03.06 机器学习与大数据技术为能源行业带来的机遇与改变

机器学习（ML）正在为能源经济学和金融学的创新研究提供新的机会。 我们严格地审查了有关ML的能源经济学/金融应用的新兴文献。 最终，我们确定了在预测能源价格（例如原油，天然气和电力），需求预测，风险管理，交易策略，数据处理以及分析宏观/能源趋势等领域中的应用。在2005年至2018年之间发表的130多篇文章中。我们的分析表明，支持向量机（SVM），人工神经网络（ANN）和遗传算法（GAs）是能源经济学中使用的最受欢迎的技术。

关键词：机器学习 能源经济 需求预测 大数据 深度学习

关于机器学习

机器学习（ML）是指一类数据科学模型，可以从数据中学习并随着时间的推移提高其性能。 ML的起源可以追溯到1950年代和1960年代，科学界对通过计算机程序去对人类的行为进行拟态。从这个角度来看，机器学习从数据中提取知识，然后将其用于预测和生成新的信息。通过数据的输入和模型的训练，减少不确定性，从而解决特定问题（预测，聚类，异常检测）。 ML在处理无法得到明确指示的任务时特别有用，例如图像和语音处理，模式识别或复杂的分类任务。随着数字化进程的推进，成为了当今热门。

机器学习大致分为两大类

1） 有监督的机器学习

2） 无监督机器学习

监督机器学习

· 监督学习是机器学习中的一种方法，它学习基于

· 可以由训练资料中学到或建立一个模式（函数），并依此模式推测新的实例。训练资料是由输入（通常是向量）和预期输出所组成。函数的输出可以是一个连续的值（称为回归分析），或是预测一个分类标签（称作分类）。

· 示例：天气信息（例如温度）和电力需求之间的关联。通过改变温度变量，我们可以假设功率需求会变化。

无监督机器学习

· 无监督学习是机器学习的一个分支，"无监督学习"不是告诉计算机怎么做，而是让机器自己【去学习】怎样做，它从尚未标记，分类或分类的测试数据中学习。

· 无监督学习不是响应反馈，而是识别数据中的共性，并根据每个新数据中这些共性的存在与否做出反应。

· 示例：有时，电力需求急剧下降或增加，而相关因素却没有任何明显变化。无监督的机器学习可以从这种情况中统计规律，以便将来可以有效地解决这种情况。

优点：

· 机器学习模型可以通过查看所有类型的因素来预测客户的响应以及对能源消耗的态度变化。

· 结果提高了预测的准确性，这意味着可以提供更好的信息来确定最佳行动方案。

· 有了这样基于机器学习的模型，这将确保在购售电时做出明智的决策，从而节省成本。

· 有效的进行负荷均衡，将提高客户满意度并提高系统可靠性

· 机器学习模型可以自动纠正预测技术，以跟踪变化的情况，进行异常检测

· 随着时间的推移，此类模型可以自动确定公用事业的各种负荷增长情况，并且可以帮助规划基础架构的升级/添加。

机器学习还已广泛用于与能源市场的经济和金融分析有关的应用程序，例如价格预测和风险管理。机器学习方法相对于经典统计/计量经济学提出的方法的优势在于，机器学习算法可以管理大量结构化和非结构化数据，并可以快速做出决策或预测。

到目前为止，原油和电力价格预测是能源经济学/金融领域最受欢迎的应用。 就方法而言， ANN（人工神经网络）通常是一种广泛使用的技术。我们注意到，与其他科学领域相比，深度学习（DL）在该领域的普及程度较低。 因此，在将深度学习应用于能源经济学和能源融资问题时，存在着巨大的发展前景。

机器学习方法在与能源经济学相关的论文中的现有应用可分为两大类：1）预测能源商品价格；2）预测/建模能耗/负荷需求。 但是，许多论文在特定的能源经济学相关背景下使用ML方法。 大多数论文主要使用单个机器学习技术或混合机器学习/统计计量经济学技术。多数论文主要基于高级和混合版本的人工神经网络。 而且，近年来结合多种方法（algorithms combination）也变得越来越普遍。 作为早期成功案例之一，使用优于传统计量经济学模型的非线性ANN模型预测期货石油价格的每日变化获得了巨大的成果。

负荷预测：

负荷预测对电力系统制定经济、可靠、安全的运行策略起着关键的作用。传统上使用工程方法和统计方法进行负荷预测。工程方法的不足之处在于它的复杂性，使其难以实际应用，且缺乏输入信息。统计方法包括时间序列、相似日法和回归方法等。一般来说，这些方法基本上是线性模型，而负荷模式通常是外生变量的非线性函数。因此统计方法在负荷预测的准确性和灵活性上具有不足之处。为了获得理想的预测效果，AI技术在负荷预测中正发挥着越来越重要的作用。

传统的电力需求预测需要分析以下类型的变量：

· 日历数据：季节，小时，节假日等。

· 天气数据：温度，湿度，降雨量等。

· 公司数据：电价

· 需求数据：历史用电量。

但是，由于对分布式能源（DER）（如屋顶光伏，风能，生物质能等）的使用不断增加，配电公司的电力需求情景正在发生变化。随着越来越多的消费者选择分布式发电，事业单位将需要使用智能需求预测和分配技术，以优化成本并提供可靠的服务。为了克服这些困难，可以使用如大数据和机器学习（人工智能）的算法架构，用于新趋势所带来的需求预测和负载分配需求。其中，大数据技术和机器学习技术分别承担相应的数字化流程角色：

大数据 - 提供信息收集和评估

大数据是一个术语，用于表示对于传统数据处理应用程序软件而言无法适当处理的太大或太复杂的数据集。

大数据将能够捕获，处理和分析以下信息：

1） 消费者的历史电力需求信息

2） 消费者的分布式发电信息

3） 天气信息（预测）

4） 负荷增长

5） 消费者组合

6） 节日等特殊因素

7） 能源交易所的实时价格

机器学习（ML）- 用于分析和预测

通过大数据系统收集的数据可以在单个预测模型中组合在一起，以便发现上述所有变量之间的关联。这可以帮助我们对负荷需求的原因有更深入的了解，并做出更好的决策。这涉及在规划范围的不同时期内准确预测电力负荷的大小和地理位置。

根据机器学习模型提供的信息，电网运营商公司可以进行适当的计划以购买电力。考虑到上述因素，这还将有助于根据其预测的需求更好地分配给各个区域。

综上所述，结合我国目前的行业发展情况，能源市场尚处于初期阶段，仍然需要额外的投资：特别是为储能生态系统和电网管理服务。我们认为，资本市场不可避免地会迅速发展以支持可再生能源，这带来了巨大的机会。数据将是机会的核心。从财务或运营上管理此类资产的风险，将影响整个行业的发展并进入数字化的可再生能源的新时代。

【1】 Ghoddusi, Hamed, Germán G. Creamer, and Nima Rafizadeh. "Machine learning in energy economics and finance: A review." Energy Economics 81 (2019): 709-727.

【2】 Jae Beom Bae, "Storage + Commercial Buildings: Load Forecasting"

【3】 Igor Bobriakov, "Top 10 Data Science Use Cases in Energy and Utilities"

作者 | 陈夏

栏目负责人 | 容玮悦

投稿请联系 | [email protected]

◆ ◆ ◆ ◆ ◆

交能网咨询团队提供能源电力领域专业的数据分析 | 行业咨询 | 中欧对接，请垂询交能网团队了解更多详情

交能网订阅号原创内容包括能源电力行业资讯焦点挖掘、新兴技术分析与市场动态研究等内容，转载需注明原作者及来源，请在后台留言或联系小编。

本文部分图片及内容提炼、摘取或翻译自其它参考来源，版权归原作者所有

閱讀更多 交能網 的文章

關鍵字: 能源价格 人工智能 需求预测