为什么人工智能可能成为未来电网的关键
为什么人工智能可能成为未来电网的关键
2017-08-28 10:51:09 来源：36大数据
抢沙发
2017-08-28 10:51:09 来源：36大数据
摘要：2016年英国电力结构为60年来最清洁的一年，其中可再生能源发电（主要来自风能和太阳能）的装机容量达到了历史新高。但是，可再生能源这种大规模扩张的一个问题在于，它们的存在是断断续续的。这意味着，我们获得这些能源要看天气条件，比如起风或出太阳。这也意味着，它们不一定能够像传统电力那样满足需求的激增。因此，近年来很多新闻报道都提到了“灯熄”问题。
关键词：
人工智能
未来电网
2016年英国电力结构为60年来最清洁的一年，其中可再生能源发电（主要来自风能和太阳能）的装机容量达到了历史新高。但是，可再生能源这种大规模扩张的一个问题在于，它们的存在是断断续续的。这意味着，我们获得这些能源要看天气条件，比如起风或出太阳。这也意味着，它们不一定能够像传统电力那样满足需求的激增。因此，近年来很多新闻报道都提到了“灯熄”问题。
作为英国电网的运营商，英国国家电力供应公司（National Grid）有数种办法确保供应始终能够满足需求。对于时间持续较短的发电缺口，该公司要求电力供应商不要开足传统发电站的潜在最大发电量，并在有需要时提高发电量。
对于持续时间较长的发电缺口，该公司会确保发电站（尤其是天然气发电站）一直保持待命状态。在一年时间中，有些发电站可能只会被要求开机发电数十到数百小时。除了增加碳排放之外，运行发电站进行这种短期干预的成本也是十分高昂的。
如何应对这个问题呢？我们可以缩减可再生能源发电的装机容量，反过来让传统电力变得“更环保”，办法就是消除排放物中的二氧化碳，并将之埋入地下。至于这些碳捕获技术何时能够具有大规模应用的商业可行性，人们莫衷一是。在英国，两个由政府发起的项目由于成本方面的担忧和部门之间的分歧而不幸陷入了困境。
另一种方法是安装非常大的（“电网规模”）电池，它们能够存储由可再生能源产生的电力，并在有需要时释放出来。近来，这种方法引起了很多关注。但考虑到当前电池技术的成本，这种电网规模的储电设施需要不菲的前期投资。
按需解决方案
当研究人员对这些问题展开研究时，英国也在开发一种被称为“需求侧响应”（demand-side response）的替代方案。该方案的一个方面涉及，对那些能够在短时间内减少电力使用的消费者给予奖励——这里的消费者可以是大型的工业级客户，也可以是使用电力取暖、制冷、照明乃至冷藏的普通人。
需求侧响应的另一个方面则涉及，请求那些拥有蓄电设备的客户来帮助平抑电力需求的激增。举例来说，如果你的房屋配备了太阳能电池板和相应的电池储能单元，通过把电池接入电网，你就有可能在偿还设备费用时获得优惠。该类别的其他设备还包括电动车辆以及医院/大学所使用的不间断电源（UPS）系统。
这两种类型的需求侧响应已经在进行当中。一些工业级的电力客户以及某些其他公司（比如酒店运营商）签署了减少电力使用的合同；与此同时，国家电力供应公司一直在为蓄电计划吸引广泛参与者的兴趣，并且已经在英国的部分地区开始施行。这些蓄电计划是部署电网规模电池的替代方案，如果我们能够在足够大的规模上施行，那么它们的经济效益就有望得到大幅提升。
灯泡点亮的时刻？
问题是，一旦客户池超出了一定的规模，这些计划就会变得更加复杂。举例来说，要想知道哪些客户会参与进来以及应该开出什么样的价目，这就要求理解客户设备的可用性能够达到何种程度以及需要为此付出怎样的代价。
在一个客户池建立起来之后，其中某些设备可能并不总能用来蓄电或者在有需要时平抑需求。这需要被考虑到计算之中，既是为了最大限度地减少电网中断，也是为了激励客户在这些时候参与进来。
此外，这些计划也可能产生不良反应，比如电力消费大规模同时反弹。举例来说，当一段需求侧响应期结束后，很多冰箱将消耗额外的电力，来让内部温度降到所需水平之下。
最后，这里还存在着一个潜在的重要安全问题：用一个中央系统来从众多设备收集关于能源使用的数据，这容易引发恶意攻击和信息篡改，从而可能破坏电网平衡，以及让计费系统出现混乱。
人工智能如何起到帮助作用
面对这些挑战，新兴的人工智能技术似乎提供了答案。举例来说，在挑选最佳参与者的时候，电网运营商将能通过审查来自智能电表和传感器的数据，使用尖端机器学习技术对个体设备和电池储能单元的行为建模。
一旦电池组或储能单元加入蓄电计划，电网运营商就应该能够通过对其充电/放电数据使用预测算法，估测出它们的有效寿命。然后，运营商将向电池主人给出适当的补偿，还有一个额外的激励因素是电池主人可以了解其电池的使用寿命。
未来将会发生什么
在涉及到管理池中的设备时，人们曾认为可以使用个体智能电表或控制设备，把它们的数据馈入一个位于云端的中央服务器。不过，智能电表价格昂贵，而且短时间的需求侧响应需要云端服务器在几毫秒之内完成数据分析——一旦池中的设备成千上万，那看起来就不具备可行性了。
另一种方法是安装计量装置，让它们对电网的需求水平进行检测，然后相应地降低功率。这些装置能够减轻中央服务器的压力，而且它们只需要进行站点层级的计量，不需要监测每台电气设备。不过，要协调所有这些计量装置的个体决定，这里仍然存在一个复杂的控制问题。在赫瑞瓦特大学（Heriot-Watt University），我们正研究利用基于人工智能的算法加以解决。
另一条路线的人工智能研究借鉴了算法博弈论，试图开发一种奖励/惩罚机制，以确保池中有足够多的客户愿意参与进来，并在有需要时真地做出响应。此外，研究人员还看好区块链协议，认为比特币所使用的这种技术能够为一种分散式的总帐系统提供支持，从而避免使用中央系统存储用户数据的安全风险。
在英国和其他地方，很多人工智能研究团队正在应对上述挑战，而一些初创公司已经开始研发这样的系统用于实践——例如，相对简单的机器学习技术已经开始被投入使用。未来几年，在全世界实现更智能需求侧响应的努力中，英国有很大的可能走在前列。
第三十四届CIO班招生
国际CIO认证培训
首席数据官（CDO）认证培训
责编：yulina
免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。
