冒险还是不冒险?这就是问题所在——AI就是答案

这就是人工智能和机器学习在公用事业中变得必要的地方。AI/ML支持:预测性维护，简化操作，预测设备故障，更精确的破坏性天气事件预测等。[1]它提供了主动管理，包括能源发电组合的增长。举一个简单的成本削减与主动管理的例子，考虑植物控制。现在有大约20多家无人机服务公司，可以提供无人机设备或检查，这样对植被的监测就可以实时、按需进行，而不是按照固定的时间表进行，后者可能太频繁(更昂贵)或太不频繁(如果发生火灾，成本就会很高)。然而，无人机数据是大数据，需要AI/ML类型的算法来提取基于图像的信息，以确定问题发生的位置，并进行必要的调整。重要的是，与停电或火灾的被动反应相比，实现这种AI/ML和无人机数据的主动模式的风险较低。因此，不使用AI/ML和无人机的风险变得更高。另一个例子是，可以监测变压器的运行特征，同样，通过正确的AI/ML分析，可以在故障或停机之前发现早期问题。这些只是实现AI/ML和开发新方法的风险小于使用标准操作程序可能发生的其他风险的一些模式。AI/ML可以降低导致整体减少的风险，并且已经有许多例子。 [2]

信任

在任何运营或预测方面依赖AI/ML的一个关键方面可以归结为信任。你能相信结果吗?任何复杂的问题都可以通过大量AI/ML资源和模型训练来解决，但最终你能否接受准确的结果并依赖它们。答案是“视情况而定”。在数据集、算法训练和算法选择方面有很多问题。两个关键问题包括(1)过度拟合数据，或(2)调优噪声。这些都是真正的问题，需要通过足够复杂的AI/ML方法来解决。但是，确实有可能得到“值得信赖”的高精度结果。作为我们之前工作的一个例子，图1显示了在一段较长时期内公用事业电力需求预测的准确性

在这次与台湾电力公司的合作中，Ghiassi AI/ML建模给出了高度准确的预测分析，平均绝对误差低于1%，这比多元线性回归的标准方法和传统的高级神经网络分别好>1000%和>300%。在这个例子中，预测数据与实际数据的准确率为>99%，并且通过giassi算法分析，既没有过拟合，也没有对噪声的调整。（关于实现100%的讨论，请参阅最后一节。)

图1。一个电力公司的总电力销售的优秀预测，由Ghiassi AI/ML [3]

图2。>99%预测准确率的另一个例子是Ghiassi AI/ML [4]

ai / ml技术讨论

在技术方面，giassi(作者的)算法在没有过度拟合的情况下比其他算法表现得更好而用于训练的数据集与测试(样本外)数据集是分开的。目前发表的研究对483效用中使用的预测方法进行了系统和批判性的回顾预测模型并建立了人工神经网络是最常用的方法，在预测关键参数(如能源需求)方面优于其他统计方法。其他方法存在训练时间长、优化过程不稳定或对超参数敏感等问题。此外，在人工神经网络领域，Ghiassi AI/ML集已被证明优于传统的人工神经网络(Velásquez 2012, Olssonz 2017)。根据最近的研究:使用平均绝对百分比误差结果等精度指标，giassi模型比回归模型有更好的性能，现有的传统神经网络模型、支持向量机与遗传算法(SVMG)模型和支持向量机与免疫算法(SVMIA)模型。(Wang 2010, Zheng 2014)目前的研究支持giassi算法的优势。(例如Biswajit 2018)

死亡和税收

没有什么是100%的，除了死亡和税收，尽管有些人甚至对这两者都有争议(但我跑题了)。以我们的数据为例，AI/ML的准确率可以达到99%，不需要IBM沃森级别的能力。这表明，在没有过度拟合的情况下，可以并且已经实现了足够的精度。有了这种准确性，改进的实现将随着学习曲线的增长而增长，因为实用程序对结果产生了信任，并看到了主动姿态的优势。这与许多其他行业的学习曲线和采用类似。主要的结论是，现在不承担AI/ML风险的风险更大。

不要太病态，莎士比亚的哈姆雷特沉思死亡和自杀，哀叹生命的痛苦和不公平承认另一种选择可能会更糟．这听起来是不是有点耳熟?

冒险，还是不冒险。这确实是一个问题，但至少你知道答案(在99%的确定范围内)。

参考文献

[1]M. Ghiassi和a . Skumanich，“关于使用人工智能作为提高日照预测精度以实现优化光伏利用率的要求”https://doi.org/10.1109/PVSC43889.2021.9518470

[2] A. Skumanich和M. Ghiassi，“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大幅降低”https://doi.org/10.1109/PVSC43889.2021.9518872

[3] 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

[4] Ghiassi, M.等人(2006)。预测时间序列事件的动态人工神经网络模型国际预测杂志，第21,341卷。