美國“電力+AI”：整體尚在起步 儲能或成亮點

如何分辨一幅畫作是人類還是人工智能（AI）繪制的？近期，人工智能繪畫工具引發關注。只需要簡單輸入自己的想法，描繪一個場景或事件，AI便會生成畫作。畫作的色彩和意境都令人驚艷，但仔細觀察一些可以被量化的細節，AI作畫的缺陷便一目了然。例如，在Dall-E2模型所繪制的畫中，由于AI并不能精確地掌握人物的手指、眼睛、人物所處背景中欄桿的間隔等細節元素，“四指或六指狂魔”的情況頻現。這也顯示了機器學習的局限：缺少對于物理模型與邏輯推導的理解，算力和代表性數據尚不充足，只是通過簡單的數據訓練，本質上是對所收集數據進行重組整合。

1956年，在達特茅斯會議上誕生了“人工智能”這一概念，其后六十多年，以深度學習為主要標志的人工智能在美國迅速崛起。斯坦福大學、哈佛大學計算機科學實驗室、普林斯頓大學人工智能實驗室等人工智能研究機構陸續出現，谷歌、微軟、臉書、亞馬遜等科技公司也將其作為重要的發展戰略。2021年，美國人工智能國家安全委員會（NSCAI）向總統和國會遞交最終版本的報告，“推進人工智能、機器學習和相關技術的發展以全面解決美國國家安全和國防需求”。

(相關資料圖)

近年來，美國電力行業借助人工智能開展了一系列研究與實踐，但尚處于起步階段，在人工智能技術應用范圍和模型選擇方面均有發展空間。

應用雖多，但尚處起步階段

目前，人工智能技術在美國電力系統的主流應用有六個方面：狀態估計、潮流計算、電壓與頻率控制、故障識別、系統預測和市場分析。

使用人工智能采集數據并對數據進行狀態估計是早期數據分析在電力領域的運用。調度人員若想掌握調度管轄范圍內系統的運行情況，需要先采集實時量測信息等數據，再將相關數據傳輸到調度中心進行分析，通過人工智能對大量的實時數據進行預處理、篩選，再利用數學方法進行推算，反映電力系統的運行狀況。

過去十年，美國電力行業對最優潮流計算展開了一系列研究，如通過模型計算交流輸電系統如何獲得最優電壓、角度和電流等，但大多屬于探索，缺乏真正的落地應用。原因在于，雖然用人工智能做預加速、提前篩選約束，可以加快計算的速度，但同時，需要犧牲預測的準確性。也就是說，人工智能可以提高計算速度，但其結果也許不如通過純物理模型計算的結果那么精準。

傳統電力系統依靠發電機的慣性來保障電力系統穩定運行，但當系統接入更多的風能、太陽能等新能源發電裝置時，為了保持電網頻率的穩定，就必須要對電力電子設備接入電網進行調節，人工智能可以在電壓和頻率控制方面發揮更大的作用。在這一領域，美國在強化學習與決策策略方面做了較多研究。

人工智能參與系統預測的應用在美國較為廣泛，包括對風力發電的預測、太陽能發電的預測和對負荷進行預測。在負荷預測中，一種較為廣泛的應用是利用高頻率的特征值識別家用電器的用電量，這種負荷預測的模型和金融預測的模型是共通的。

除了以上四點，人工智能還可以根據采集的信號數據，通過小樣本技術進行分析，對系統故障進行定性定位。

此外，美國電力市場還利用人工智能開展價格預測研究，通過強化學習模擬市場博弈活動，對市場平衡進行分析，并對新型市場設計進行評估，但這方面研究尚處于起步階段。

電網側要儲能，更要AI輔助

在美國，儲能對電網的重要性也越來越突出。

根據美國能源信息管理署（EIA）日前發布的一份調查報告，2022年美國部署的電池儲能系統裝機容量約為8.8吉瓦，預計到2023年美國將部署9.4吉瓦儲能系統。美國大約41%的新增太陽能發電設施將部署在加利福尼亞州和得克薩斯州，大約71%新增電池儲能系統也將部署在這兩個州。

以加利福尼亞州為例，目前其擁有近5吉瓦儲能裝機，容量接近加州電力系統總容量的六分之一。電網儲能必須依靠人工智能的輔助，才能更有效地參與電力系統運行與電力市場交易。

加州的儲能系統已經開始使用機器學習等人工智能技術來設定市場參與策略。具體來看，就是對價格進行預測時，通過人工智能對價格進行預測生成市場競價單，明確“什么價錢想賣，什么價錢想買”。這和買賣股票很類似，只是在運用到儲能領域時需考慮電池使用時間或容量限制，這些約束也極大的增加了預測難度。

對于能源公司而言，必須要運用人工智能對儲能市場化策略進行優化。原因在于，雖然美國電力系統是在電力調度基礎上疊加了市場模型，但仍然是以傳統電力系統為基礎進行調度布局。這種基于火電的調度系統，難以很好地發揮儲能的作用。當前，儲能裝機容量在整體裝機容量中的比重越來越大，業界期待其能發揮更大的作用。只有借助人工智能增強實時預測能力，才能讓儲能在調度系統里更好地實現“削峰填谷”。

除了在電網側儲能方面發揮作用，人工智能在儲能領域的另一項應用就是電池管理，即對電池的電量，阻抗，與溫度狀態進行診斷，對電池老化情況進行預測，這將有助于提升儲能系統的安全性和經濟性。

與垂直領域融合，

向混合物理模型進發

電力系統對人工智能的可靠性要求高，但因神經網絡的結構復雜，有價值、有代表性的訓練數據較少，加上數據重復性較高，系統很難進行準確預測。此外，電源管理單元可以生成大量數據，但數據內嵌在物理構造里，這導致很多數據都是重復性的，難以像生成文本或者繪畫創作那樣，通過大量數據進行倒逼性訓練。同時，電力系統運行的節點不同，每個發電機組也不同，加上季節、負載等因素，系統數據的差異性較大，很難開展重復性訓練。這就造成一個結果：基于單一的物理模型的人工智能缺乏邏輯。

隨著人工智能與更多垂直領域融合，其模型創新升級的步伐會不斷加快，混合物理模型的人工智能將出現在電力系統中，通過以下三方面應用發揮作用：

一是利用物理模型進行數據預處理，降低機器學習對數據的要求或者對準確性的要求，以便后續工作的對接。比如在潮流計算中，利用拉格朗日松弛來用神經網絡直接預測電網潮流約束的對偶值，從而倒推最優潮流。

二是在訓練目標函數里內嵌應用目標。這是人工智能參與電力系統運行更關鍵的一步。在訓練人工智能做負荷預測時，不應僅強調保證負荷的準確度，還要強調計算負荷誤差對系統調度的影響。

三是在神經網絡中內嵌物理模型函數。如此一來，只需要掌握部分現象的大致物理模型，就可以將其內嵌到神經網絡里，作為神經網絡中的一層，利用人工智能讓神經網絡學習計算出其參數。除了電力系統，這個方向的應用成果還可以在其他領域發揮作用，比如氣候建模或者物理建模等領域。

關注索比儲能官方微信，第一時間獲取行業資訊！