人工智能(néng)還能(néng)預測電力需求？

東芝研發(fā／fà)中心系統技術實驗室在2017年(nián)日本東京電力公司控股股份有限公司（以下(xià)簡稱東京電力）舉辦的 “第一屆電力需求預測大賽”中獲得(dé / de / děi)最優秀獎。在9月上旬的9天(tiān)時間内，參賽公司必須竭力克服電力需求錯綜複雜、數據難以讀取的困難，不僅要(yào / yāo)及時精準地獲取前一天(tiān)的需求數據，還需要(yào / yāo)以一個小時的電量爲單位，對(duì)第二天(tiān)的電力需求進行(háng / xíng)預測。大賽根據預測結果的精确性評選出最後(hòu)的優勝者。

大賽共收到了100餘家(jiā)日本海内外公司的參賽作品。下(xià)面，就(jiù)讓我們一起來看看從這些作品中脫穎而(ér)出的東芝需求預測系統吧！

一、随着(zhe／zhuó／zhāo／zháo)新型電力、可(kě)再生(shēng)能(néng)源的興起，需求預測的熱度也在增長

電力需求預測是指電力公司爲制定日常供電計劃和交易計劃而(ér)進行(háng / xíng)的預測。預測必須遵循 “同時同量”的原則，即需求量和供給量必須始終保持一緻。我們知道，電力無法儲存，若電廠過(guò)度運轉會(huì)給電力公司帶來損失。因此，大多數電力從業者都希望能(néng)制定出既滿足需求又毫無浪費的供電計劃。在2016年(nián)，随着(zhe／zhuó／zhāo／zháo)電力自(zì)由化的發(fā／fà)展、小型企業等新型電力的增加、以太陽能(néng)發(fā／fà)電爲核心的可(kě)再生(shēng)能(néng)源的大規模引進，制定有效的供電計劃變得(dé / de / děi)越發(fā／fà)困難，行(háng / xíng)業内對(duì)于(yú)高精度需求預測技術的訴求也在急劇上升。在此背景下(xià)， 東京電力于(yú)2017年(nián)舉辦了“第一屆電力需求預測大賽”。

以前，電力需求預測是需要(yào / yāo)根據累積的實際值、氣象條件及事(shì)件信息等，手動進行(háng / xíng)需求量的預測。在該技術中，東芝着(zhe／zhuó／zhāo／zháo)力推動研發(fā／fà)的氣象預測技術和優勢強大的人工智能(néng)技術的運用(yòng)是關鍵所(suǒ)在。在此，我們有幸邀請到了東芝研發(fā／fà)中心的進博正先生(shēng)、高田正彬先生(shēng)、志賀慶明先生(shēng)爲我們講解電力需求預測背後(hòu)的故事(shì)。

從左至右依次爲：株式會(huì)社東芝 研發(fā／fà)中心 進博正、高田正彬、志賀慶明

“如(rú)果需求預測的精度低，我們就(jiù)必須要(yào / yāo)制定一個餘量充足的供電計劃，而(ér)這會(huì)導緻一系列的浪費現象，如(rú)電廠的待機運轉等。爲解決這一問題，以前我們也曾經嘗試過(guò)引入人工智能(néng)，但由于(yú)操作和業務流程尚未達到全自(zì)動化，無論如(rú)何都需要(yào / yāo)人力的預測。随着(zhe／zhuó／zhāo／zháo)小型企業的增多，人手不足的情況也随之增多，利用(yòng)人工智能(néng)實現高精度的自(zì)動預測成爲了當務之急。”（進先生(shēng)）

那(nà)麽，長期未達到使用(yòng)标準的以人工智能(néng)預測電力需求的技術又進行(háng / xíng)了哪些更新呢？

二、數據提取“稀疏建模技術”是提高精度的關鍵

“具體來說，除了過(guò)去(qù)的數據，人工智能(néng)還要(yào / yāo)根據氣象預測和事(shì)件信息對(duì)未來的需求量進行(háng / xíng)分析。這是一種粗略的機制，可(kě)以反饋預測值與實際值之間的關系，并将其(qí)應用(yòng)于(yú)機器學習。最重要(yào / yāo)的一點是，東芝獨有的氣象預測數據的數量（地點數量）和多樣性（氣象因素）相較于(yú)以前有了大幅度的提升。”（進先生(shēng)）

以前，在東京電力供應的約40000平方公裏(lǐ)的區域内，我們的主要(yào / yāo)分析對(duì)象是縣政府所(suǒ)在地等6～7個地點，而(ér)現在我們可(kě)以通過(guò)氣象數據自(zì)動采集系統（AMeDAS）分析100個觀測點的氣象預測值。而(ér)且，通過(guò)被稱爲“稀疏建模技術¹”的機械學習技術，我們還可(kě)以從多個地點的氣象信息中篩選并運用(yòng)對(duì)電力需求影響大的地點的數據。
1稀疏建模指從大量的數據中提取有意義的數據進行(háng / xíng)建模的技術。

充分運用(yòng)多地點的氣象預測數據的稀疏建模技術
※正在申請專利
自(zì)動篩選影響需求量的重要(yào / yāo)地點（例如(rú)：由于(yú)時區而(ér)産生(shēng)的重要(yào / yāo)地點的差異）

看到了比賽招募公告的進先生(shēng)，分别向擅長人工智能(néng)技術的志賀先生(shēng)和稀疏建模專家(jiā)高田先生(shēng)詢問相關的技術情況。這也成爲了這個團隊成立的契機。

“我一直緻力于(yú)研究一項技術，這個技術能(néng)運用(yòng)大數據（如(rú)工廠制造過(guò)程中所(suǒ)獲取的加工條件和傳感器值等）來調查品質下(xià)降的原因。在龐大的候選因素中找出真正的問題所(suǒ)在，需要(yào / yāo)用(yòng)到稀疏建模技術，而(ér)将該技術運用(yòng)到電力需求預測中，對(duì)我來說是一個新鮮又有趣的嘗試。稀疏建模技術具有很大的潛力，我們正在考慮能(néng)否将原有的業務橫向展開到其(qí)他業務中去(qù)，而(ér)我也正好趕上了這個時機。”（高田先生(shēng)）

三、最爲關鍵的“集成學習技術”是什麽？

研發(fā／fà)團隊接下(xià)來着(zhe／zhuó／zhāo／zháo)重研究的是預測值和實際值之間的誤差。太陽能(néng)發(fā／fà)電的發(fā／fà)電量會(huì)随着(zhe／zhuó／zhāo／zháo)氣象條件的變化而(ér)變化，而(ér)需求量也會(huì)根據人的行(háng / xíng)爲而(ér)精細地發(fā／fà)生(shēng)變化，巨大的誤差也就(jiù)此産生(shēng)。

雖然這個巨大的誤差可(kě)以通過(guò)人工智能(néng)反複地進行(háng / xíng)修正循環，但這次不同。因爲我們采用(yòng)的是“集成學習技術”。

雖然總體上被稱爲人工智能(néng)，但其(qí)實它還包括各種各樣的技術。将這些技術相結合可(kě)有效提高預測精度。

“本次采用(yòng)的是對(duì)預測值和實際值的規則進行(háng / xíng)學習的手法，其(qí)優缺點并存。舉例來說，夜間預測精度相對(duì)更高，而(ér)白天(tiān)則是對(duì)氣溫變化的反應過(guò)于(yú)敏感。因此，運用(yòng)多個（群組）人工智能(néng)技術，在對(duì)各自(zì)最擅長的時區進行(háng / xíng)分析的基礎上，将其(qí)相互結合，能(néng)進一步提高精度。”（進先生(shēng)）

整合深度學習預測值的集成學習技術※正在申請專利

最終，我們實現了這項技術。與傳統方式相比，預測誤差降低了0.5%~1.0%。誤差每降低1.0%，電力供應的成本也相應降低約0.1%。因此，如(rú)果一年(nián)間的供電成本爲1萬億日元，那(nà)麽實際的成本可(kě)減少10億日元。

在對(duì)這一成果進行(háng / xíng)評估後(hòu)，東芝獲得(dé / de / děi)本次大賽的最優秀獎也在意料之中了。對(duì)此，負責整個系統的志賀先生(shēng)的回答如(rú)下(xià)：

“這次我們不僅要(yào / yāo)将目前爲止的研究成果搭載到系統中，還要(yào / yāo)與大賽主辦方的系統相配合，在規定時間内完成所(suǒ)有的任務。雖然過(guò)程十(shí)分緊張，但取得(dé / de / děi)這樣的結果讓我在感到開心的同時，也松了一口氣。” （志賀先生(shēng)）

當然，我們的下(xià)一個目标是促成該技術的實用(yòng)化。我們的研發(fā／fà)團隊已将2020年(nián)實現該系統的實際投入使用(yòng)列爲了新的目标，正努力進行(háng / xíng)進一步的調整。集成學習技術，這一有益于(yú)社會(huì)和諧建設和人類未來發(fā／fà)展的高新科技，也希望大家(jiā)能(néng)持續關注。