关于电力如何深刻地改变了我们的世界，没有任何争议。用于机械化生产的蒸汽动力的出现将我们的世界推向了工业时代，引发了工业领域的巨大变革。在第二次工业革命中，电力的使用开启了大规模生产的时代，推动了运输、电信和制造业的突破性进展。第三次工业革命迎来了数字时代，其最显着特征可能是互联网（以及后来的物联网）的普及以及信息技术在生产自动化中的广泛使用。而且，根据世界经济论坛（WEF）的说法，现在我们正处于另一场深刻变革的风口浪尖：第四次技术革命，这一变革的速度，范围和影响将截然不同，

根据日内瓦的公私合营国际合作组织（作为适应性的通用平台）的说法，推动第四次工业革命的“软件引擎”的是人工智能AI。然而，该概念还没有统一的定义，宣传上其似乎适用于所有行业，有着无限潜力。像其它行业一样，电力行业最近已被支持AI的各种数字解决方案所淹没。尽管许多经验丰富的专家警告说，这很多是在夸大其词，并指出了现有的局限性，但不少人却称赞AI在该领域的潜力已经被许多趋势（包括数字化，脱碳和去中心化）极大地重塑了。

正如电力研究所（EPRI）人工智能计划的项目经理 解释的那样，没有AI的“未经单一测试的普遍接受的定义”的主要原因是因为它广泛而复杂，并且其应用是相当新颖的，而且还在不断发展。AI的创始人之父John 在1956年的会议论文中首次提出了这一概念，即“制造智能机器，尤其是智能计算机程序的科学和工程学”。但是今天，人工智能基于多种学科，包括数学，统计学，认知科学，哲学和语言学。表示，EPRI粗略地将AI定义为“机器如何模仿人类的智力”（类似于人类而不是成为人类），例如从经验中学习的能力。他解释说，由于它支持多种功能，因此可以将AI视为“工具”。

美国能源部（DOE）于去年9月成立了一个新的人工智能和技术办公室（AITO），作为协调AI技术开发、交付和应用的枢纽，同时也强调了AI解决问题的能力。它对AI定义为：“机器具有从大型数据集中快速学习、解决问题并不断适应新数据的能力，而无需人工干预。” 美国能源部的定义得到了总部位于苏黎世的技术公司ABB的执行副总裁兼企业软件总经理Bryan 的支持，他强调AI “通过识别数据中的模式进行决策”来不断增强能力。值得注意的是，“人工智能”一词仍在不断发展，并提供越来越多的机会。

表示：“原因主要有以下三个：计算能力的提高、更多数据可获取和算法不断的改进。”

三菱日立电力系统公司（MHPS）服务销售副总裁Marco 新推出了智能解决方案，该部门提出了解决方案，进一步说明了该方案如何定义取决于其最终用途。 表示：“我们认为，人工智能封装了当今人类执行的自动化流程和动作，这可以对性能，生产力和效率产生积极影响。”

但是，他同意人工智能的使用在很大程度上取决于数据。他解释说：“人工智能利用结构化数据（例如，机器的传感器数据，和非结构化数据（例如OEM厂家手册，维护记录，天气数据以及市场/业务数据）来执行高级决策。”

要了解数据在人工智能庞大的复杂系统中所起的关键作用，检查技术的各种封装和重叠方法（下图）很有用。

1.人工智能封装了几个概念，包括自然语言处理（NLP），深度学习（DL）和神经网络（NN）。

对于机器学习，EPRI解释说：“有时机器学习（ML）与人工智能AI可以互换使用，它是对数据驱动的计算机算法的研究，这些算法可以通过经验自动提高。” 机器学习是当前使用最广泛的人工智能子集，它封装了自然语言处理（NLP），深度学习和神经网络。但是，通过定义机器学习的两个任务可以更好地理解：有监督的学习和无监督的学习。

它说，在监督学习中，“学习是使用基本事实完成的，其中事先了解了样本数据集的输出值应该是什么。” 本质上，其目标是“学习最能逼近数据样本与所需输出之间关系的函数”，然后使用该函数预测给定输入数据集的输出。“监督学习主要用于分类问题；常见的算法包括回归，支持向量机，人工神经网络（ANN）和随机森林。” 这使其非常适合电力行业的应用，例如资产管理，例如可以使用一组图像来识别损坏。

同时，无监督学习不需要标记的数据，其主要目标是学习一组数据点内的固有结构。“无监督学习主要用于聚类问题，” EPRI解释说。因此，例如，无监督学习可以通过对相似图像进行聚类来加速对受损资产图像的分析电力安全论文，从而使每个类别的人只能标记一张图像。

自然语言处理（NLP），NLP使用有监督或无监督的学习方法来帮助计算机捕获，解释和理解人类语言。它借鉴了计算机科学和语言学领域的功能，例如用于文本分析和创建聊天机器人。“ NLP的一个特定于行业的应用是处理诸如伤害报告之类的文档，以分析并提出安全操作建议。” EPRI说。

人工神经网络（ANN）。受人脑的启发，人工神经网络本质上是输入和输出层以及用于转换输入以使其可被输出层使用的隐藏层。具有多个隐藏层的ANN被称为“深度神经网络”。深度神经网络从大量数据中学习，使用算法重复执行任务，每次对其进行调整以提高结果，这几乎是人类从经验中学习的方式。该过程通常被称为“深度学习”，这是行业中另一个流行的流行语。EPRI说：“用于识别受损资产的图像识别和资产的预测性维护应用是电力行业中使用的ANN和深度学习算法的示例。”

自动机器学习。EPRI将其描述为“将机器学习自动应用于现实问题的端到端过程，例如数据准备、特征工程和模型选择。” 它指出，“由于缺乏应用机器学习技术的专业知识，这引起了人们的关注。”

巨大的潜力

很多电力行业的专家都称赞人工智能的未来潜力。多数人认为，随着该行业应对包括脱碳，分布式发电和数字化在内的多种革命性的变化，其利用运营价值的能力也许是其最大的希望。

根据的说法，根据EPRI的工作以及利益行业表示，当今可用的人工智能工具具有最大的潜力来解决自动检查的问题，例如，作为减轻费时且繁琐的检查过程的应用程序。他说：“电力行业的几乎所有资产都以一种或另一种方式进行检查，并且可以使用人工智能进行自动化的流程数量巨大。”

在他看来，人工智能的潜力很可能会扩展到涉及资产的管理程序中，这些传感器可以生成时间序列类型数据。“对这类数据进行分析可以预测机器未来的行为或维护需求，或潜在的潜在危险，或类似的事情，了解这种行为并理解这些模式至关重要。这可以为整个行业大量避免非计划停机时间。”

正如美国GE公司数字数据和分析副总裁Matt 所说：“虽然有很多边缘案例也可以容纳AI和ML，但实践表示行业发展下一步的关键是解决资产的性能到机组的性能，再到整个电网的性能，再到最终消费者的全过程的解决方案，而人工智能在提升“预测和规范能力”方面的潜力今天尤为关键，因为随着太阳能或风能的分布式发电的普及，电力交易变得更加复杂。

ABB公司的回应了这些观点，并补充说，人工智能还可以将仿真提升到“更高的层次”，例如，以帮助发电公司定位电网的不稳定区域并提高现场工作人员的安全性。他说：“从日常运营，电网安全性，可靠性等方面来看，人工智能有巨大的机会。” 日本三菱公司的桑切斯（）还指出，人工智能在电力行业未来整合中的潜在“重要作用”，例如，利用低碳资源，改善预测并促进自主运营。他说，这些可能会产生“更明显，更容易获得并且在经济上可行的”安全和环境效益。桑切斯指出，人工智能还提供了创新的价值，例如，它有助于增强模拟器的能力和最终在线同步的能力。

大量的数字解决方案提供商，学术界和政府支持的研究人员以及电力公司都在利用AI的巨大潜力来推动显着举措。例如，GE已在其先进燃烧控制系统中实施了神经网络和边缘控制，以优化重型燃气轮机和航改燃机的燃料分配，并称其努力减少了可调节的氮氧化物和一氧化碳排放，并改善了整体性能。在机组级别，它提供了“生产计划顾问”，以帮助贸易商和调度计划者了解联合循环电厂的日前和实时产能，从而帮助他们更好地准备承诺，并计划燃料提名和调度。在电网级别，它已将ML实施为一种称为“有效惯性”的分析帮助电网运营商更好地将惯性与已知和可预测的值相关联，例如常规的旋转惯性和负载。

总部位于日本横滨的三菱公司继续在其“完全自主的”600兆瓦T-Point 2联合循环高砂电厂中验证未来使用 AI的组件和解决方案。桑切斯告诉《POWER 2020》今年即将成为该项目的“完成年​”。同时，ABB正在利用AI来释放其数字企业软件产品组合（基于通用数据结构）提供的见解。ABB公司在其资产绩效管理解决方案中也使用了AI。德国西门子则正在与美国软件公司 合作，提供基于云系统上的联合服务，并且它使用AI帮助运营商更好地了解电厂的性能。

过早采用AI的陷阱

尽管如此，根据EPRI的的说法，电力行业采用AI仍有一段路要走，然后才能从AI中获得潜在的广泛收益。“我们仍处于该行业的早期阶段，当今最大的挑战是数据。一切都需要数据，并与其他人协作以获取正确的数据集。”他说。“随着数据的可用和模型的训练，那时候我们才会在业内看到更多的采用。现在，它是零散的，还有试验和试点，电力部门的利益相关者正在评估AI的能力并试图将效益展示出来，但还称不上被采纳。”

正如GE数字的所建议的那样，关于AI可以为电力行业做什么的许多奢望和误解都来自有前途的首次应用。他说：“第一个吃螃蟹的人或公司通常充满热情和适当的资源配置。” 但是，这种兴奋导致了两个“次优结果”。一个是“为了投资而进行投资，而没有真正阐明需要采取行动的见解的问题。当您解决错误的问题时，人工智能通常会过度设计一个解决方案，而该解决方案可以通过更多的传统方法来解决。到那时，许多业内老人就会告诉那些对AI着迷的同行，他们只需要四分之一的时间就可以解决这个问题，而且费用还只有原来的八分之一。他指出，在某些情况下，“投资会成功回报那些敢于首次尝试的人，但在不切实际的控制环境中，获得成功的尝试容易遇到了围绕数据和部署限制的诸多问题。”

他建议，解决这些问题的关键方法是“真正理解”需要解决的问题，然后再决定采用哪种方法解决它们。然后，“一旦问题得到充分说明，并且AI / ML确实是最佳解决方案，那么必须在具有适当净化，建模和编排数据的数字环境中对它们进行缩放。” 这就是为什么建议，在日常操作中采用更常见的传统方法，而不是开发最复杂的算法，AI/ML的价值将达到第一个拐点。

同时，ABB的还指出，在电力行业中，相对稀疏的专业知识无法成功管理AI蓬勃发展的大量运行数据。他建议电力安全论文，在寻找具有必要领域和软件专业知识的合作伙伴的同时，电力公司可能需要“进行劳动力转型，并发展工人与技术之间的协作文化。他们需要将AI集成到其战略计划和长期业务计划中，并了解随之而来的机会，以便成功地重塑公司文化，最大程度地降低风险并从技术解决方案中获得最大的价值。”

三菱公司的指出，电力，安全和质量方面的现有标准对现有系统集成也可能具有挑战性。他说，三菱公司正在通过其T-Point 2电厂解决这一问题。“拥有自己的最先进的发电厂使我们能够验证技术，确保为用户提供最大的可靠性和质量。”

利用行业资源

当被问及可以做些什么来为AI的潜力做准备时，说接近EPRI将是一个好的开始。他说，这家非营利性研究组织已经培育出一种“四管齐下的方法”，以在AI方面提供思想领导。

首先，该实体当前的重点是使用行业信息来管理可操作的数据集。其次，EPRI提供了各种以行业为中心的专家，​​可以为电力行业实体提供有关AI工具的功能和局限性的建议。第三，EPRI积极致力于帮助查明更大的AI社区可以使用现有工具解决的电力部门问题。“我们要做的是与那些AI专家联系，并说：“如何将您的一些知识转移到我们的行业中，以帮助我们解决问题？在这些问题上花费了数十亿美元，您的解决方案可以为我们提供帮助。我们也希望成为通往社区的桥梁。” 说。

他说：“对AI解决方案进行公正且技术上合理的评估对于该行业至关重要。”

相关热词 : 电力安全论文 电力安全论文范