埃尔法哥哥■AI加持，需求侧响应又准又赚( 二 )
本文插图
本文插图
从算法的效果来看 ， 以2012年新英格兰州实时现货价格作为学习信号 ， 对于一个代理100个家庭用户的售电公司 ， 在240次的遗传迭代后 ， 其售电收益增长了11.08% ， 效果较为显著 。
AI学习避峰降费
位于加拿大安大略省滑铁卢的Empowered公司在帮助电力大用户错峰的控制上也充分利用了机器学习的算法 ， 从而降低用户电费开支 。 因为安大略省在计算电力用户的需量电费时 ， 依据每日滚动发布的若干系统峰值时刻（5 Coincident Peaks）统计用户最大负荷 ， 并计算每一用户在系统峰值中的贡献率 ， 以确定需量电费的收取 。 对于用户而言 ， 提前确定自己的生产计划 ， 避开系统发布的峰值检测时刻 ， 是降低需量电费的有效方法 。
在机器学习的算法中 ， 除了考虑日常生产安排 ， 节假日 ， 极端天气等情况 ， 气温波动、其他用户对负荷的响应等因素也成为算法的输入条件 。 这些因素有些还存在一定的关联性 ， 算法根据敏感性和独立性 ， 考虑输入条件的影响因素大小 ， 对系统峰值和检测时刻加以预测 。 算法使用了最近三年的用户15分钟表计数据和外部影响因素数据 ， 在经过清洗之后 ， 将其分割为训练数据集和测试数据集 ， 利用测试数据集来持续跟踪预测准确率 ， 并迭代训练 ， 改善模型 。 传统的需求侧响应方法 ， 一般是根据固定电价对应的时刻 ， 设置在不同用户负载水平下的调峰指令逻辑 ， 在面对灵活的电价计算方法 ， 尤其是与系统总负荷挂钩的计算方法时 ， 往往无能为力 ， 这也就成为机器学习算法大展身手的舞台 。
通过以上的算法 ， Empowered公司代理大用户的需量电费平均下降了30% ， 因需避开系统检测时刻而临时发送的调峰指令下降了64% ， 在减低用户用电成本 ， 优化生产流程排班方面发挥了显著的作用 。
以上我们介绍了在需求侧管理中人工智能算法的研究与应用的一些成果 。 从负荷的识别到需求侧响应的竞价策略和控制策略 ， 不同的算法模型均在实践中发挥了显著作用 。 不可否认的是 ， 用户的需求和市场环境的不同 ， 会产生对算法的差异化需求 。 在实践中没有算法高低级之分 ， 更没有一招通行天下的秘籍 ， 满足用户和市场需求的才是合适的算法 。
作者 | 庄弘
编辑 | 邸义博
栏目负责人 | 容玮悦
推荐阅读
- 「」儿童节就送阿尔法蛋学习手表，安全贴心又能学习
- -悟空哥哥-618年中大促力来袭，iQOO Neo3应该是你不容错过的5G手机
- 埃尔法哥哥面对用户需求与AI技术之间的不平衡，AI产品经理该如何做？
- 埃尔法哥哥谁说机器学习难？它在这朵云上就没有门槛
- 埃尔法哥哥Python基础语法之“数据应用”
- 埃尔法哥哥Bionumerics软件的多位点VNTR分析
- 埃尔法哥哥一个例子就能读懂大数据，原来数据分析能在这些行业里使用
- 埃尔法哥哥C++程序员的职业生涯规划
- 埃尔法哥哥MAML-Tracker：用目标检测思路做目标跟踪？小样本即可得高准确率丨CVPR 2020
- 埃尔法哥哥数据规范之代码表