AI在能源领域的应用
人工智能(AI)技术已经被广泛地应用于能源领域中的系统建模、预测、控制和优化等方面。
能源是人类社会的中心，并推动着技术和整体人类福祉的发展。然而，随着全球人口的稳定增长(预计到2050年将达到近100亿)，能源供应必须与需求保持一致。因此，关于资源的决策和管理已变得至关重要，因为如果决策不当，可能会产生巨大的经济影响或导致能源短缺。
人工智能(Artificial Intelligence，AI)技术具有高效解决复杂问题的突出优点，在可再生能源需求逐渐增加的今天，能源系统对信息的实时性要求越来越高，同时需要灵活的解决方案，因此人工智能技术在能源互联网中具有广泛的应用前景。在能源行业中，数据收集器和传感器的广泛使用收集了大量有关能耗的数据，这些数据可以帮助理解，建模和预测物理行为以及人类对能源的影响，因此，目前人工智能技术已经被广泛地应用于能源领域中的系统建模、预测、控制和优化等方面。
清华大学中国科技政策研究中心在其发布的《中国人工智能发展2018》报告中，通过对德温特全球专利权人的专利公开数据进行分析，发现AI领域中Top10专利权人分布如下图：
图1：AI领域中Top10专利权人分布(单位：件)(来源：参考资料1)
国家电网公司作为唯一一家中国企业在AI领域中与国际竞争对手在专利布局中占有一席之地，也说明AI技术在能源领域的巨大应用潜力。国家电网公司的AI相关发明技术主要应用在电网控制、配电网、风电站、新能源等领域。
当然，在整个电力系统中，除了电源侧和输电侧以外，AI在用户侧的应用也十分流行，例如负荷预测、需求侧管理和用户分类等等。下图描述了一个以新能源为电源的微网中AI的典型应用。AI技术，如机器学习、模糊逻辑、自然语言处理、大数据技术等，以及一些混合AI方法为电力系统的设计、模拟、预测、控制、优化、评估、监测、故障诊断、需求侧管理等都提供了强大的工具。
图2：AI在电力能源领域的应用(来源：参考资料2)
能源领域中常用的人工智能技术
机器学习
机器学习理论主要是设计和分析一些让计算机可以主动“学习”的算法。在能源行业可应用在实现电网工程的可视化，辅助电厂优化电网内部设置等。自然语言处理自然语言处理让计算机把输入的语言数据变成有意思的符号和关系，然后进行再处理。在能源行业，自然语言处理可以用在自动获取能源数据，为进一步能情况分析做准备。
大数据技术
大数据技术指对各种来源的大量非结构化或者结构化数据进行分析，利用人工智能从数据中挖掘信息，帮助决策。在能源行业中，对电厂的管理与运营是大数据技术的例子之一。
深度学习
深度学习使用包含复杂结构或多重非线性变换购置的多个处理层对数据进行高层抽象。在能源行业中，利用深度学习优化钻井效率，可以提高20%的生产效率并减少40%的成本。
计算机视觉
计算机视觉是研究如何使机器实现人眼“看“的功能的技术。计算机视觉中的图像识别在能源行业可以应用在能源勘探，通过收集的信息描绘地层结构等。
模糊逻辑模糊逻辑是建立在多值逻辑基础上的人工智能基础理论，运用模糊集合的方法来研究模糊性思维、语言形式及其规律的科学。对于模型未知或不能确定的描述系统，模糊逻辑可以应用模糊集合和模糊规则进行推理，实行模糊综合判断。在能源行业，模糊逻辑可以用在处理不完整的油气田地质数据，从而优化勘测模型，推理出更精细的地质构造情况。
人工智能在能源领域的应用方向
预测预测是人工智能在能源领域最常见的应用，包括能源经济方面的预测如负荷预测和电价预测，以及发电输出功率预测。在电源侧，针对风能、太阳能、水能等可再生能源受天气条件影响较大的特点，可以采用深度置信网络(DBN)、集成学习以及条件变分编码器等技术,利用其在多层次网络训练、多分类综合决策、特征自主提取与学习、强大泛化能力等方面的优势，基于调控大数据(天气、环境、大气条件、电站地理位置和电网历史运行数据等)，整合多种预测模型和算法，采用无监督/半监督的自主学习方式分析和发现数据内部规律、多种因素间的耦合关联关，对可再生能源发电进行预测，提高可再生能源的预测精度。在用户侧，传统上通常使用工程方法和统计方法进行负荷预测。但这些方法基本上是线性模型，而负荷和功率模式通常是外生变量的非线性函数。因此统计方法在预测的准确性和灵活性上具有不足之处。随着ANN预测方法的发展，深度学习技术有望通过更高层次的抽象来提高预测精度。此外模糊逻辑、遗传算法和SVM等也广泛地应用到了预测中，这些技术与深度学习的结合应用得到了很高的预测精度。南网总调自动化处技术专家梁寿愚早在2015年就自行学习AI，基于谷歌旗下的TensorFlow开源框架，摸索AI与电网调度业务的结合，实现基于AI的负荷预测模型，取代原来几个小时的人工测算，日前预测准确率高达97%。
故障检测与诊断AI技术在电力系统故障诊断方面发挥着关键作用。主要使用的AI技术包括：模糊逻辑模型、广义回归神经网络方法、多核SVM、免疫神经网络、分布式机器学习、ANN、神经模糊和小波神经网络、隐马尔可夫模型。
需求侧管理
需求侧管理是智能电网中重要的功能之一，可以提高智能电网的可持续性，并降低整体运营成本和碳排放水平。传统能源管理系统中现有的需求侧管理策略大多采用系统特定的技术和算法。此外，现有的策略只能处理有限数量的有限类型的可控负载。隐马尔可夫模型、聚类算法、遗传算法、机器学习等AI技术在负荷辨识、多用户协调控制、错峰控制等方面有很好的应用。
人工智能技术在能源领域中的应用已经获得了良好的发展，虽然在我国这方面的应用研究才刚刚进入轨道，但我国能源行业的持续发展、电力系统数据总量的不断增加以及市场竞争的影响和加大，都为人工智能技术的应用提供了广阔
