如果，胜率100%的阿法狗转战能源界（二）

这个周末，耍一下人工智能版的“你画我猜”小游戏！...

如上期所说，使阿尔法狗得以横扫人类顶尖棋手的，是深度学习的强大力量。如果我们把这个技术放到能源圈，即可实现电力分解和电力负荷预测，为光伏发电与用电做出更精准的预判和远程管理……

在此之前，可能有不少人（包括小编）会想问作者：

深度学习 到底靠不靠谱？

下图，是深度学习在图像识别领域历年来的一个应用数据：



我们看见，深度学习的性能正在逐年提升。到了 2015 年，它在图像识别上的准确度已经超过了人类的识别能力，错误率远低于其它算法。

所以，关于深度学习预测的准确性这方面，事实证明，它已经几乎超过了许多其它算法。

这么棒的技术，如果应用到能源行业中，我们是不是就能迈入分布式光伏的智能化时代？

以最基本的发电与用电为例，只要通过深度学习里的一些模型，就可以进行光伏电站发电功率预测与用电负荷预测了。这也正是SOLARMAN Labs研究内容之一。

需要特别说明的是，巧妇难为无米之炊，深度学习预测的出色性能必须建立在拥有足够多以及足够好的数据基础上。

所幸SOLARMAN™在光伏行业，已经有了7年的数据沉淀与积累，利用高精度细粒度的数据采集器和智能电表，可实时测量电流、电压、功率、功率因素等，获取真实可靠的数据。这些数据都为深度学习大展身手提供了有力保障。我们都知道电站发电功率的预测，对于电站的整体规划（如选址方面）是非常有用的。而在电站正式投入运营后，这些预测不仅能帮助用户了解预期收益，又能协助运维人员通过对比预测功率与实际功率，及时发现电站所出现的问题。

下图是Thierry Zufferey等作者在《Forecasting of Smart Meter Time Series Based on Neural Networks》中，利用深度学习技术对光伏电站发电功率的预测结果的一个展示：



上图中，蓝色线条为光伏电站实际的输出功率，橙色线条为预测结果。我们能清晰看见，两条不同颜色的线几乎是完全重合的，其精准度已不言而喻，也足以论证利用深度学习技术是可以准确预测光伏发电功率的。再说到用电负荷预测方面，随着我国电力市场改革，各地成立了多家售电公司，

在2016年底发改委颁布的《电力中长期交易基本规则（暂行）》中，明确指出了随着竞争性环节电价放开或者发用电计划电量放开达到一定比例，或者合同执行偏差电量无法按照本规则规定的方法解决时，各地应当启动电力现货市场建设，建立以电力中长期交易和现货交易相结合的市场化电力电量平衡机制，电力现货交易市场的建立指日可待。

所以，一旦电力现货交易市场建立，做好用电负荷预测就能直接带来巨大的经济利益。那么，如何利用深度学习来预测用电负荷呢？其准确率是否能堪比发电预测？

下图，是采用深度学习中的一种常用模型LSTM（长短期记忆模型）对住宅用电负荷的预测结果，蓝色线条为预测值，红色线条为真实值，可以看到预测结果与实际结果非常接近。



（图片来源：《Building Energy Load Forecasting using Deep Neural Networks》，Daniel L. Marino, Kasun Amarasinghe, Milos Manic）

不过，仅仅是对发电用电的功率进行预测，似乎还不够过瘾，（尽管，把这些预测做准确，其实已经不容易），那么，深度学习在能源领域，还有没有一些更接地气的应用机会呢？现在，我们每个人的手机一般自带用电管理的功能，可以让你看到在手机运行期间哪些APP耗电比较多，是否偷偷在后台自启，一段时间还后会提示我们，注意这些“小偷”。通常，大家都会立刻将这些软件关掉，以延长手机电池的使用时间。

如果放眼到整个家庭的用电，这些“小偷”的段位可就高的多了，总能让你在不经意的时候损失惨重。不知道小伙伴是否留意过，家中最耗电的设备，也许正是那些不起眼的机顶盒和网络盒子……

又如，小编家的冰箱总是被塞得满满的，然后会忘了检查给它关严实，尤其在着急上班的点更是时常发生。所以，待下班回家以后，室友经常能看见我对着墙角画圈圈…如果为每个电器都安装一个智能插座，显然小编的钱包还不够鼓，管理起来也非常麻烦。这时候，小编想如果有一个“用电管理”的APP，能让我们管理手机一样来管理整个家庭的用电，清楚看见各个电器的状态和用电情况就太好了。

另外，相信在一线城市，不少小伙伴都热衷于share house（分享住宅），以此减轻生活压力的负担。通常情况下，大家会默认share bills（分摊账单）的方式来平摊费用。可是，当遇到盛夏时节的空调费，也许是大多数人心中的痛。并且，很可能还没等来你的电费单，隔壁的小伙伴就突然打包离开了……



针对上面的各种状况，都涉及到需要对能源（用电）精细化管理的问题，而Nonintrusive Load Monitoring（非侵入式负载监控，NILM）技术的诞生，就是一道福音！

简单来说，这个NILM技术就是根据一个电表的数据，推断出在一段时间内，有哪些电器在使用，分别消耗了多少的电。也因此，一户人家不需要安装多个电表，或为每个用电设备都配上智能插座，也能观察到整个家庭的用电情况了。

与这个想法有异曲同工之妙的，如SOLARMAN™ LD系列产品，正是针对家庭用电（及发电）设计的一套远程管理解决方案。将导轨式的智能电表+采集器+重合闸执行器装入电表箱，即可查看整个家庭实时和累计的用电数据，甚至远程发送指令来控制设备（详见SOLARMAN™ 的感传控技术）。也就是说，当我们利用NILM技术，将各种用电数据导入数据库后，小伙伴们就能通过SOLARMAN™ APP看见各个电器的用电数据了。

从这个NILM技术在现实应用里收集的数据情况来看，已经取得了不错的成绩。

下图，是来自作者Pedro Paulo Marques do Nascimento 《APPLICATIONS OF DEEP LEARNING TECHNIQUES ON NILM》中关于某户住宅一段时间内的用电情况。

实现NILM时，需要先从样本中截取若干个相同宽度的时间窗（比如，如果我们有一个小时的用电数据，需要先将它拆成若干个5分钟、或者10分钟的数据，便于分析）：



将样本拆分之后，便可采用深度学习模型中进行训练，常用的有CNN、LSTM、RCNN，都能取得不错的效果。

下图，是对一段时间内微波炉的使用情况的预测：



为了看出蓝色和绿色的对比，我们随意截取一段时间，然后放大看一下：



上图中的蓝色线条，即预测的微波炉用电情况；而绿色线条，则是微波炉实际的用电情况。我们可以看到，预测的结果与实际结果是非常吻合的，也再次证明了它的准确性和投入能源管理领域中应用的可靠性。自己动手试试？

读过书万卷，不如亲身体验！

没错，为了让大家更理解这么抽象的东西，小编向作者要来了一个与深度学习有关的小游戏和部分应用的展示，分享给大家：—

—



—

—



—

—

—

—



—

—

    关注 SolarMAN人人光伏