大规模数字化电网:以用为本人工智能的机遇和挑战
电力电网向碳中和转变是解决气候变化最大的游戏规则之一,人工智能在技术、市场和政策等三个层面上进行定制化可以提高电能系统向碳中和的转变速度和规模。
Nov, 2022
能源优化、人工智能、实时监测、智能系统和能源供应是该研究论文的主要关键词和研究领域,并通过对 17 个不同研究方法的评估揭示了它们的优势和局限性,为未来的人工智能与能源消耗优化的整合指明了方向。
Jun, 2024
智能电网系统面临多种网络安全威胁,基于人工智能技术的解决方案被越来越广泛地运用,然而最新的敌对系统(如生成对抗网络)的出现使得目前的 AI 技术很容易被攻破,我们需要更多的研究方向来保护智能电网系统。
Feb, 2022
本文提出了一种方法学习如何在能源领域中开发,部署和评估 AI 系统,以提高其可靠性、可控性和解释性,使用电力系统事件预测(PEF)作为示例应用,通过对同步相量测量单元(PMUs)测量的相量数据进行物理理解和采用基于机器学习的算法来预测所需需求,将物理维度与机器学习模型融合,实现降维和提高预测精度的目标。
Nov, 2021
利用人工智能算法,研究了人工智能在可再生能源领域的应用,包括可再生能源发电、能源预测和能源系统优化等方面,分析了其性能和结果,并总结了人工智能在能源行业发展中的重要性和未来方向。
Jun, 2024
该研究探讨了电力行业由中央集中化向分散化的转变,重点关注了机器学习在推动可再生能源和改善电网管理方面的关键作用。研究使用了人工神经网络、支持向量机和决策树等多种技术,将机器学习模型应用于预测可再生能源的生成和消耗,并采用数据预处理方法提高预测准确性。通过结合大数据和机器学习技术,智能电网能够提高能源效率、更有效地响应需求并更好地整合可再生能源。然而,需要解决大数据处理、网络安全和获取专业技术等挑战。总之,该研究揭示了电力行业由中央集中化向分散化解决方案转变,并通过应用机器学习创新和分布式决策塑造了更高效和可持续的能源未来。
Oct, 2023
数字能源互联网(IoE)的数字领域即将在集成边缘人工智能(AI)的帮助下发生革命性转变。本综述详细阐述了边缘 AI 对重塑 IoE 生态系统的承诺和潜力。通过精心策划的研究方法,文章深入探讨了专门为 IoE 量身定制的众多边缘 AI 技术。从降低延迟和实时分析到信息安全、可扩展性和成本效益等关键方面的众多好处,凸显了边缘 AI 在现代 IoE 框架中的不可或缺性。随着叙述的深入,读者将了解到实际应用和技术,重点关注设备上的计算、安全的私有推理方法以及边缘 AI 训练的前沿范式。随后进行了一项关键分析,探讨了目前面临的挑战,包括安全问题、计算难题和标准化问题。然而,随着技术的不断拓展,综述以展望未来的观点告终,设想了 5G 网络、联邦边缘 AI、深度强化学习等未来的共生关系,描绘了未来所展示的生动画面。对于在 IoE 和 AI 领域投入的任何人来说,本综述既提供了基础知识,又以一种有远见的眼光,将现实与未来的可能性联系起来。
Nov, 2023
人工智能(AI)技术已成为众多行业的关键驱动力,包括消费电子、医疗保健和制造业,主要得益于过去十年间的复苏。AI 的变革力量主要来自于深度神经网络(DNN)的应用,其需要大量的训练数据和大量的计算资源进行处理。然而,由于与云通信相关的潜在延迟问题,深度学习(DL)工作流越来越多地过渡到靠近终端用户设备(EUDs)的无线边缘网络上。这种转变旨在支持对延迟敏感的应用,并催生了边缘 AI 的新范式,这将在即将到来的 6G 网络中支持无处不在的 AI 应用。尽管具有潜力,但边缘 AI 面临重大挑战,主要是由于无线边缘网络的资源限制和 DL 的资源密集性之间的矛盾。为确保性能既最佳又可持续,这需要对边缘 AI 采取注重能源的方法。因此,本文提供了关于绿色边缘 AI 的现代综述。我们首先分析了边缘 AI 系统的主要能源消耗组成部分,以确定绿色边缘 AI 的基本设计原则。在这些原则的指导下,我们进一步探讨了边缘 AI 系统中三个关键任务的能效设计方法,包括训练数据获取、边缘训练和边缘推理。最后,我们强调了进一步增强边缘 AI 能效的潜在未来研究方向。
Dec, 2023
本文介绍了如何在智能电网中引入区块链和人工智能来促进能源市场发展,并提到政策设计和潜在的区块链技术支持下的能源市场结构以及如何应用人工智能加强电力系统的运行监控和决策制定。
Feb, 2022