機器學習（ML）正在為能源經濟學和金融學的創新研究提供新的機會。 我們嚴格地審查了有關ML的能源經濟學/金融應用的新興文獻。 最終，我們確定了在預測能源價格（例如原油，天然氣和電力），需求預測，風險管理，交易策略，數據處理以及分析宏觀/能源趨勢等領域中的應用。在2005年至2018年之間發表的130多篇文章中。我們的分析表明，支持向量機（SVM），人工神經網絡（ANN）和遺傳算法（GAs）是能源經濟學中使用的最受歡迎的技術。
關鍵詞：機器學習 能源經濟 需求預測 大數據 深度學習
關於機器學習
機器學習（ML）是指一類數據科學模型，可以從數據中學習並隨著時間的推移提高其性能。 ML的起源可以追溯到1950年代和1960年代，科學界對通過計算機程序去對人類的行為進行擬態。從這個角度來看，機器學習從數據中提取知識，然後將其用於預測和生成新的信息。通過數據的輸入和模型的訓練，減少不確定性，從而解決特定問題（預測，聚類，異常檢測）。 ML在處理無法得到明確指示的任務時特別有用，例如圖像和語音處理，模式識別或複雜的分類任務。隨著數字化進程的推進，成為了當今熱門。
機器學習大致分為兩大類
1） 有監督的機器學習
2） 無監督機器學習
監督機器學習
· 監督學習是機器學習中的一種方法，它學習基於
示例輸入-輸出對將輸入映射到輸出的功能。· 可以由訓練資料中學到或建立一個模式（函數），並依此模式推測新的實例。訓練資料是由輸入（通常是向量）和預期輸出所組成。函數的輸出可以是一個連續的值（稱為迴歸分析），或是預測一個分類標籤（稱作分類）。
· 示例：天氣信息（例如溫度）和電力需求之間的關聯。通過改變溫度變量，我們可以假設功率需求會變化。
無監督機器學習
· 無監督學習是機器學習的一個分支，"無監督學習"不是告訴計算機怎麼做，而是讓機器自己【去學習】怎樣做，它從尚未標記，分類或分類的測試數據中學習。
· 無監督學習不是響應反饋，而是識別數據中的共性，並根據每個新數據中這些共性的存在與否做出反應。
· 示例：有時，電力需求急劇下降或增加，而相關因素卻沒有任何明顯變化。無監督的機器學習可以從這種情況中統計規律，以便將來可以有效地解決這種情況。
優點：
· 機器學習模型可以通過查看所有類型的因素來預測客戶的響應以及對能源消耗的態度變化。
· 結果提高了預測的準確性，這意味著可以提供更好的信息來確定最佳行動方案。
· 有了這樣基於機器學習的模型，這將確保在購售電時做出明智的決策，從而節省成本。
· 有效的進行負荷均衡，將提高客戶滿意度並提高系統可靠性
· 機器學習模型可以自動糾正預測技術，以跟蹤變化的情況，進行異常檢測
· 隨著時間的推移，此類模型可以自動確定公用事業的各種負荷增長情況，並且可以幫助規劃基礎架構的升級/添加。
機器學習還已廣泛用於與能源市場的經濟和金融分析有關的應用程序，例如價格預測和風險管理。機器學習方法相對於經典統計/計量經濟學提出的方法的優勢在於，機器學習算法可以管理大量結構化和非結構化數據，並可以快速做出決策或預測。
到目前為止，原油和電力價格預測是能源經濟學/金融領域最受歡迎的應用。 就方法而言， ANN（人工神經網絡）通常是一種廣泛使用的技術。我們注意到，與其他科學領域相比，深度學習（DL）在該領域的普及程度較低。 因此，在將深度學習應用於能源經濟學和能源融資問題時，存在著巨大的發展前景。
機器學習方法在與能源經濟學相關的論文中的現有應用可分為兩大類：1）預測能源商品價格；2）預測/建模能耗/負荷需求。 但是，許多論文在特定的能源經濟學相關背景下使用ML方法。 大多數論文主要使用單個機器學習技術或混合機器學習/統計計量經濟學技術。多數論文主要基於高級和混合版本的人工神經網絡。 而且，近年來結合多種方法（algorithms combination）也變得越來越普遍。 作為早期成功案例之一，使用優於傳統計量經濟學模型的非線性ANN模型預測期貨石油價格的每日變化獲得了巨大的成果。
負荷預測：
負荷預測對電力系統制定經濟、可靠、安全的運行策略起著關鍵的作用。傳統上使用工程方法和統計方法進行負荷預測。工程方法的不足之處在於它的複雜性，使其難以實際應用，且缺乏輸入信息。統計方法包括時間序列、相似日法和迴歸方法等。一般來說，這些方法基本上是線性模型，而負荷模式通常是外生變量的非線性函數。因此統計方法在負荷預測的準確性和靈活性上具有不足之處。為了獲得理想的預測效果，AI技術在負荷預測中正發揮著越來越重要的作用。
傳統的電力需求預測需要分析以下類型的變量：
· 日曆數據：季節，小時，節假日等。
· 天氣數據：溫度，溼度，降雨量等。
· 公司數據：電價
· 需求數據：歷史用電量。
但是，由於對分佈式能源（DER）（如屋頂光伏，風能，生物質能等）的使用不斷增加，配電公司的電力需求情景正在發生變化。隨著越來越多的消費者選擇分佈式發電，事業單位將需要使用智能需求預測和分配技術，以優化成本並提供可靠的服務。為了克服這些困難，可以使用如大數據和機器學習（人工智能）的算法架構，用於新趨勢所帶來的需求預測和負載分配需求。其中，大數據技術和機器學習技術分別承擔相應的數字化流程角色：
大數據 - 提供信息收集和評估
大數據是一個術語，用於表示對於傳統數據處理應用程序軟件而言無法適當處理的太大或太複雜的數據集。
大數據將能夠捕獲，處理和分析以下信息：
1） 消費者的歷史電力需求信息
2） 消費者的分佈式發電信息
3） 天氣信息（預測）
4） 負荷增長
5） 消費者組合
6） 節日等特殊因素
7） 能源交易所的實時價格
機器學習（ML）- 用於分析和預測
通過大數據系統收集的數據可以在單個預測模型中組合在一起，以便發現上述所有變量之間的關聯。這可以幫助我們對負荷需求的原因有更深入的瞭解，並做出更好的決策。這涉及在規劃範圍的不同時期內準確預測電力負荷的大小和地理位置。
根據機器學習模型提供的信息，電網運營商公司可以進行適當的計劃以購買電力。考慮到上述因素，這還將有助於根據其預測的需求更好地分配給各個區域。
綜上所述，結合我國目前的行業發展情況，能源市場尚處於初期階段，仍然需要額外的投資：特別是為儲能生態系統和電網管理服務。我們認為，資本市場不可避免地會迅速發展以支持可再生能源，這帶來了巨大的機會。數據將是機會的核心。從財務或運營上管理此類資產的風險，將影響整個行業的發展並進入數字化的可再生能源的新時代。
【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 | 陳夏
欄目負責人 | 容瑋悅
投稿請聯繫 | [email protected]
◆ ◆ ◆ ◆ ◆
交能網諮詢團隊提供能源電力領域專業的數據分析 | 行業諮詢 | 中歐對接，請垂詢交能網團隊瞭解更多詳情
交能網訂閱號原創內容包括能源電力行業資訊焦點挖掘、新興技術分析與市場動態研究等內容，轉載需註明原作者及來源，請在後臺留言或聯繫小編。
本文部分圖片及內容提煉、摘取或翻譯自其它參考來源，版權歸原作者所有
閱讀更多 交能網 的文章
