如何用人工智能冲浪板在物联网的海啸中保持领先

这些都不是最容易回答的问题，在某些情况下，这似乎要求企业需要建立一个与it部门平行的AI部门。这是一项艰巨的任务。任何庞大的AI/ML算法集合，以及一个足够大的团队，都可以“解决”任何给定的数据问题，然而，这样的解决方案通常成本过高，并且需要持续的、专门的资源。问题是如何平衡收益和成本，并在相对较短的时间内获得有意义的投资回报。然而，即使面临这些挑战，其他领域的前瞻性企业已经在整合人工智能冲浪板方面取得了进展，并实现了可量化的更好的财务业绩。

我们研究了其他各种相邻的技术领域，这些领域都有人工智能采用者和非采用者的子集，以及可以量化的差异。这些领域包括电信行业、汽车行业(电动汽车和自动驾驶汽车的子集)以及医疗技术。有趣的是，与其他行业相比，电力行业在AI/ML的实施方面落后于其他行业。在人工智能采用者和非采用者的情况下，各种研究已经确定，两个子集之间存在显著的财务差异，可能大于20%。具体来说，平行业务路径的AI采用者与非采用者相比，直接由于AI/ML行动，毛利率增加了+10到+20%。此外，根据麦肯锡全球研究所的分析，AI采用者报告的直接AI EBIT增加了20%。[1]

我们最近在光伏专家会议上发表了一篇论文，这是一年一度的太阳能技术会议(PV SC 48)，我们确定了能源部2030年太阳能成本目标，实现太阳能成本降低的唯一方法是实施AI/ML增强。[２]

我们已经与几家公用事业公司合作开展联合项目，并认识到一些可能阻碍公用事业行业发展的因素。关键在于，在能源供应领域承担风险充其量是一项挑战，而且在很大程度上受到保护能源分配的监管体系的限制。我们已经开发了数据，这些数据显示了高质量AI/ML在预测我们一些业务需求方面的价值。这表明了潜力，图1和图2显示了电力公用事业公司和水公用事业公司的一些例子。其精度水平当然足以提供AI/ML类型的支持。主要的挑战是，将运营计划转变为包括AI/ML类型的分析，需要在公用事业运行的受限环境中完成——这是一个非常合理的要求。

图1所示。AI/ML总电力vs日:预测vs实际[3]

图2所示。Ghiassi AI/ML的接近一致:预测与实际[4l

我们提出了一个简单的解决方案:公用事业的微电网。[5,6]微电网正变得越来越流行，实际上是必要的。在加州市场，公用事业公司已经在非偏远地区安装了微电网，因为这样做更经济。有各种著名的微电网，最近的一个就在优胜美地国家公园外，那里复杂的地形和野火的风险使微电网成为解决方案的选择。微网格可以为测试和练习AI/ML冲浪板提供理想的平台，使学习更容易实现。

我们与另一家地区公用事业公司合作，研究他们在一年内管理双向电力流方面的挑战，以及AI/ML如何改善电力管理。值得注意的是，各种大型公用事业公司都有关键员工，他们直接致力于确定AI/ML实现的模式。其中一个(必要的)限制是公用事业公司不愿意泄露和共享他们的运行数据。这使得开发项目更具挑战性，这些项目可能会使用能源部的研发资金。这些案例再次支持了微电网试验台作为开发和培训基地的建议。我们将鼓励公用事业社区与政府机构合作，推动其中一些解决方案。狗万体育手机官网

因此，要回答标题问题——如何在物联网海啸中冲浪——我们建议从当地的水上主题公园冲浪开始。然后与灵活的当地公用事业公司合作，在那里有一个支持的社区，增加海浪的大小。狗万体育手机官网然后你就可以开始“悬挂”，保持在顶端，迎接一段令人兴奋的旅程。

---

麦肯锡全球研究所分析2021年，在全球调查:2020年人工智能状况|麦肯锡和相关。

Skumanich, A.， Ghiassi, M.“通过有针对性地使用人工智能和机器学习实现太阳能成本的显著降低”，PV SC 48^th国际会议。

Ghiassi, M.等人(2006)。“基于动态人工神经网络模型的中期系统负荷预测”，电力系统研究，第76卷，302-316。

Ghiassi, M.等人(2008)。“圣何塞城市用水需求预测与动态人工神经网络模型”，水资源规划与管理杂志，第134卷，第2期，138146。

Skumanich, A.， Ghiassi M.。(2020)。”人工智能优化PV的发展需求越来越大

， PV SC论文集47^th国际会议https://doi.org/10.1109/PVSC45281.2020.9300788

Skumanich, A.， Ghiassi M.(2020)。“开发非电线替代品的AI和ML”，在2020年InterSolar国际会议上的演讲，2月圣地亚哥

后记侧边栏注:

最近的一个案例研究表明，这是可以做到的。欧洲的一家分销系统运营商(DSO)使用了一个数据分析平台，提供基于风险的资产管理和投资规划。该平台利用人工智能、可视化和模拟功能，结合电压、负载、电网拓扑等数据，帮助运营商评估系统可用容量，并可靠地规划未来需求。它还帮助他们更有效地利用资产，并准备好管理分布式能源资源的增加，但仍然保持低成本和保持电力质量。DSO提高了50%的效率，并在10年内节省了近1000万美元的资本支出。这些案例研究正变得越来越普遍，但在开发必要的数据/AI/ML基础设施方面，仍然需要广泛的支持能力。