2一、科學(xué)機(jī)器學(xué)習(xí)二、風(fēng)功率與光功率預(yù)測技術(shù)三、電力負(fù)荷預(yù)測技術(shù)些算法可以是確定性的，也可以是隨機(jī)的。33第二代AI連接主義（數(shù)據(jù)驅(qū)動）562023年被廣泛譽(yù)為生成式AI的年份一個時髦的女人走在東京的街道上，街道上充滿了溫暖發(fā)光的霓虹燈和生動的城市標(biāo)志。她穿著一件黑色的皮夾克，一件紅色的長裙，一雙黑色的靴子，還帶著一個黑色的錢包。她戴著太陽鏡，涂著紅色的口紅。她自信而隨意地走著。街道潮濕而且反光，創(chuàng)造了彩色燈光的鏡面效果。許多行人走來走去。AstylishwomanwalksdownaTokyostreetfilledwithwarmglowingneonandanimatedcitysignage.Shewearsablackleatherjacket,alongreddress,andblackboots,andcarriesablackpurse.Shewearssunglassesandredlipstick.Shewalksconfidentlyandcasually.Thestreetisdampandreflective,creatingamirroreffectofthecolorfullights.Manypedestrianswalkabout.兩艘海盜船在一杯咖啡中航行時相互廝殺的真實(shí)特寫視頻。Photorealisticcloseupvideooftwopirateshipsbattlingeachotherastheysailinsideacupofcoffee.7很明顯，Sora生成的船和流體之間的關(guān)系只是一眼看去合理，實(shí)際并不符合流體力學(xué)規(guī)律。78對于許多基本交互物理現(xiàn)象，SORA效果依舊差強(qiáng)9需要定義明確且完備的規(guī)則依賴于大量高質(zhì)量的訓(xùn)練數(shù)據(jù)需要定義明確且完備的規(guī)則ChatGPT:大數(shù)據(jù)、大模型、大算力ChatGPT:大數(shù)據(jù)、大模型、大算力“深藍(lán)”擊敗國際象棋冠軍“人工智能”的提出“人工智能”的提出科學(xué)機(jī)器學(xué)習(xí)的核心：知識與數(shù)據(jù)雙驅(qū)動基于科學(xué)機(jī)器學(xué)習(xí)的智慧能源系統(tǒng)能源數(shù)據(jù)稀缺：數(shù)據(jù)采集費(fèi)時且成本高昂能源系統(tǒng)復(fù)雜：存在大量高維非線性映射如何將繁雜的各類領(lǐng)域知識（如定性專家經(jīng)驗(yàn)力負(fù)荷、氣象觀測、生產(chǎn)行為數(shù)據(jù)等）相互融），不確定性分析本質(zhì)問題在于可再生能源比例增加，看天基于可解釋機(jī)器學(xué)習(xí)對不同對象分別進(jìn)行知識數(shù)據(jù)雙驅(qū)動的智慧能源系統(tǒng)理常識的AI模型?借助機(jī)器學(xué)習(xí)的強(qiáng)擬合能力，描述變量間高維復(fù)雜映射關(guān)系（準(zhǔn)確性）?利用能源領(lǐng)域內(nèi)的先驗(yàn)知識，保證預(yù)測結(jié)果符合物理機(jī)理（可靠性）?借助人工智能自動探索物理原理，推進(jìn)人類認(rèn)知前沿?迭代利用發(fā)現(xiàn)的知識，和知識嵌入結(jié)合，形成知識和數(shù)據(jù)的閉環(huán)系統(tǒng)?????調(diào)度與優(yōu)化交易策略調(diào)度與優(yōu)化交易策略儲能?有噪隨機(jī)時空序列數(shù)據(jù)及及?多目標(biāo)優(yōu)化與約束求解?科學(xué)機(jī)器學(xué)習(xí)算法一、科學(xué)機(jī)器學(xué)習(xí)一、科學(xué)機(jī)器學(xué)習(xí)二、風(fēng)功率與光功率預(yù)測技術(shù)三、電力負(fù)荷預(yù)測技術(shù)風(fēng)力發(fā)電功率預(yù)測技術(shù)挑戰(zhàn)：風(fēng)力發(fā)電具有強(qiáng)烈的隨機(jī)性和波動性，風(fēng)功率的準(zhǔn)確預(yù)測，有助?研發(fā)了融合領(lǐng)域知識的風(fēng)功率預(yù)測模型，根據(jù)風(fēng)電區(qū)域的風(fēng)向、風(fēng)機(jī)轉(zhuǎn)速、槳距角和實(shí)際風(fēng)功率等數(shù)據(jù)建嵌入概率分布信息的風(fēng)力發(fā)電功率預(yù)測模型小尺度范圍精細(xì)化氣象預(yù)報基于人工智能的風(fēng)功率預(yù)測風(fēng)功率應(yīng)用服務(wù)系統(tǒng)利用核密度估計計算模型輸出結(jié)果的概率密度函數(shù)利用JS散度衡量模型輸出結(jié)果與先驗(yàn)風(fēng)功率曲線的差異數(shù)據(jù)和領(lǐng)域知識雙驅(qū)動模型，把基于數(shù)據(jù)的深度學(xué)習(xí)模型LSTM和基于領(lǐng)域知識的風(fēng)功率曲線有效結(jié)合把基于概率分布的領(lǐng)域知識成功嵌入到深度學(xué)習(xí)模型的訓(xùn)練中，拓寬了知識嵌入的范圍可以有效對抗預(yù)報風(fēng)速中的高噪聲，提升預(yù)測的魯棒性上圖表示了TgDPF不同訓(xùn)練階段模型預(yù)測的風(fēng)功率曲線和實(shí)際風(fēng)功率曲線的對比：隨著訓(xùn)練的深入，模型預(yù)測的風(fēng)功率曲線越來越接近實(shí)際的風(fēng)功率曲線風(fēng)力發(fā)電功率預(yù)測技術(shù)歷史風(fēng)速觀測數(shù)據(jù)有噪音風(fēng)速數(shù)據(jù)為了驗(yàn)證嵌入概率分布的風(fēng)力預(yù)測模型比LSTM更穩(wěn)健，我們在風(fēng)速中加入了有偏的隨機(jī)噪聲ε~N(x,x)。x表示正常噪聲的平均值和方差，其中x在實(shí)驗(yàn)中等于0.1、0.3、0.5、0.7。左圖是4天的風(fēng)速數(shù)據(jù)（每天144個點(diǎn)）。前3天的數(shù)據(jù)是風(fēng)速觀測數(shù)據(jù)，最后一天的數(shù)據(jù)是天氣預(yù)報的風(fēng)速，包含有偏入ReVIN模塊使模型的預(yù)測更加穩(wěn)定對原有的時序Transformer模型進(jìn)行改進(jìn)，將attention模塊用于學(xué)習(xí)多變量時間序列變量間的依賴關(guān)系，而不再是不同時間步之間的關(guān)系；對模型的其他部件也進(jìn)行了精簡用線性模型學(xué)習(xí)時間序列線性趨勢信息，用cross-variableTransformer學(xué)習(xí)序列非線性信息和變量間的依賴；加先進(jìn)的時序預(yù)測模型CVTNl在Cross-Variable階段，采用的是以Client作為特征提取網(wǎng)絡(luò)，提取多變量依賴特征l在TimeEncoder階段，為了兼顧時序特征的提取、預(yù)測序列局部依賴性的提取、以及模型的輕量化，采用了CNN為基礎(chǔ)架構(gòu)lFeaturedownsample通過point-wise卷積減少特征的數(shù)量，防止過擬合l通過殘差連接使得Cross-Time的優(yōu)化目標(biāo)為修正Cross-Variable階段的預(yù)測序列cross-variableEncodercross-TimeEncoderCVTN和Client模型在多個基準(zhǔn)數(shù)據(jù)集上都取得了領(lǐng)先的效果，包括電力數(shù)據(jù)集和天氣數(shù)據(jù)集等，打敗了傳統(tǒng)的線性模型、CNN模型和Transformer模型?本系統(tǒng)已在河北邢臺某集中式光伏電站試點(diǎn)運(yùn)行，準(zhǔn)確率高達(dá)96%。光伏發(fā)電功率預(yù)測模型示意圖研究內(nèi)容#1理論指導(dǎo)的深度學(xué)習(xí)在光伏發(fā)電預(yù)測中的研究體工程問題領(lǐng)域知識的有機(jī)結(jié)合，導(dǎo)致預(yù)測結(jié)果容易出現(xiàn)違反物理規(guī)則物理約束模塊：將光伏發(fā)電的“領(lǐng)域知識”轉(zhuǎn)換成“物理約束條件”，集成研究內(nèi)容#1理論指導(dǎo)的深度學(xué)習(xí)在光伏發(fā)電預(yù)測中的研究[1]XingLuo;DongxiaoZhang*;XuZhu;DeepLearningBasedForecastingofPhotovoltaicPowerGenerationbyIncorporatingDomainKnowledge,Energy,225(2021)120240.[2]XingLuo;DongxiaoZhang;XuZhu;Theory-guidedLSTMforDay-aheadForecastingofPhotovoltaicPowerGeneration,AppliedEnergySymposium2020，Tokyo,Japan,Oct.10-17,2020.研究內(nèi)容#2結(jié)合遷移學(xué)習(xí)和深度學(xué)習(xí)的光伏發(fā)電預(yù)測研究假設(shè)；然而在實(shí)際情況中，許多新建光伏電站由于缺乏充足數(shù)據(jù)，導(dǎo)致預(yù)測結(jié)果基于LSTM提出的兩種參數(shù)遷移策略研究內(nèi)容#2結(jié)合遷移學(xué)習(xí)和深度學(xué)習(xí)的光伏發(fā)電預(yù)測研究數(shù)據(jù)準(zhǔn)備：本實(shí)驗(yàn)基于兩個獨(dú)立的光伏發(fā)電站獲取的數(shù)據(jù)進(jìn)行測試輸入特征變量：17個與光伏發(fā)電相關(guān)的天氣變量，包括地表光照輻射量、溫度、濕度、云層量、大氣壓強(qiáng)等交叉驗(yàn)證設(shè)置：訓(xùn)練數(shù)據(jù)集—730天，測試數(shù)據(jù)集—91天的天氣數(shù)據(jù)和對應(yīng)光伏發(fā)電量數(shù)據(jù)光伏發(fā)電預(yù)測結(jié)果舉例：平均97%隔天預(yù)報準(zhǔn)確率（a）光伏電站#1（b）光伏電站#2研究內(nèi)容#3基于深度學(xué)習(xí)的動態(tài)光伏發(fā)電預(yù)測研究解決方案：提出了基于深度學(xué)習(xí)模型的動態(tài)學(xué)離線預(yù)訓(xùn)練+在線動態(tài)訓(xùn)練定義了數(shù)據(jù)漂移偵測方法無數(shù)據(jù)漂移時:“鄰近天”+“相似天”有數(shù)據(jù)漂移時:“鄰近天”目標(biāo)：提升日前光伏發(fā)電預(yù)測準(zhǔn)確度目標(biāo)：提升日前光伏發(fā)電預(yù)測準(zhǔn)確度研究內(nèi)容#3基于深度學(xué)習(xí)的動態(tài)光伏發(fā)電預(yù)測研究結(jié)論：結(jié)論：模型的訓(xùn)練效率；數(shù)據(jù)漂移的影響；光伏發(fā)電預(yù)測結(jié)果展示：前兩張結(jié)果無漂移，后兩張AD-LSTM性能提升比率：左圖結(jié)果無漂移，右圖結(jié)果有漂移研究內(nèi)容#4不同保真度氣象數(shù)據(jù)對光伏功率預(yù)測的影響研究內(nèi)容#4不同保真度氣象數(shù)據(jù)對光伏功率預(yù)測的影響），結(jié)論：CMF-DL預(yù)測平臺與傳統(tǒng)深度學(xué)習(xí)模型相比，在多數(shù)案例中能獲得更高的準(zhǔn)確率研究內(nèi)容#4不同保真度氣象數(shù)據(jù)對光伏功率預(yù)測的影響基于CMF-DL預(yù)測平臺構(gòu)造的CMF-LSTM和CMF-GRU模型，優(yōu)于對應(yīng)傳統(tǒng)深度學(xué)智慧光功率預(yù)測系統(tǒng)技術(shù)優(yōu)勢光伏中大量分布式新建電站的預(yù)測需求，相比于市場上主流技術(shù)，可將歷史數(shù)據(jù)需求從6?綜合場景應(yīng)用：實(shí)現(xiàn)發(fā)電側(cè)、負(fù)荷集中式光伏電站：功率預(yù)測系統(tǒng)軟硬件解決方案技術(shù)參數(shù)發(fā)電功率預(yù)測單次計算時間小于1分鐘系統(tǒng)月可用率大于99%功率預(yù)測結(jié)果時間分辨率短期功率預(yù)測月平均準(zhǔn)確率光伏≥95%；風(fēng)電≥90%超短期功率預(yù)測月平均準(zhǔn)確率光伏第四小時≥97%；風(fēng)電≥92%核心研發(fā)單位：東方理工高等研究院集中式光伏電站：功率預(yù)測系統(tǒng)軟硬件解決方案集中式光伏電站：功率預(yù)測系統(tǒng)軟硬件解決方案智慧光功率預(yù)測系統(tǒng)應(yīng)用：縣域光伏應(yīng)用寧波境內(nèi)500個集中/分布式光伏電站智慧光功率預(yù)測系統(tǒng)應(yīng)用：縣域光伏應(yīng)用ModelmaermsemapemspeprecisionProjectionDlinear智慧光功率預(yù)測系統(tǒng)應(yīng)用：縣域光伏應(yīng)用100個測試站點(diǎn)中95%100個測試站點(diǎn)中95%的站點(diǎn)精度位于:(0.92,0.97)；平均精度為0.942，中位數(shù)為0.948；剩余5個站點(diǎn)精度為0.809,0.827,0.902,0.906,0.911。精度∈(0.809479,0.972313)智慧光功率預(yù)測系統(tǒng)應(yīng)用：全國推廣一、科學(xué)機(jī)器學(xué)習(xí)一、科學(xué)機(jī)器學(xué)習(xí)二、風(fēng)功率與光功率預(yù)測技術(shù)三、電力負(fù)荷預(yù)測技術(shù)挑戰(zhàn)：影響電力負(fù)荷的因素十分眾多，電力負(fù)荷預(yù)測對于減少電力供給和需求之間電力負(fù)荷預(yù)測模型示意圖AdvancesinAppliedEnergy高被引論文獎Chen,Y.,&Zhang,D.(2021).Theoryguideddeep-learningforloadforecasting(TgDLF)viaensemblelongshort-termmemory,AdvancesinAppliedEneChen,Y.,&Zhang,D.(2021).Theoryguideddeep-learningforloadforecasting(TgDLF)viaensemblelongshort-termmemory,AdvancesinAppliedEne負(fù)荷比值分解實(shí)現(xiàn)原理：f1：無量綱趨勢—根據(jù)領(lǐng)域知識構(gòu)建，是基準(zhǔn)值，體現(xiàn)了先驗(yàn)信息的作用，反映區(qū)域固有模式（如產(chǎn)業(yè)、人口和能源結(jié)構(gòu)）f2：局部波動值—無量綱趨勢與待預(yù)測負(fù)荷比值的差值，受天氣、日期等外驅(qū)力影響，較為復(fù)雜，通過EnLSTM預(yù)測Chen,Y.,&Zhang,D.(2021).Theoryguideddeep-learningforloadforecasting(TgDLF)viaensemblel