人工智能还能预测电力需求?看东芝如何通过深度学习提高电厂的效率!-匠心芝语-东芝匠心

<optgroup id="dfebb"></optgroup>
  • <input id="dfebb"><area id="dfebb"></area><source id="dfebb"></source><sub id="dfebb"><tfoot id="dfebb"><param id="dfebb"></param></tfoot></sub></input>
    1. <fieldset id="dfebb"><param id="dfebb"></param></fieldset>
          1. <ins id="dfebb"></ins>
            <rt id="dfebb"><table id="dfebb"><acronym id="dfebb"></acronym></table></rt>
          2. 相关文章

            人工智能还能预测电力需求?看东芝如何通过深度学习提高电厂的效率! mask

            人工智能还能预测电力需求?

            看东芝如何通过深度学习提高电厂的效率!

            2019.03.13 研究
            本文看点
            • 东芝获得由东京电力举办的“第一届电力需求预测大赛”最优秀奖
            • 为保证电力的“同时同量”,需求预测必不可少!
            • 通过人工智能进行多地点的数据分析和整合预测,有效实现高精度的需求预测

            东芝研发中心系统技术实验室在2017年日本东京电力公司控股股份有限公司(以下简称东京电力)举办的 “第一届电力需求预测大赛”中获得最优秀奖。在9月上旬的9天时间内,参赛公司必须竭力克服电力需求错综复杂、数据难以读取的困难,不仅要及时精准地获取前一天的需求数据,还需要以一个小时的电量为单位,对第二天的电力需求进行预测。大赛根据预测结果的精确性评选出最后的优胜者。

            大赛共收到了100余家日本海内外公司的参赛作品。下面,就让我们一起来看看从这些作品中脱颖而出的东芝需求预测系统吧!

            一、随着新型电力、可再生能源的兴起,需求预测的热度也在增长

            电力需求预测是指电力公司为制定日常供电计划和交易计划而进行的预测。预测必须遵循 “同时同量”的原则,即需求量和供给量必须始终保持一致。我们知道,电力无法储存,若电厂过度运转会给电力公司带来损失。因此,大多数电力从业者都希望能制定出既满足需求又毫无浪费的供电计划。在2016年,随着电力自由化的发展、小型企业等新型电力的增加、以太阳能发电为核心的可再生能源的大规模引进,制定有效的供电计划变得越发困难,行业内对于高精度需求预测技术的诉求也在急剧上升。在此背景下, 东京电力于2017年举办了“第一届电力需求预测大赛”。

            以前,电力需求预测是需要根据累积的实际值、气象条件及事件信息等,手动进行需求量的预测。在该技术中,东芝着力推动研发的气象预测技术和优势强大的人工智能技术的运用是关键所在。在此,我们有幸邀请到了东芝研发中心的进博正先生、高田正彬先生、志贺庆明先生为我们讲解电力需求预测背后的故事。

            从左至右依次为:株式会社东芝 研发中心 进博正、高田正彬、志贺庆明

            从左至右依次为:株式会社东芝 研发中心 进博正、高田正彬、志贺庆明

            “如果需求预测的精度低,我们就必须要制定一个余量充足的供电计划,而这会导致一系列的浪费现象,如电厂的待机运转等。为解决这一问题,以前我们也曾经尝试过引入人工智能,但由于操作和业务流程尚未达到全自动化,无论如何都需要人力的预测。随着小型企业的增多,人手不足的情况也随之增多,利用人工智能实现高精度的自动预测成为了当务之急。”(进先生)

            那么,长期未达到使用标准的以人工智能预测电力需求的技术又进行了哪些更新呢?

            二、数据提取“稀疏建模技术”是提高精度的关键

            “具体来说,除了过去的数据,人工智能还要根据气象预测和事件信息对未来的需求量进行分析。这是一种粗略的机制,可以反馈预测值与实际值之间的关系,并将其应用于机器学习。最重要的一点是,东芝独有的气象预测数据的数量(地点数量)和多样性(气象因素)相较于以前有了大幅度的提升。”(进先生)

            以前,在东京电力供应的约40000平方公里的区域内,我们的主要分析对象是县政府所在地等6~7个地点,而现在我们可以通过气象数据自动采集系统(AMeDAS)分析100个观测点的气象预测值。而且,通过被称为“稀疏建模技术1”的机械学习技术,我们还可以从多个地点的气象信息中筛选并运用对电力需求影响大的地点的数据。
            1稀疏建模指从大量的数据中提取有意义的数据进行建模的技术。

            充分运用多地点的气象预测数据的稀疏建模技术※正在申请专利 自动筛选影响需求量的重要地点(例如:由于时区而产生的重要地点的差异)

            充分运用多地点的气象预测数据的稀疏建模技术
            ※正在申请专利
            自动筛选影响需求量的重要地点(例如:由于时区而产生的重要地点的差异)

            看到了比赛招募公告的进先生,分别向擅长人工智能技术的志贺先生和稀疏建模专家高田先生询问相关的技术情况。这也成为了这个团队成立的契机。

            “我一直致力于研究一项技术,这个技术能运用大数据(如工厂制造过程中所获取的加工条件和传感器值等)来调查品质下降的原因。在庞大的候选因素中找出真正的问题所在,需要用到稀疏建模技术,而将该技术运用到电力需求预测中,对我来说是一个新鲜又有趣的尝试。稀疏建模技术具有很大的潜力,我们正在考虑能否将原有的业务横向展开到其他业务中去,而我也正好赶上了这个时机。”(高田先生)

            三、最为关键的“集成学习技术”是什么?

            研发团队接下来着重研究的是预测值和实际值之间的误差。太阳能发电的发电量会随着气象条件的变化而变化,而需求量也会根据人的行为而精细地发生变化,巨大的误差也就此产生。

            虽然这个巨大的误差可以通过人工智能反复地进行修正循环,但这次不同。因为我们采用的是“集成学习技术”。

            虽然总体上被称为人工智能,但其实它还包括各种各样的技术。将这些技术相结合可有效提高预测精度。

            “本次采用的是对预测值和实际值的规则进行学习的手法,其优缺点并存。举例来说,夜间预测精度相对更高,而白天则是对气温变化的反应过于敏感。因此,运用多个(群组)人工智能技术,在对各自最擅长的时区进行分析的基础上,将其相互结合,能进一步提高精度。”(进先生)

            整合深度学习预测值的集成学习技术※正在申请专利

            整合深度学习预测值的集成学习技术※正在申请专利

            最终,我们实现了这项技术。与传统方式相比,预测误差降低了0.5%~1.0%。误差每降低1.0%,电力供应的成本也相应降低约0.1%。因此,如果一年间的供电成本为1万亿日元,那么实际的成本可减少10亿日元。

            在对这一成果进行评估后,东芝获得本次大赛的最优秀奖也在意料之中了。对此,负责整个系统的志贺先生的回答如下:

            “这次我们不仅要将目前为止的研究成果搭载到系统中,还要与大赛主办方的系统相配合,在规定时间内完成所有的任务。虽然过程十分紧张,但取得这样的结果让我在感到开心的同时,也松了一口气。” (志贺先生)

            当然,我们的下一个目标是促成该技术的实用化。我们的研发团队已将2020年实现该系统的实际投入使用列为了新的目标,正努力进行进一步的调整。集成学习技术,这一有益于社会和谐建设和人类未来发展的高新科技,也希望大家能持续关注。

            幸运飞艇 |幸运飞艇平台 |幸运飞艇计划 | |手机版 | | 幸运飞艇|幸运飞艇|幸运飞艇|幸运飞艇|幸运飞艇|台北快三|