2一、科學機器學習二、風功率與光功率預測技術三、電力負荷預測技術些算法可以是確定性的，也可以是隨機的。33第二代AI連接主義（數(shù)據(jù)驅動）562023年被廣泛譽為生成式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特寫視頻。Photorealisticcloseupvideooftwopirateshipsbattlingeachotherastheysailinsideacupofcoffee.7很明顯，Sora生成的船和流體之間的關系只是一眼看去合理，實際并不符合流體力學規(guī)律。78對于許多基本交互物理現(xiàn)象，SORA效果依舊差強9需要定義明確且完備的規(guī)則依賴于大量高質量的訓練數(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”擊敗國際象棋冠軍“人工智能”的提出“人工智能”的提出科學機器學習的核心：知識與數(shù)據(jù)雙驅動基于科學機器學習的智慧能源系統(tǒng)能源數(shù)據(jù)稀缺：數(shù)據(jù)采集費時且成本高昂能源系統(tǒng)復雜：存在大量高維非線性映射如何將繁雜的各類領域知識（如定性專家經(jīng)驗力負荷、氣象觀測、生產(chǎn)行為數(shù)據(jù)等）相互融），不確定性分析本質問題在于可再生能源比例增加，看天基于可解釋機器學習對不同對象分別進行知識數(shù)據(jù)雙驅動的智慧能源系統(tǒng)理常識的AI模型?借助機器學習的強擬合能力，描述變量間高維復雜映射關系（準確性）?利用能源領域內的先驗知識，保證預測結果符合物理機理（可靠性）?借助人工智能自動探索物理原理，推進人類認知前沿?迭代利用發(fā)現(xiàn)的知識，和知識嵌入結合，形成知識和數(shù)據(jù)的閉環(huán)系統(tǒng)?????調度與優(yōu)化交易策略調度與優(yōu)化交易策略儲能?有噪隨機時空序列數(shù)據(jù)及及?多目標優(yōu)化與約束求解?科學機器學習算法一、科學機器學習一、科學機器學習二、風功率與光功率預測技術三、電力負荷預測技術風力發(fā)電功率預測技術挑戰(zhàn)：風力發(fā)電具有強烈的隨機性和波動性，風功率的準確預測，有助?研發(fā)了融合領域知識的風功率預測模型，根據(jù)風電區(qū)域的風向、風機轉速、槳距角和實際風功率等數(shù)據(jù)建嵌入概率分布信息的風力發(fā)電功率預測模型小尺度范圍精細化氣象預報基于人工智能的風功率預測風功率應用服務系統(tǒng)利用核密度估計計算模型輸出結果的概率密度函數(shù)利用JS散度衡量模型輸出結果與先驗風功率曲線的差異數(shù)據(jù)和領域知識雙驅動模型，把基于數(shù)據(jù)的深度學習模型LSTM和基于領域知識的風功率曲線有效結合把基于概率分布的領域知識成功嵌入到深度學習模型的訓練中，拓寬了知識嵌入的范圍可以有效對抗預報風速中的高噪聲，提升預測的魯棒性上圖表示了TgDPF不同訓練階段模型預測的風功率曲線和實際風功率曲線的對比：隨著訓練的深入，模型預測的風功率曲線越來越接近實際的風功率曲線風力發(fā)電功率預測技術歷史風速觀測數(shù)據(jù)有噪音風速數(shù)據(jù)為了驗證嵌入概率分布的風力預測模型比LSTM更穩(wěn)健，我們在風速中加入了有偏的隨機噪聲ε~N(x,x)。x表示正常噪聲的平均值和方差，其中x在實驗中等于0.1、0.3、0.5、0.7。左圖是4天的風速數(shù)據(jù)（每天144個點）。前3天的數(shù)據(jù)是風速觀測數(shù)據(jù)，最后一天的數(shù)據(jù)是天氣預報的風速，包含有偏入ReVIN模塊使模型的預測更加穩(wěn)定對原有的時序Transformer模型進行改進，將attention模塊用于學習多變量時間序列變量間的依賴關系，而不再是不同時間步之間的關系；對模型的其他部件也進行了精簡用線性模型學習時間序列線性趨勢信息，用cross-variableTransformer學習序列非線性信息和變量間的依賴；加先進的時序預測模型CVTNl在Cross-Variable階段，采用的是以Client作為特征提取網(wǎng)絡，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為基礎架構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)化目標為修正Cross-Variable階段的預測序列cross-variableEncodercross-TimeEncoderCVTN和Client模型在多個基準數(shù)據(jù)集上都取得了領先的效果，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運行，準確率高達96%。光伏發(fā)電功率預測模型示意圖研究內容#1理論指導的深度學習在光伏發(fā)電預測中的研究體工程問題領域知識的有機結合，導致預測結果容易出現(xiàn)違反物理規(guī)則物理約束模塊：將光伏發(fā)電的“領域知識”轉換成“物理約束條件”，集成研究內容#1理論指導的深度學習在光伏發(fā)電預測中的研究[1]XingLuo;DongxiaoZhang*;XuZhu;DeepLearningBasedForecastingofPhotovoltaicPowerGenerationbyIncorporatingDomainKnowledge,Energy,225(2021)120240.[2]XingLuo;DongxiaoZhang;XuZhu;Theory-guidedLSTMforDay-aheadForecastingofPhotovoltaicPowerGeneration,AppliedEnergySymposium2020，Tokyo,Japan,Oct.10-17,2020.研究內容#2結合遷移學習和深度學習的光伏發(fā)電預測研究假設；然而在實際情況中，許多新建光伏電站由于缺乏充足數(shù)據(jù)，導致預測結果基于LSTM提出的兩種參數(shù)遷移策略研究內容#2結合遷移學習和深度學習的光伏發(fā)電預測研究數(shù)據(jù)準備：本實驗基于兩個獨立的光伏發(fā)電站獲取的數(shù)據(jù)進行測試輸入特征變量：17個與光伏發(fā)電相關的天氣變量，包括地表光照輻射量、溫度、濕度、云層量、大氣壓強等交叉驗證設置：訓練數(shù)據(jù)集—730天，測試數(shù)據(jù)集—91天的天氣數(shù)據(jù)和對應光伏發(fā)電量數(shù)據(jù)光伏發(fā)電預測結果舉例：平均97%隔天預報準確率（a）光伏電站#1（b）光伏電站#2研究內容#3基于深度學習的動態(tài)光伏發(fā)電預測研究解決方案：提出了基于深度學習模型的動態(tài)學離線預訓練+在線動態(tài)訓練定義了數(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：提升日前光伏發(fā)電預測準確度目標：提升日前光伏發(fā)電預測準確度研究內容#3基于深度學習的動態(tài)光伏發(fā)電預測研究結論：結論：模型的訓練效率；數(shù)據(jù)漂移的影響；光伏發(fā)電預測結果展示：前兩張結果無漂移，后兩張AD-LSTM性能提升比率：左圖結果無漂移，右圖結果有漂移研究內容#4不同保真度氣象數(shù)據(jù)對光伏功率預測的影響研究內容#4不同保真度氣象數(shù)據(jù)對光伏功率預測的影響），結論：CMF-DL預測平臺與傳統(tǒng)深度學習模型相比，在多數(shù)案例中能獲得更高的準確率研究內容#4不同保真度氣象數(shù)據(jù)對光伏功率預測的影響基于CMF-DL預測平臺構造的CMF-LSTM和CMF-GRU模型，優(yōu)于對應傳統(tǒng)深度學智慧光功率預測系統(tǒng)技術優(yōu)勢光伏中大量分布式新建電站的預測需求，相比于市場上主流技術，可將歷史數(shù)據(jù)需求從6?綜合場景應用：實現(xiàn)發(fā)電側、負荷集中式光伏電站：功率預測系統(tǒng)軟硬件解決方案技術參數(shù)發(fā)電功率預測單次計算時間小于1分鐘系統(tǒng)月可用率大于99%功率預測結果時間分辨率短期功率預測月平均準確率光伏≥95%；風電≥90%超短期功率預測月平均準確率光伏第四小時≥97%；風電≥92%核心研發(fā)單位：東方理工高等研究院集中式光伏電站：功率預測系統(tǒng)軟硬件解決方案集中式光伏電站：功率預測系統(tǒng)軟硬件解決方案智慧光功率預測系統(tǒng)應用：縣域光伏應用寧波境內500個集中/分布式光伏電站智慧光功率預測系統(tǒng)應用：縣域光伏應用ModelmaermsemapemspeprecisionProjectionDlinear智慧光功率預測系統(tǒng)應用：縣域光伏應用100個測試站點中95%100個測試站點中95%的站點精度位于:(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)智慧光功率預測系統(tǒng)應用：全國推廣一、科學機器學習一、科學機器學習二、風功率與光功率預測技術三、電力負荷預測技術挑戰(zhàn)：影響電力負荷的因素十分眾多，電力負荷預測對于減少電力供給和需求之間電力負荷預測模型示意圖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負荷比值分解實現(xiàn)原理：f1：無量綱趨勢—根據(jù)領域知識構建，是基準值，體現(xiàn)了先驗信息的作用，反映區(qū)域固有模式（如產(chǎn)業(yè)、人口和能源結構）f2：局部波動值—無量綱趨勢與待預測負荷比值的差值，受天氣、日期等外驅力影響，較為復雜，通過EnLSTM預測Chen,Y.,&Zhang,D.(2021).Theoryguideddeep-learningforloadforecasting(TgDLF)viaensemblel