食物、能源和水是人類賴以生存與發展的基礎，在龐大的人口壓力下，食物危機、能源危機和水危機不斷沖擊人類共同擁有的美好家園。

 

騰訊首席探索官網大為(David Wallerstein)以全新的理念面對全球危機，深入探討AI技術在解決食物、能源、水三大問題上的前景及路徑，撰寫了《重構地球：AI FOR FEW》一書。

 

人工智能技術目前在能源的應用才剛剛開始，但它具有無限的潛力和廣闊的發展前景。能源的可持續發展問題是人類共同面對的終極挑戰，而AI技術成為我們應對這些挑戰的一個強有力的武器。

 

AI和大數據結合，為電網“捕風捉影”

 

《重構地球：AI FOR FEW》一書指出，運用AI技術，能夠更好地保障可再生能源消納，挖掘新能源發展潛力。伴隨技術的融合，AI技術和大數據技術已經在可再生能源消納領域得到了一定應用，并取得了顯著成效。

 

近年來，隨著電網數字化和信息化技術日漸成熟，發、輸、配、用各環節數據均得到有效采集，數據量與日俱增。然而面對海量的電力數據，傳統技術已無法滿足數據處理需求，更不能深入挖掘數據價值，因此AI技術和大數據技術應運而生。

 

相比傳統數據，大數據具有數據量增長快、維度多等特點，能夠為預測性分析提供依據。AI技術和大數據技術相結合，可以將先進的傳感量測技術、信息通信技術、分析決策技術、自動控制技術與電網基礎設施高度集成，共同推動電網體系的變革。

 

除了能對電網進行實時監控和檢測、保證系統的安全運行之外，AI還能進一步挖掘歷史數據和實時數據，有利于電網診斷、優化和預測，提高電網的控制水平和資源優化水平，挖掘電網運行規律，從而保證電網運行的安全性、可靠性和經濟性。

 

AI和大數據結合，還能促進可再生能源接入，為清潔能源發展做好準備。當前傳統可再生能源發電出力預測方法由于缺乏系統級綜合考慮，其預測誤差部分時段甚至超過50%;同時較大的預測誤差往往造成系統很難完全跟蹤可再生能源發電出力，從而難以保障可再生能源有效消納。

 

而AI技術和大數據技術基于區域觀測數據、機組運行數據、氣象數據、地理信息數據四大類動靜態風電數據資源，利用Hadoop等成熟技術，搭建海量數據環境下的數據挖掘算法和行為分析框架，實現TB、PB級的大數據處理能力，預測精度在沿海地區達到90%以上，在內陸省份達到80%左右。在光伏出力預測方面，基于大數據建立光伏電站功率預測模式，聯動數值氣象預報，可精細化考慮沙塵、霧霾對太陽輻射的影響，超短期預測精度達到95%，短期預測精度達到90%以上，中長期預測精度在80%以上。

 

AI技術助力基于電網故障知識圖譜的智能運維

 

《重構地球：AI FOR FEW》指出，AI技術能助力基于電網故障知識圖譜的智能運維。事實上，應對愈加復雜的電網運行形勢，調度運行控制通過利用事前、事中、事后全過程的智能技術支撐手段，已實現電網故障處理的智能轉型。

 

調控人員可以通過將經驗提煉為知識，形成故障知識圖譜，并結合AI技術，可主動、快速、全面掌握故障處理的關鍵信息，為故障處理提供相應的輔助決策，從而有效控制電網事故的發生和發展。

 

隨著技術與電力改革進程的加快，用能企業對于自身的能源管理意識增強。同時，用戶側新能源、儲能的興起，使許多用能用戶不再只是能源的消費者，也是能源的供應者。

 

智能化的配用電監測系統和能源管理系統，能實現對用戶側能源系統的監測、維護和優化，降低用能成本，同時針對電網需求或電價信號，能實現需求側響應和進一步降低用戶用能成本。有研究指出，僅僅使用能用戶能夠可視化了解企業的用能情況，用能用戶就能做出10%的節能優化決策。

 

在需求側，需求側管理作為智能電網中重要的功能之一，可以讓用戶對其能源供應者減少高峰負荷需求，重塑負荷曲線。這樣可以增強智能電網的可持續性，降低整體運營成本和碳排放水平。傳統能源管理系統中現有的需求側管理策略大多采用系統特定的技術和算法，只能處理有限數量和有限類型的可控負載。

 

目前，智能設備為準確把握用戶級的負荷提供了基礎。通過結合用戶用電負荷感知來挖掘電力市場下負荷的靈活性，可以增加靈活性調節空間。

 

隱馬爾科夫模型、聚類算法、遺傳算法、機器學習等AI技術在負荷辨識、多用戶協調控制、錯峰控制等方面有很好的應用。此外，在電力市場不斷發展的背景下，還能夠不通過調節常規電源出力，轉而利用市場手段使得一部分用戶主動削減或者增加負荷，從而平抑發電側出力變化，實現通過需求側管理優化系統調度運行。

 

在預測分析層面，能源供應者需要盡可能準確地預測需求變化、系統過載和可能出現的故障，因為在能源領域出錯的成本非常高，因此迫切地需要能源供應商改進其預測分析方法，以降低成本、節約電力、提高可再生能源利用水平，為不斷變化的環境做好準備，從而為用戶提供更好的服務。