人工智能可以催生电力行业的独角兽吗？

话说这机器学习横空出世，就像孙悟空抄起金箍棒一阵乱挥，打破了许许多多行业的旧秩序。

过去我们聊过机器学习技术如何颠覆互联网和电商，今天咱们聊聊传统行业。

希望这些观点对有电力资源的朋友有所启发，争取在电力行业培养出个独角兽。

电力行业可是老行业，从爱迪生特斯拉下来少说也一百多年历史。曾经有过巨大的辉煌，现在也都还是各国经济的命脉。

然而风流总被雨打风吹去，进入二十一世纪后风头早被互联网信息行业夺走。这其实也怪不的别人，虽说也在经历一场新能源革命的洗礼，但行业主体还是从父辈爷爷辈一代代传下来的那些东西。

并且在世界各国能源电力多为国有，总归有些官僚主义，行业人员知识老化，不思进取的通病。

如今在互联网信息行业的冲击下其实能源电力行业也在暗流涌动。

在智能电表和智能互联传感器等等的带动下，电力企业一下发现自己也像很多IT企业一样突然有了很多的数据，所谓电力大数据一时甚嚣尘上。

然而大家并不十分清楚，除了生成账单和报表，还能用这些数据来做些什么呢？

我们认为，数据是各大电力企业的核心竞争力，而机器学习技术则让企业变得更加智能，为真正从大量企业数据中挖掘价值提供可能。下面就从几个方面初步探讨。

负载和可再生能源预测

众所周知电力行业最大的问题是每时每刻保持电力生产和消费的平衡。

然而大量可再生能源，如风能，虽然有环保的优点但却非常难以驾驭，往往无需电力的时候大风呼啸，而需要大量电力时风却不见踪影。

这对电力生产调度提出了极大的考验。因此精准预测地区负载以及可再生能源发电量对如何调度发电至关重要。

对这些问题我们可以采用深度学习和循环神经网络对大量历史数据进行建模，从而提高预测的准确度。

智能设备维护

电力行业有大量设备需要维护，如电表，变压器及变电站等等。这些设备的可靠性相当重要，一旦失效轻则造成停电重则可能引发火灾。

我们如何能够利用电力公司的大量数据来给监控设备的健康状况，从而未雨绸缪对其进行维护？

打比方说变压器的健康程度与众多因素有关，如设备年限，峰值载荷，温度，雷击，是否长期过载等等。

从大量变压器历史维护记录和其余相关数据中我们可以采用机器学习技术训练一个设备健康度回归模型。

这背后的经济效益极为显著，据估计对一个百万级别的城市而言仅平均延长变压器寿命一年带来的收益将高达一千五百万美元。

窃电监测

对许多国家来说窃电是一个大问题。窃电不单给电力公司带来经济损失，而且对电网可靠性带来很大考验。

传统的窃电监测大多依赖人工排查，效率不高并浪费大量人力物力。智能电表的出现让远程监测用电成为可能。

然而道高一尺，魔高一丈，各种窃电手段层出不穷，一般基于规则的方法未必奏效。

我们可以采用机器学习技术来学习用户正常用电模式，从而对大量疑似窃电行为进行自动报警。

本文获公众号 人工智能商业 授权发布