergyHub آمده است
دادهٔ انرژی و آب‌وهوا
کتابخانهٔ متن‌باز Python برای بیرون کشیدن داده از بهره‌برداران شبکه (ISO) و منابع دیگر دادهٔ شبکه
پروداکشن، بهینه‌سازی و مدل‌سازی بازار
بسته‌بندی سرویس‌ها؛ Axle می‌نویسد همه‌چیزش داخل Docker است و Kpler استقرار با Docker و Kubernetes را امتیاز می‌داند
زبان متن‌باز مدل‌سازی بهینه‌سازی؛ Modo Energy برای مدل‌های دیسپچ و قیمت آن را کنار Linopy و PuLP نام برده است
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
تحلیلگر تحلیل‌های انرژی (Energy Analytics Analyst)
۱ تا ۳ سال
~$128K
میانگین سالانه (آمریکا)
ساخت و بهبود مدل‌های پیش‌بینی بار و قیمت، pipeline با SQL و Python و داشبورد برای تیم‌های معامله و ریسک؛ Hanwha برای این سطح ۱ تا ۳ سال تجربه در صنعت انرژی و مدرک لیسانس می‌خواهد و یادگیری ماشین سری زمانی را امتیاز می‌داند
دانشمند داده انرژی
۲ تا ۵ سال
مالکیت یک مدل پیش‌بینی یا ارزیابی از تحقیق تا پروداکشن و پایش روزانهٔ آن؛ Yes Energy برای Data Scientist II دست‌کم سه سال تجربه در مدل‌سازی پیش‌بینی و مدرک فوق‌لیسانس می‌خواهد و Kpler برای ML Engineer حدود دو تا پنج سال
دانشمند داده ارشد / مهندس ارشد پیش‌بینی
۵+ سال
~$163K
میانگین سالانه (آمریکا)
توسعهٔ مدل‌های پیش‌بینی و الگوریتم‌های کنترل و بهینه‌سازی، پایش کیفیت مدل‌های عملیاتی و راهنمایی مهندسان و دانشمندان دیگر؛ EnergyHub برای این سطح دست‌کم پنج سال و Hanwha برای Senior Data Scientist هفت سال تجربه می‌خواهد
Lead Data Scientist
پس از سطح ارشد
تعیین دامنه و طراحی مدل‌ها برای یک برنامهٔ داده، رهبری گروه‌های کاری و منتورینگ؛ IESO برای Lead Data Scientist تیم کنتورهای هوشمند معمولاً ۸ تا ۱۰ سال تجربه می‌خواهد
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
وابستگی به آب‌وهوا و کیفیت دادهٔ ورودی
عمومیمصرف و تولید تجدیدپذیر به آب‌وهوا بسته است، پس خطای پیش‌بینی هواشناسی مستقیم به مدل شما می‌رسد. به همین دلیل Open Climate Fix پیش‌بینی خورشیدی را از ترکیب چند منبع، شامل تصویر ماهواره‌ای، پیش‌بینی عددی هواشناسی و خوانش لحظه‌ای سامانه‌ها، می‌سازد.
نوسان شدید قیمت برق
عمومیطبق ویکی‌پدیا، نوسان قیمت عمده‌فروشی برق می‌تواند تا دو مرتبهٔ بزرگی بیشتر از هر کالا یا دارایی مالی دیگری باشد. مدلی که در روزهای عادی خوب کار می‌کند ممکن است در ساعت‌های جهش قیمت، که بیشترین پول در آن‌ها جابه‌جا می‌شود، بد عمل کند.
دانش حوزه‌ای سنگین
شرکت بزرگآگهیهای سمت بازار جزئیات زیادی می‌خواهند: Hanwha انتظار دارد بدانید محدودیت‌های انتقال در ERCOT و PJM چطور فعال می‌شوند، تراکم چطور در شبکه پخش می‌شود و قیمت سایه چه معنایی دارد. یادگیری این‌ها جدا از یادگیری ماشین وقت می‌برد.
مسئولیت عملیات روزانه
عمومیپیشبینی هر روز مصرف می‌شود. Yes Energy از دانشمند داده می‌خواهد پیکربندی روزانهٔ مدل‌ها، پایش اجرا و رسیدگی به استثناها را انجام دهد و عملکرد مدل را در زمان واقعی مدیریت کند. Yes Energy همین توازن میان عملیات روزانه و تحقیق بلندمدت را جزو شایستگی‌های نقش آورده است.
سنجیدن ارزش کار
عمومیطبق ویکی‌پدیا، چون پیش‌بینی‌های بار و قیمت در بخش‌های زیادی از یک شرکت انرژی استفاده می‌شوند، اندازه گرفتن سود بهتر شدن آن‌ها بسیار سخت است. سنجش اثر برنامه‌های کنترل دستگاه‌ها هم ساده نیست؛ EnergyHub برای همین روش‌های M&V می‌خواهد که ارزیابی را دقیق و شفاف کنند.
کمبود داده و مهارت در صنعت
شرکت بزرگIEA می‌نویسد موانع به‌کارگیری AI در بخش انرژی شامل نبود یا ناکافی بودن دسترسی به داده، زیرساخت دیجیتال و مهارت، و نگرانی‌های امنیتی است. برای شما یعنی بخشی از کار جمع کردن و پاک کردن داده و توضیح دادن ارزش مدل به سازمانی است که هنوز به آن عادت ندارد.
حقوق و بازار کار جهانی
حقوق جهانی دانشمند داده انرژی
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- Hanwha Energy USA posting, Energy Analytics Analyst (Houston, 1–3 years), first published Sep 24, 2026: salary range; median = midpoint
- EnergyHub posting, Energy Data Scientist (remote US, no years stated), first published Aug 31, 2026: base salary range; median = midpoint
- Hanwha Energy USA posting, Data Scientist (Houston; 3+ years for Data Scientist, 7+ for Senior), first published Aug 31, 2026: salary range; median = midpoint
- EnergyHub posting, Senior Forecasting and Optimization Engineer (remote US, 5+ years), first published Jul 6, 2026: base salary range; median = midpoint
- IESO posting, Lead Data Scientist (Oakville ON, 8–10 years), Oct 1, 2026: annual pay range Step 1–Step 10, 35-hour week; median = midpoint
- Yes Energy posting, Data Scientist II (Bucharest, 3+ years), first published May 12, 2026: net RON 14,000–18,000 per month, shown ×12; median = midpoint
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: مبانی سیستم برق
تولید، انتقال، توزیع و نحوهٔ کار بازار برق را یاد بگیرید؛ بدون این، آگهی‌های بازار و معامله را نمی‌توانید درست بخوانید.
ماه ۲: دادهٔ انرژی و آب‌وهوا
دادهٔ مصرف و قیمت یک بهره‌بردار شبکه و دادهٔ آب‌وهوای همان منطقه را بگیرید و یک دیتاست تمیز ساعتی بسازید.
ماه ۳: پروژهٔ پیش‌بینی بار
یک مدل پایه و یک مدل LightGBM بسازید و با backtest مقایسه کنید؛ فصل‌های پیش‌بینی بار کتاب Springer راهنمای خوبی است.
ماه ۴: پیش‌بینی خورشیدی
با pvlib و پیش‌بینی آب‌وهوا تولید یک سامانهٔ خورشیدی را پیش‌بینی کنید و کد متن‌باز Open Climate Fix را بخوانید.
پروژه‌های پیشنهادی برای رزومه
پیش‌بینی بار روز آینده برای یک بهره‌بردار شبکه
مبتدیدادهٔ ساعتی مصرف یک منطقه را با gridstatus یا EIA و دادهٔ دمای همان منطقه را از Open-Meteo بگیرید. یک مدل پایه (مثلاً مقدار همان ساعت در هفتهٔ قبل) و یک مدل LightGBM بسازید، روی چند ماه آخر backtest کنید و خطای هر دو را در ساعت‌های اوج مقایسه کنید.
پیش‌بینی مصرف ساختمان و تخمین صرفه‌جویی
متوسطبا دادهٔ مسابقهٔ ASHRAE در Kaggle مدلی بسازید که مصرف یک ساختمان را از روی آب‌وهوا و تقویم پیش‌بینی کند. بعد از همین مدل به‌عنوان «خط مبنا» استفاده کنید تا اثر یک تغییر فرضی را بسنجید؛ این همان منطق سنجش و صحت‌سنجی (M&V) است که EnergyHub در آگهی‌اش می‌خواهد.
پیش‌بینی تولید یک نیروگاه خورشیدی
متوسطبا pvlib یک مدل فیزیکی ساده از تولید یک سامانهٔ خورشیدی بسازید و آن را با یک مدل یادگیری ماشین که پیش‌بینی آب‌وهوا را ورودی می‌گیرد مقایسه کنید. نتیجه را برای روزهای ابری و آفتابی جدا گزارش دهید.
پیش‌بینی احتمالاتی قیمت برق روز-پیش
پیشرفتهبرای یک هاب یا منطقهٔ قیمتی، به جای یک عدد، چند quantile (مثلاً ۱۰، ۵۰ و ۹۰ درصد) پیش‌بینی کنید و خطا را با pinball loss بسنجید. در README توضیح دهید مدل در ساعت‌های جهش قیمت چطور رفتار کرد.
برنامه‌ریزی شارژ و تخلیهٔ باتری با پیش‌بینی قیمت
پیشرفتهپیشبینی قیمت پروژهٔ قبلی را به یک مسئلهٔ بهینه‌سازی خطی با Pyomo یا Linopy بدهید تا زمان شارژ و تخلیهٔ یک باتری فرضی را تعیین کند. درآمد را یک بار با قیمت پیش‌بینی‌شده و یک بار با قیمت واقعی حساب کنید تا ارزش دقت پیش‌بینی معلوم شود.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
لیسانس اتوماسیون را از دانشگاه Tsinghua گرفت و دکترایش را با دو گرایش تحقیق در عملیات و مهندسی برق در North Carolina State University. به گفتهٔ سایت خودش، امروز استاد دانشگاه North Carolina در Charlotte و مدیر آزمایشگاه BigDEAL (Big Data Energy Analytics Laboratory) است.
بنیان‌گذار و نخستین رئیس IEEE Working Group on Energy Forecasting و رئیس کل Global Energy Forecasting Competition (GEFCom) است. به گفتهٔ سایت خودش، عضو هیئت تحریریهٔ International Journal of Forecasting و Solar Energy هم هست.
طبق ویکی‌پدیا، GEFCom نخستین بار در ۲۰۱۲ روی Kaggle برگزار شد و دورهٔ ۲۰۱۴ بخش‌های پیش‌بینی بار، باد، خورشید و قیمت داشت. دادهٔ دورهٔ ۲۰۱۲ هنوز روی Kaggle هست؛ به نظر می‌رسد کار روی همین مسئله‌های استاندارد راه خوبی برای نشان دادن مهارت پیش از اولین شغل باشد.
دکترایش را از دانشکدهٔ علوم کامپیوتر و دپارتمان مهندسی و سیاست‌گذاری عمومی Carnegie Mellon گرفت. به گفتهٔ خودش، پیش از دکترا با بورس Thomas J. Watson به کشورهای مختلف سفر کرد تا آدم‌ها، فناوری‌ها و سیاست‌های پشت نسل بعدی سیستم‌های برق را مطالعه کند. امروز استادیار MIT در EECS و LIDS است.
هم‌بنیان‌گذار و رئیس Climate Change AI است؛ به تعبیر خودش، یک ابتکار غیرانتفاعی جهانی برای پیشبرد کارهای اثرگذار در محل تلاقی تغییر اقلیم و یادگیری ماشین. گروه پژوهشی او روی یادگیری ماشین برای پیش‌بینی، بهینه‌سازی و کنترل در شبکه‌های برق پرتجدیدپذیر کار می‌کند. نامش در فهرست ۳۵ نوآور زیر ۳۵ سال MIT Technology Review در ۲۰۲۱ و TIME100 AI در ۲۰۲۵ آمده است.
مسیر او از مطالعهٔ سیاست و فناوری برق به یادگیری ماشین رسید. به نظر می‌رسد در این حوزه، فهم اینکه شبکهٔ برق در عمل چطور اداره می‌شود به اندازهٔ خود الگوریتم ارزش دارد.
به گفتهٔ خودش، لیسانس علوم اعصاب را در UCL خواند و مدتی کوشید از ساخت فیلم‌های محیط‌زیستی زندگی کند، که تقریباً ناممکن از آب درآمد. در ۲۰۱۰ فوق‌لیسانس علوم کامپیوتر را در Imperial شروع کرد با این هدف صریح که از AI برای مقابله با تغییر اقلیم استفاده کند، و بعد دکترایش را در تفکیک مصرف انرژی (energy disaggregation) گرفت.
در DeepMind مهندس پژوهشی بود و با یادگیری ماشین تولید برق بادی را پیش‌بینی می‌کرد. بعد Open Climate Fix را هم‌بنیان گذاشت، یک آزمایشگاه پژوهشی غیرانتفاعی برای کاهش گازهای گلخانه‌ای. به گفتهٔ خودش، ایدهٔ این آزمایشگاه این بود که مالکیت فکری نگه ندارد و تا جای ممکن کد و داده را منتشر کند.
او دیر و از رشته‌ای دیگر وارد این کار شد. مسیرش نشان می‌دهد هدف روشن (اینجا: کاهش انتشار) می‌تواند انتخاب درس، پروژه و شغل را جهت بدهد، و کد و دادهٔ متن‌باز راهی برای دیده شدن کار است.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Energy Data Scientist
تحلیل نیازمندی‌ها
You have experience with Python and the scientific stack (pandas, numpy, scipy)
پایهٔ کار همین است. باید بتوانید با pandas سری‌های زمانی بزرگ را بخوانید، هم‌تراز کنید و خلاصه کنید و با numpy و scipy محاسبهٔ آماری انجام دهید.
ضروریYou have proficiency in SQL and understand good data modeling practices (basic ETL/ELT)
داده در انبار داده است و شما باید خودتان آن را بیرون بکشید و برای مدل آماده کنید. «basic ETL/ELT» یعنی لازم نیست مهندس داده باشید، اما باید بدانید داده چطور از منبع به جدول تحلیلی می‌رسد.
ضروریYou have a practical comprehension of basic machine learning algorithms and are familiar with popular software packages such as Sklearn and Tensorflow.
سطح خواسته‌شده «درک عملی الگوریتم‌های پایه» است، نه پژوهش در یادگیری عمیق. رگرسیون، درخت تصمیم، gradient boosting و روش درست ارزیابی را خوب بلد باشید.
ضروریYou can explain results from large-scale data analyses to diverse audiences in a way that is clear, interesting and actionable
مخاطب شما شرکت‌های برق و تیم‌های فروش و محصول هم هستند. باید بتوانید بگویید یک برنامهٔ کنترل دستگاه‌ها چقدر اثر داشته و این عدد چقدر قابل اعتماد است.
مهمYou have experience in the measurement and verification (M&V) of control and optimization of distributed energy resources
M&V یعنی سنجیدن اینکه کنترل دستگاه‌ها واقعاً چقدر مصرف را جابه‌جا کرده، با مقایسه با برآوردی از اینکه بدون کنترل چه می‌شد. این در بخش «امتیاز» آمده؛ پروژهٔ پیش‌بینی خط مبنای مصرف ساختمان نزدیک‌ترین تمرین برای آن است.
مفیدYou have experience in using Snowflake, dbt and understanding analytics engineering development practices
تیم این نقش Analytics Engineering است، پس کار با انبار دادهٔ ابری و ابزارهای تبدیل داده مثل dbt مزیت است. اگر SQL را خوب بلدید، این ابزارها را سریع یاد می‌گیرید.
مفیدYou have power systems expertise, including three-phase distribution network modeling
دانش مهندسی برق و مدل‌سازی شبکهٔ توزیع امتیاز است، نه شرط. برای کسی که از مهندسی برق می‌آید، همین بند یک برتری روشن نسبت به دانشمندان دادهٔ عمومی است.
مفیدتحلیل مسئولیت‌ها
You will drive the development of M&V methodologies and data science models for more accurate and transparent evaluation of our advanced grid services from fleets of distributed energy resources.
کار اصلی سنجیدن است: شرکت به شرکت‌های برق قول می‌دهد ناوگان دستگاه‌ها خدمتی به شبکه بدهند و شما باید با مدل نشان دهید این خدمت واقعاً چقدر بوده است. شفاف بودن روش به اندازهٔ دقتش مهم است.
You will write production-level code, prototype new data products, and apply machine learning algorithms to energy IoT data
کد شما فقط تحلیل یک‌باره نیست و باید در محصول اجرا شود. داده هم دادهٔ IoT دستگاه‌هاست: پرحجم، پر از جاافتادگی و با رفتار متفاوت هر دستگاه.
You will work to translate data from one of the largest distributed energy datasets in the electricity industry into actionable insights for electric utilities and other energy industry stakeholders
مشتری نهایی شرکت‌های برق‌اند. خروجی کار باید به تصمیمی برسد که آن‌ها می‌گیرند، مثلاً اینکه یک برنامهٔ پاسخ‌گویی بار را گسترش بدهند یا نه.
You will collaborate closely with stakeholders inside and outside of EnergyHub including Data Engineering, Client Success, Marketing, Sales, Product, and Market Development teams.
این نقش بین تیم‌های زیادی قرار دارد. بخشی از وقت صرف فهمیدن سؤال تیم‌های غیرفنی و توضیح نتیجه به آن‌ها می‌شود.
نتیجه‌گیری کلی
این آگهی نشان می‌دهد دانشمند داده انرژی در یک شرکت نرم‌افزار انرژی چه می‌کند: سنجش و پیش‌بینی اثر ناوگان بزرگی از دستگاه‌های خانگی با Python، SQL و یادگیری ماشین پایه. سال تجربه یا مدرک خاصی در آن ذکر نشده و دانش سیستم قدرت و M&V فقط امتیاز است. بازهٔ حقوق پایهٔ اعلام‌شده ۱۰۰ تا ۱۵۶٫۷۵ هزار دلار در سال است. آگهی صریحاً می‌گوید برای این نقش اسپانسر مجوز کار نمی‌دهد.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
در گزارش Future of Jobs ۲۰۲۵ مجمع جهانی اقتصاد (WEF)، کارفرمایان صنعت فناوری انرژی و تأسیسات (Energy Technology and Utilities) برای «متخصصان AI و یادگیری ماشین» رشد خالص ۴۶٪ را از ۲۰۲۵ تا ۲۰۳۰ پیش‌بینی کرده‌اند؛ همین عدد برای همهٔ صنایع ۸۲٪ است. این گروه در صدر نقش‌های کلیدی این صنعت آمده است. گروه رسمی نزدیک دیگر، دانشمندان داده در آمریکا، طبق BLS از ۲۰۲۵ تا ۲۰۳۵، ۳۵٪ رشد اشتغال خواهد داشت.
منبع: WEF Future of Jobs Report 2025 — Energy Technology and Utilities industry profile
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
آژانس بین‌المللی انرژی (IEA) در گزارش Energy and AI پیش‌بینی می‌کند مصرف برق دیتاسنترها از حدود ۴۱۵ تراوات‌ساعت در ۲۰۲۴ تا ۲۰۳۰ بیش از دو برابر شود و به حدود ۹۴۵ تراوات‌ساعت برسد؛ کمی بیشتر از کل مصرف برق امروز ژاپن.
در نظرسنجی WEF، کارفرمایان صنعت فناوری انرژی و تأسیسات برای متخصصان AI و یادگیری ماشین و نیز مهندسان انرژی تجدیدپذیر، هر کدام رشد خالص ۴۶٪ را تا ۲۰۳۰ پیش‌بینی کرده‌اند.
در سناریوی پایهٔ IEA، مصرف برق دیتاسنترها تا ۲۰۳۵ به حدود ۱۲۰۰ تراوات‌ساعت می‌رسد. BLS هم برای همین بازه (۲۰۲۵ تا ۲۰۳۵) رشد ۳۵٪ اشتغال دانشمندان داده در آمریکا را پیش‌بینی می‌کند.
IEA می‌نویسد شیوع مهارت‌های AI در بخش انرژی بسیار کمتر از بخش‌های دیگر است و دسترسی ناکافی به داده و زیرساخت دیجیتال و نگرانی‌های امنیتی مانع به‌کارگیری AI است؛ این هم فرصت است و هم یعنی در بعضی سازمان‌ها کار کند پیش می‌رود. بازار کار هم به ساختار بازار برق هر منطقه بسته است: بسیاری از آگهی‌های آمریکایی شناخت ERCOT یا PJM را می‌خواهند و این دانش به‌راحتی به بازار دیگری منتقل نمی‌شود. ابزارهای AI هم شیوهٔ کار را عوض می‌کنند: Hanwha از تحلیلگر ورودی کار با هوش مصنوعی مولد و ابزارهای توسعهٔ مبتنی بر AI را می‌خواهد و Axle می‌نویسد کارکنانش استفادهٔ نامحدود از Claude Code دارند و تشویق می‌شوند شیوهٔ کارشان را مدام بازبینی کنند.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۲۹ منبع بررسی شده است.
- Energy Data Scientist — EnergyHub (job posting)
- Senior Forecasting and Optimization Engineer — EnergyHub (job posting)
- Data Scientist — Hanwha Energy USA (job posting)
- Energy Analytics Analyst — Hanwha Energy USA (job posting)
- Data Scientist II — Yes Energy (job posting)
- ML Engineer - Power — Kpler (job posting)
- Data Science — Axle Energy (job posting)
- Lead Data Scientist — IESO (job posting)
- Research Engineer, Energy Grids, Sustainability — Google DeepMind (job posting)
- Market Analyst, Modeling (CAISO / SPP) — Modo Energy (job posting)
- Meteorological Data Scientist — Tomorrow.io (job posting)
- Data Scientist, Geospatial — Neara (job posting)
- Sustainability data advisor — Watershed (job posting)
- Energy Analyst, New Transactions — Meta (closed job posting, Accel job board)
- BLS OEWS May 2025 — Electric Power Generation, Transmission and Distribution (NAICS 221100)
- BLS Occupational Outlook Handbook — Data Scientists
- World Economic Forum — The Future of Jobs Report 2025 (PDF)
- IEA — Energy and AI: Executive summary
- Google DeepMind — Machine learning can boost the value of wind energy (2019)
- Open Climate Fix — Solar Forecasting
- Climate Change AI — About
- Rolnick et al. — Tackling Climate Change with Machine Learning (arXiv, 2019)
- Energy forecasting — Wikipedia
- Global Energy Forecasting Competition — Wikipedia
- Dr. Tao Hong — personal site
- Priya L. Donti — personal site
- Jack Kelly — About
- Glassdoor — Energy Analyst salary, United Kingdom
- PJM Learning Center