“机器学习”或将破解家庭能源需求预测难题

　　在燃气中混入20%的氢气用于家庭烹饪、取暖等常规用能，英国的这一试点项目能够减排多少二氧化碳？有多少英国家庭愿意参与这项试点项目？能源种类的改变是否会带来不同的用能体验？在苏格兰，计划建设的28兆瓦Kilbraur风电场项目承诺，建成后将为周边4公里范围内的居民提供每兆瓦5000英镑的社区福利，要如何落实？领取电费补贴或家庭能效补助的方式是否会影响一个家庭的用电习惯？

　　试点研究、惠民项目层出不穷，那这些涉及千家万户的能源大数据要如何收集、使用和分析呢？

　　“能源大数据的运用眼下在英国是一个非常热门的领域。政府也牵头成立了能源数据工作组。但我们发现，在能源需求的预测上，大数据往往是擅长处理整体性的、国家层面的信息，一旦深入到个体或者居民家庭层面，就面临各种各样的问题。”英国皇家工程院院士、帝国理工学院教授蒂姆·格林（Tim Green）指出。当前，对于能源数据的应用，英国面临的一大挑战来自于分散的家庭用能市场。“简单说，就是如何预测一个个家庭的能源需求。”

　　“居民家庭的用能情况总有一些不确定性。”在蒂姆·格林看来，这些不确定性正是预测过程中的难题。“从英国家庭用电的峰谷曲线图来看，多年来，英国家庭的用电低谷一般是在下午三点半左右，高峰则一般在晚上五点半到六点之间。这是常规情况。但有一天就出现了异常。”蒂姆·格林所指的明显异常是2013年7月7日，“那一天是温网男单决赛，好多英国人都去看比赛了，所以在本该是用电高峰的傍晚五点半左右，英国家庭的平均用电量却成了一天中的最低谷。”

　　除了特殊情况下的不确定性，蒂姆·格林表示，即便在常规环境下，家庭用能的分析预测也存在多种影响因素。“一个家庭的能源使用效率到底有多高？其中不仅仅涉及到气价、电价等价格因素，可能还受到家庭人数、收入、成员年龄、职业，甚至季节、天气等因素的影响。而且这些数据处理的过程中，还关系到家庭乃至个体的隐私保护等伦理问题。”

　　那么，面对这些挑战，渗透到个体、家庭的能源需求预测将如何实现呢？蒂姆·格林把目光放在了“机器学习”技术上。

　　的确，在日前中国电机工程学会发布的《电力大数据专业发展报告》中，以“机器学习”为代表的分析挖掘技术被列入电力数据分析应用的关键技术。近日，美国能源部能源高级研究计划署也宣布，将提供1500万美元的资金用于支持机器学习、人工智能等在能源技术和产品设计上的应用。

　　蒂姆·格林透露，目前英国很多相关研究机构都在使用“机器深度学习”的方式预测家庭能源使用。“机器学习是把计算机作为工具，真实、实时地模拟人类的学习方式，然后将学到的内容重新加工分析，进一步优化计算机程序。通过机器学习，可以分析家庭的电力消费规律，在哪些相对固定的时间段会使用哪些电器、家庭的用电负荷是多少……从而为一些需求侧方案相应提供参考。当然，我们预测的需求和现实的需求会有一定的差别，要想成功运用数据得出分析结论并非易事。”

　　除需求侧的预测外，蒂姆·格林还表示，随着技术的优化发展，机器学习对于电力系统的分布式控制、高频率的灵活响应等方面也将发挥重要作用。（本报记者 姚金楠）