帖子
让人工智能为低碳未来电网工作
本文是《数据分析与情报》2021年12月特刊的一部分,点击这里了解更多
免责声明:本文仅代表我个人观点,并不代表我的雇主观点。所分享的任何陈述/想法仅为作者个人经历,不具有任何约束力。
我们知道,未来的能源是光明的,清洁的,自主的,但在许多方面是不可预测的。在第26届缔约方会议上,全球经济体已签署了低碳/净零能源转型协议,电网的脱碳为这一未来雄心勃勃的计划奠定了基础。虽然一些国家在引入创新政策和执行基于绩效的监管模式(RIIO-2、REV、p2025等)方面取得了巨大进展,并做出了大胆的决定,以确保清洁能源占据主导地位,但其他国家正在积极考虑引入类似的法律、政策和监管指南。人们常说,技术在许多方面都处于领先地位,但其潜力受到监管政策或缺乏意愿的限制,但在世界上一些地区,监管机构正在允许充分利用数字技术,这种情况正在迅速发生变化。
您对成员功能的访问受到限制。
现在,对技术提供者来说,关键问题是——我们真的到了那一步了吗?我们是否找到了“应用数字化”解决复杂问题的正确方法?因为仅仅实现新的闪亮的系统,并不一定会转化为有意义的业务成果。技术的进步正在发生,而且肯定可以加以利用。然而,主要的障碍是“如何应用”这些进步,以确保能源过渡是无缝的/少颠簸的,并且对消费者来说,及时提供好处不会过于昂贵。
人工智能和机器学习如何帮助加速净零转型?
有一系列可用的数字技术,如物联网、设计思维、RPA、云计算、人工智能和机器学习等。从所有这些技术中,“数据科学”真正开辟了新的机会,以及以有效和深刻的方式进行业务活动的新方法。几乎每个公用事业公司都有这种燃料“原始数据”,通过以“工程师的方式”有效地应用人工智能和机器学习算法,可以获得“有价值的见解”。如果执行得当,AI/ML模型可以帮助最大限度地发挥DER的潜力,并减少浪费以实现净零。
市场上的许多产品都提供基于人工智能的解决方案,以解决网络规划、网格运营、客户参与、DER集成、资产优化等多个用例。然而,人工智能模型的使用通常不足以提供业务用户认为可靠、有益和值得信赖的结果。例如,在开发基于人工神经网络(ANN- Artificial Neural Networks)的预测模型时,必须了解人工智能建模技术和工程概念,以便提供有意义的结果。每个基于神经网络的模型都有基本的工作方式,这是基于“层”和“激活函数”。我们需要根据业务问题/用例的适用性和适用性来使用正确的“层”,然后使用具有相关功能的模型(如Relu, Sigmoid等)来激活。例如,下面是一些公用事业用例映射到ANN模型的常见示例:
AI/ML模型的类型 |
与实用工具用例相关 |
深度学习 |
在无监督的情况下找到模式。例如,在网络故障中寻找模式 |
线性/逻辑回归 |
线性模型用于预测连续数据、负载预测和分类数据的逻辑回归,例如,宕机是否会发生。 |
卷积- CNN模型 |
处理非结构化数据。例如,激光雷达图像数据,以识别低导体间隙,断裂的交叉臂等。 |
循环RNN模型 |
使用时间序列数据,如智能电表数据,历史数据进行预测或预测 |
Xboost |
梯度增强通常用于提高结果的有效性。作为“组合模型”应用于解决复杂问题,如未来网络规划,预测网络拥塞,电缆故障。Xboost通常称为集成建模(装袋、增强)。 |
那么,关键是什么呢?
数字技术的使用,特别是AI和ML模型,只与它对用例的适用性一样好。在正确的选择之后,我们还需要为每个有贡献的“自变量”分配仔细的权重,这将决定结果“因变量”。一些用例非常复杂,因此可能需要组合模型来实现可靠的预测。如果我们能够准确地预测近实时到日前/周,DER的编排将是高效、低成本的,对客户和网络有利,以负担得起、可靠和安全的方式实现净零的未来。
发布——建立一个追随者
能源中心万博mantex app电力行业网络基于一个核心理念——电力行业专业人士通过相互分享和学习来相互帮助,推动行业发展。
如果你有经验或见解要分享,或者从会议或研讨会上学到了一些东西,你在能源中心的同行和同事都想听。万博mantex app分享你喜欢的文章或你认为有用的行业资源的链接也很容易。
登录参与