基于人工智能的新能源并網運行實時監測方法

鄧斐杰

【關鍵詞】人工智能；新能源；并網運行；實時監測

引言

電著科學技術的不斷發展，我國已經進入現代化發展的進程中。現在，人工智能的相關技術已成為時代發展的主要潮流，人工智能的不斷發展，讓全世界各個國家都投來了關注。因為人工智能的核心技術更加地智能化，使計算機網絡變得更加有特點，且更加人性化。而且人工智能在處理事務時，不僅能模仿人類的行為方式，而且還能利用自身的特點將各種復雜的數據信息，進行有效的整理和儲存。雖然近幾年我國的現代化正在快速發展，但是整體的信息建設、人工智能以及新能源等新興發展的技術還是要比西方的發達國家晚很多[1]。并且在實時的建設過程中，因缺少高科技的技術人才，導致我們國家在發展新興技術的時候，遇到了很多無法避免的阻力。

隨著最近幾年我們國家的不斷發展，以及政府對科學積極的大力支持，我們國家在很多行業內都增加了人工智能的發展技術，并且也取得了一定程度上的效果。人工智能技術的發展是以計算機網絡技術為基礎，利用智能的控制及識別系統，實現對其進行更加智能的控制，在提高自身識別能力的基礎上，也可以提高工作時候的效率。而新能源是我們國家未來重點發展的主要行業之一，通過對新能源相關數據進行監測，是可以了解到我們國家當前每日所消耗的能源以及可再生或不可再生的能源信息數據。傳統的能源監測方法其內部數據處理中心相對比較單一，就會導致在面對大量數據時，無法做到準確而且快速地監測到所需要的相關數據信息。所以就需要在傳統的能源監測方法基礎上，增加人工智能技術，實現新能源并網運行的實時監測。

一、基于人工智能的新能源并網運行實時監測方法

（一）建立新能源運行實時監測系統

1、采集數據并建立傳輸組網

采集數據的形式主要分為直接方式采集以及間接方式采集，直接的采集方式就是使用傳輸控制協議或者用戶數據報協議，以及超文本傳輸協議等相關網絡協議，把網絡服務器與采集數據的終端設備進行直接的數據通信連接。任何一臺采集數據的終端設備都是可以通過“程控輸出入”的方式，采集到所有能源監測設備所在的位置點信息[2]。這種使用直接方式進行數據采集的時候，是可以監測到能源中某一特定的數據信息，針對能量消耗過程中不重要的相關環境數據信息可以簡單地忽略不計，如此網絡中數據實時監測的冗余度相對還是比較低。而間接的方式主要是與其他系統進行數據信息相互共享，需要利用第三方來對能源信息進行監測和管理，再利用監測內部系統平臺對數據信息實現共享，內部系統再對龐大的數據信息進行提取和過濾[3]。下圖1則為新型采集數據的架構示意圖。

圖 1 新型采集信息數據庫架構示意圖

新型采集信息數據庫通過在傳輸過程中加入數據信息列表，從而避免了數據信息源與信息數據庫之間直接的聯系，將采集到的數據信息利用數據信息列表中整理交換的相關模式，把整合之后的數據信息傳輸到信息數據庫之中。這樣可以有效減少信息源跟數據庫之間的直接聯系，避免過程的繁瑣，從而提高了數據信息傳輸到數據庫中的效率[4]。

2、分析及處理相關數據信息

傳統方法是僅針對同一類型的數據進行處理，而對于其他不同種類的數據信息進行統一管理的時候，不同數據中存在差異的部分，處理起來相對會麻煩一些，因此需要建立新型的數據處理模式，具體情況如下圖2所示。

圖 2 新型數據處理模式架構示意圖

如上圖2可以看出，對已經在數據庫中的信息使用數據信息分發緩存技術，讓其可以直接保存到網絡內存之中，再利用不同能源的類型對其進行更加細致的分類，將其放入到與之相關的處理單元模式之中[5]。將數據庫內部的數據按照對應的處理模式進行處理，減少對數據讀寫的相關操作，從而提高數據處理的工作效率。

（二）增加系統內部并網運行數據庫

通過在系統內部增加極端梯度提升算法（簡稱XGBoost），是可以實現系統內部大規模的并網運行，它不僅可以讓提高系統內部運行速度，還能夠提升工作效率。XGBoost中最基本的分類器是CART（又稱分類與回歸樹），它主要就是通過對多種數據結果進行相互整合，從而提高數據的精準度。假設有個相關數據信息，那么構成相關數據集合的模型，就如下式（1）所示。

新能源監測主要就是風能、電能、光伏能、地熱能以及太陽能這幾種主要的新型能源，包括上述幾種能源相關數據信息的采集、整理與分析，通過電子地圖來提供相關提示信息，通常使用的數據展現形式是柱狀示意圖、折線示意圖和表格等。在對每一個相關指標數據信息進行實時監測的時候，需要檢測到的數據信息包括當天所產生的信息數量、與總數量相關的全部信息、強度以及排量等[9]，至此實現基于人工智能的新能源并網運行實時監測。

二、應用的實驗測試

（一）實驗準備工作

為了測試此次提出的新能源并網運行實時監測方法的可靠程度和實際使用效果，選擇某地區新能源基地作為測試對象，測試實驗的周期為1個星期共計7天。共采集數據2000組，分別使用兩種方法對其進行實時監測。由于實驗時間相對比較長，可能就會有數據異常或者缺失等情況出現，因此需要在監測之前先對數據進行篩選，選擇出有用的數據來提高其準確性。

（二）數據檢測及反饋效果

實驗測試是在相同環境下，相同時間內進行。將采集到的2000組數據平均分為A、B兩組，其中A組為使用傳統辦法進行的新能源實時監測，而B組則是使用人工智能后對其進行的實時監測。為了保證此次實驗結果的準確性，并且保證得出結果是有效的，本次實驗將對比兩組數據，具體見下圖4所示。

圖 4 不同監測方法準確程度示意圖

由上述圖4可以看出，傳統方法在進行監測的過程中，當數據信息的數量在200個左右的時候，其準確率是可以維持在70%左右；當數據信息的數量超過200個的時候，準確率整體出現下降的趨勢并且最終的準確率只維持在40%。而利用人工智能方法在進行檢測的過程中，當數據信息的數量在100個左右的時候，其準確率就已經能夠達到82.5%，即使當數據信息數量到達1000的時候，其準確率也能夠維持在 80%左右，整體的平均準確率則為83.57%左右。

明顯可以看出，基于人工智能的新能源并網運行實時監測方法的準確率會更高一點。在對比兩種方法準確率的基礎上，為了保證檢測結果的準確性，需要對兩組再次進行關于實時監測速度的對比實驗。本次實驗共進行15次，下表1則為兩種方法具體數據統計結果。

表 1 兩種方法監測速度對比結果（s）

根據上述表1顯示的數據可以看出，傳統方法在進行監測的過程中，實時監測速度是在12.5秒到13.5秒之間；但利用人工智能方法在進行檢測的過程中，實時監測速度是在5.5秒到6.5秒之間。通過上述的數據顯示出傳統方法實時監測的平均速度為13秒，而基于人工智能方法實時監測的平均速度則為6.144秒，明顯可以看出基于人工智能的新能源并網運行實時監測方法，實時監測數據的時間會更短。

綜上所述，傳統方法在對新能源并網運行進行實時監測的時候數據信息的準確率是沒有辦法保證的，并且其實時監測的速度也相對較長；而使用了人工智能的方法之后，則可以更加高效而準確地對新能源并網運行進行實時監測，從而實現對我們國家新能源更加精準細致的監測與分析。

結束語

此次提出的對新能源并網運行進行實時監測的方法是在我國傳統監測方法的基礎上，結合人工智能研究出更加準確的實時監測方法，解決了傳統方法所存在的問題。本文主要將重點放在運行和智能檢修方面，設計出更加完善的人工智能系統，在保證準確率的同時，也提高了數據監測時的安全性。但是由于時間的限制，此方法還存在著許多不足，在接下來的研究中，將繼續對本文提出方法進行完善，以期為新能源并網運行的實時監測提供參考價值。