人工智能（AI）技術(shù)已經(jīng)被廣泛地應(yīng)用于能源領(lǐng)域中的系統(tǒng)建模、預(yù)測(cè)、控制和優(yōu)化等方面。

能源是人類(lèi)社會(huì)的中心，并推動(dòng)著技術(shù)和整體人類(lèi)福祉的發(fā)展。然而，隨著全球人口的穩(wěn)定增長(zhǎng)（預(yù)計(jì)到2050年將達(dá)到近100億），能源供應(yīng)必須與需求保持一致。因此，關(guān)于資源的決策和管理已變得至關(guān)重要，因?yàn)槿绻麤Q策不當(dāng)，可能會(huì)產(chǎn)生巨大的經(jīng)濟(jì)影響或?qū)е履茉炊倘薄?/p>

人工智能（Artificial Intelligence，AI）技術(shù)具有高效解決復(fù)雜問(wèn)題的突出優(yōu)點(diǎn)，在可再生能源需求逐漸增加的今天，能源系統(tǒng)對(duì)信息的實(shí)時(shí)性要求越來(lái)越高，同時(shí)需要靈活的解決方案，因此人工智能技術(shù)在能源互聯(lián)網(wǎng)中具有廣泛的應(yīng)用前景。在能源行業(yè)中，數(shù)據(jù)收集器和傳感器的廣泛使用收集了大量有關(guān)能耗的數(shù)據(jù)，這些數(shù)據(jù)可以幫助理解，建模和預(yù)測(cè)物理行為以及人類(lèi)對(duì)能源的影響，因此，目前人工智能技術(shù)已經(jīng)被廣泛地應(yīng)用于能源領(lǐng)域中的系統(tǒng)建模、預(yù)測(cè)、控制和優(yōu)化等方面。

清華大學(xué)中國(guó)科技政策研究中心在其發(fā)布的《中國(guó)人工智能發(fā)展2018》報(bào)告中，通過(guò)對(duì)德溫特全球?qū)＠麢?quán)人的專(zhuān)利公開(kāi)數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)AI領(lǐng)域中Top10專(zhuān)利權(quán)人分布如下圖：

圖1：AI領(lǐng)域中Top10專(zhuān)利權(quán)人分布（單位：件）（來(lái)源：參考資料1）

國(guó)家電網(wǎng)公司作為唯一一家中國(guó)企業(yè)在AI領(lǐng)域中與國(guó)際競(jìng)爭(zhēng)對(duì)手在專(zhuān)利布局中占有一席之地，也說(shuō)明AI技術(shù)在能源領(lǐng)域的巨大應(yīng)用潛力。國(guó)家電網(wǎng)公司的AI相關(guān)發(fā)明技術(shù)主要應(yīng)用在電網(wǎng)控制、配電網(wǎng)、風(fēng)電站、新能源等領(lǐng)域。

當(dāng)然，在整個(gè)電力系統(tǒng)中，除了電源側(cè)和輸電側(cè)以外，AI在用戶(hù)側(cè)的應(yīng)用也十分流行，例如負(fù)荷預(yù)測(cè)、需求側(cè)管理和用戶(hù)分類(lèi)等等。下圖描述了一個(gè)以新能源為電源的微網(wǎng)中AI的典型應(yīng)用。AI技術(shù)，如機(jī)器學(xué)習(xí)、模糊邏輯、自然語(yǔ)言處理、大數(shù)據(jù)技術(shù)等，以及一些混合AI方法為電力系統(tǒng)的設(shè)計(jì)、模擬、預(yù)測(cè)、控制、優(yōu)化、評(píng)估、監(jiān)測(cè)、故障診斷、需求側(cè)管理等都提供了強(qiáng)大的工具。

圖2：AI在電力能源領(lǐng)域的應(yīng)用（來(lái)源：參考資料2）

能源領(lǐng)域中常用的人工智能技術(shù)

機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)理論主要是設(shè)計(jì)和分析一些讓計(jì)算機(jī)可以主動(dòng)“學(xué)習(xí)”的算法。在能源行業(yè)可應(yīng)用在實(shí)現(xiàn)電網(wǎng)工程的可視化，輔助電廠優(yōu)化電網(wǎng)內(nèi)部設(shè)置等。自然語(yǔ)言處理自然語(yǔ)言處理讓計(jì)算機(jī)把輸入的語(yǔ)言數(shù)據(jù)變成有意思的符號(hào)和關(guān)系，然后進(jìn)行再處理。在能源行業(yè)，自然語(yǔ)言處理可以用在自動(dòng)獲取能源數(shù)據(jù)，為進(jìn)一步能情況分析做準(zhǔn)備。

大數(shù)據(jù)技術(shù)

大數(shù)據(jù)技術(shù)指對(duì)各種來(lái)源的大量非結(jié)構(gòu)化或者結(jié)構(gòu)化數(shù)據(jù)進(jìn)行分析，利用人工智能從數(shù)據(jù)中挖掘信息，幫助決策。在能源行業(yè)中，對(duì)電廠的管理與運(yùn)營(yíng)是大數(shù)據(jù)技術(shù)的例子之一。

深度學(xué)習(xí)

深度學(xué)習(xí)使用包含復(fù)雜結(jié)構(gòu)或多重非線性變換購(gòu)置的多個(gè)處理層對(duì)數(shù)據(jù)進(jìn)行高層抽象。在能源行業(yè)中，利用深度學(xué)習(xí)優(yōu)化鉆井效率，可以提高20%的生產(chǎn)效率并減少40%的成本。

計(jì)算機(jī)視覺(jué)

計(jì)算機(jī)視覺(jué)是研究如何使機(jī)器實(shí)現(xiàn)人眼“看“的功能的技術(shù)。計(jì)算機(jī)視覺(jué)中的圖像識(shí)別在能源行業(yè)可以應(yīng)用在能源勘探，通過(guò)收集的信息描繪地層結(jié)構(gòu)等。

模糊邏輯模糊邏輯是建立在多值邏輯基礎(chǔ)上的人工智能基礎(chǔ)理論，運(yùn)用模糊集合的方法來(lái)研究模糊性思維、語(yǔ)言形式及其規(guī)律的科學(xué)。對(duì)于模型未知或不能確定的描述系統(tǒng)，模糊邏輯可以應(yīng)用模糊集合和模糊規(guī)則進(jìn)行推理，實(shí)行模糊綜合判斷。在能源行業(yè)，模糊邏輯可以用在處理不完整的油氣田地質(zhì)數(shù)據(jù)，從而優(yōu)化勘測(cè)模型，推理出更精細(xì)的地質(zhì)構(gòu)造情況。

人工智能在能源領(lǐng)域的應(yīng)用方向

預(yù)測(cè)預(yù)測(cè)是人工智能在能源領(lǐng)域最常見(jiàn)的應(yīng)用，包括能源經(jīng)濟(jì)方面的預(yù)測(cè)如負(fù)荷預(yù)測(cè)和電價(jià)預(yù)測(cè)，以及發(fā)電輸出功率預(yù)測(cè)。在電源側(cè)，針對(duì)風(fēng)能、太陽(yáng)能、水能等可再生能源受天氣條件影響較大的特點(diǎn)，可以采用深度置信網(wǎng)絡(luò)（DBN）、集成學(xué)習(xí)以及條件變分編碼器等技術(shù)，利用其在多層次網(wǎng)絡(luò)訓(xùn)練、多分類(lèi)綜合決策、特征自主提取與學(xué)習(xí)、強(qiáng)大泛化能力等方面的優(yōu)勢(shì)，基于調(diào)控大數(shù)據(jù)（天氣、環(huán)境、大氣條件、電站地理位置和電網(wǎng)歷史運(yùn)行數(shù)據(jù)等），整合多種預(yù)測(cè)模型和算法，采用無(wú)監(jiān)督/半監(jiān)督的自主學(xué)習(xí)方式分析和發(fā)現(xiàn)數(shù)據(jù)內(nèi)部規(guī)律、多種因素間的耦合關(guān)聯(lián)關(guān)，對(duì)可再生能源發(fā)電進(jìn)行預(yù)測(cè)，提高可再生能源的預(yù)測(cè)精度。在用戶(hù)側(cè)，傳統(tǒng)上通常使用工程方法和統(tǒng)計(jì)方法進(jìn)行負(fù)荷預(yù)測(cè)。但這些方法基本上是線性模型，而負(fù)荷和功率模式通常是外生變量的非線性函數(shù)。因此統(tǒng)計(jì)方法在預(yù)測(cè)的準(zhǔn)確性和靈活性上具有不足之處。隨著ANN預(yù)測(cè)方法的發(fā)展，深度學(xué)習(xí)技術(shù)有望通過(guò)更高層次的抽象來(lái)提高預(yù)測(cè)精度。此外模糊邏輯、遺傳算法和SVM等也廣泛地應(yīng)用到了預(yù)測(cè)中，這些技術(shù)與深度學(xué)習(xí)的結(jié)合應(yīng)用得到了很高的預(yù)測(cè)精度。南網(wǎng)總調(diào)自動(dòng)化處技術(shù)專(zhuān)家梁壽愚早在2015年就自行學(xué)習(xí)AI，基于谷歌旗下的TensorFlow開(kāi)源框架，摸索AI與電網(wǎng)調(diào)度業(yè)務(wù)的結(jié)合，實(shí)現(xiàn)基于AI的負(fù)荷預(yù)測(cè)模型，取代原來(lái)幾個(gè)小時(shí)的人工測(cè)算，日前預(yù)測(cè)準(zhǔn)確率高達(dá)97%。

故障檢測(cè)與診斷AI技術(shù)在電力系統(tǒng)故障診斷方面發(fā)揮著關(guān)鍵作用。主要使用的AI技術(shù)包括：模糊邏輯模型、廣義回歸神經(jīng)網(wǎng)絡(luò)方法、多核SVM、免疫神經(jīng)網(wǎng)絡(luò)、分布式機(jī)器學(xué)習(xí)、ANN、神經(jīng)模糊和小波神經(jīng)網(wǎng)絡(luò)、隱馬爾可夫模型。

需求側(cè)管理

需求側(cè)管理是智能電網(wǎng)中重要的功能之一，可以提高智能電網(wǎng)的可持續(xù)性，并降低整體運(yùn)營(yíng)成本和碳排放水平。傳統(tǒng)能源管理系統(tǒng)中現(xiàn)有的需求側(cè)管理策略大多采用系統(tǒng)特定的技術(shù)和算法。此外，現(xiàn)有的策略只能處理有限數(shù)量的有限類(lèi)型的可控負(fù)載。隱馬爾可夫模型、聚類(lèi)算法、遺傳算法、機(jī)器學(xué)習(xí)等AI技術(shù)在負(fù)荷辨識(shí)、多用戶(hù)協(xié)調(diào)控制、錯(cuò)峰控制等方面有很好的應(yīng)用。

人工智能技術(shù)在能源領(lǐng)域中的應(yīng)用已經(jīng)獲得了良好的發(fā)展，雖然在我國(guó)這方面的應(yīng)用研究才剛剛進(jìn)入軌道，但我國(guó)能源行業(yè)的持續(xù)發(fā)展、電力系統(tǒng)數(shù)據(jù)總量的不斷增加以及市場(chǎng)競(jìng)爭(zhēng)的影響和加大，都為人工智能技術(shù)的應(yīng)用提供了廣闊