人工智能技术在高速公路分布式能源系统中的应用

符养斌，刘雄伟

（山西省交通新技术发展有限公司，山西 太原 030012）

0 引言

在国务院印发的《新一代人工智能发展规划》[1]中，提出了我国人工智能技术的战略发展步骤：2025年人工智能基础理论实现重大突破，2030年人工智能理论、技术与应用总体达到世界领先水平。文件对人工智能的不同应用领域与场景，也分门别类做了详细规划，针对能源领域，提出了“建设分布式高效能源互联网，形成支撑多能源协调互补、及时有效接入的新型能源网络，推广智能储能设施、智能用电设施，实现能源供需信息的实时匹配和智能化响应”的要求与目标。

分布式能源系统作为传统能源体系的替代与补充，因地制宜灵活采用不同策略，利用不同形式能源的特点与耦合性，提高能源利用的效率。其并不是不同形式能源的累加，而是在不同供能单元之间进行协调、控制与优化。因此，与传统能源相比，分布式能源系统在运行控制与优化方面提出了更高的要求，需要考虑多种能源的耦合特性，以实现最优控制。依靠传统的建模与分析方法难以应对多能互补、深度耦合的应用场景要求。在这种情况下，通过人工智能技术对能源系统运行中产生的海量数据进行分析，从中挖掘出隐藏在大数据背后的巨大价值，并将其应用于分布式能源系统的控制、优化与运行管理，有着非常积极的意义。

1 人工智能技术

人工智能技术是一门基于计算机科学的综合性学科，综合了数学、生物学、心理学、语言学等不同领域的知识与理论，用于开发具有和人类智能相近的计算机系统。

自1956年“人工智能”的概念首次提出后，人工智能技术的发展迎来了一次又一次的高峰与低谷。人工智能技术一方面表现出巨大的应用潜力，另一方面却由于计算机性能、专家系统的应用局限等原因，未能真正意义上得到广泛应用。

2006年，随着神经网络技术的进步与“深度学习”概念的提出[2]，掀起了最新一轮的人工智能热潮。在传统的研究算法中，更注重“模型”而非“数据”，深度学习则着重于从数据中挖掘价值，从而摆脱传统研究算法的桎梏，在更多场景下得到广泛应用。与此同时，蓬勃发展的信息技术产生的海量数据，也为人工智能提供了足够的可供分析的素材。大数据技术的进步与人工智能技术的迅速发展息息相关，两者相互推动、密切相关、相得益彰。

目前，以深度学习为代表的人工智能技术，被广泛应用在自然语言处理、图像识别、语音识别、无人驾驶、智能制造等各个领域中，推动与促进各个行业向智能化方向迅速发展。

2 高速公路的分布式能源系统

山西省于2016年4月26日发布了《推进城乡采暖“煤改电”试点工作实施方案》[3]，将高速公路服务区（收费站管理办公区）作为全省采暖“煤改电”试点单位，结合各地实际和不同方式技术经济特点，因地制宜通过采用空气源热泵、蓄能式电暖器、热库、地源热泵等形式进行“煤改电”改造工作。

目前，山西省内高速公路服务区、收费站管理办公区的取暖设备，均已由传统燃煤锅炉改造为上述一种或几种不同形式有机组合的电采暖设备[4]，如图1，为治理雾霾天气、促进电采暖产业发展、消纳省内富余电力、提升全省城乡电气化水平起到了积极作用。

图1 山西省高速公路服务区煤改电的典型结构

与传统的燃煤锅炉相比，电采暖设备对能源价格更为敏感，需要根据不同供能设备的特点，结合外部环境温度因素以及电力部门的峰平谷分时电价政策，制定合理的控制策略，才能保证系统在经济、高效的条件下，为用户提供舒适的冷、暖供给。然而，由于分布式能源系统的复杂性，在实际运行中，通过现有理论或公式往往无法提供有效的运行策略，因而大部分情况下，电采暖设备都工作在较为简单的运行策略下，通过人工干预或简单的自动控制算法进行启动、停止与参数调节，无法真正实现经济高效的运作。

另一方面，电采暖设备工作在北方的寒冷气候中，其稳定、可靠运行对用户而言非常重要，是用户生产生活的基本保障。在这种情况下，如果能对设备可靠性进行分析与预测，提前判断设备发生故障的概率，及时进行设备维护保养，以降低故障率，对提高供暖可靠性，提升用户体验都有着非常积极的意义。

人工智能在处理模糊逻辑方面具有先天优势，不依赖专家系统与物理模型，可以通过对海量历史数据的训练，在能耗预测、用能调度以及预测性运维方面，有针对性地解决上述问题。

3 人工智能在高速公路分布式能源系统中的应用

人工智能技术是设备智能化的核心技术之一[5]，通过机器学习、深度学习等手段，有针对性地解决分布式能源系统中的模糊逻辑、多维数据、非线性问题。在山西省高速公路服务区的分布式能源系统中，人工智能技术主要用于解决能耗预测、能源调度以及设备运维的问题，如图2。

图2 人工智能技术在分布式能源系统中的应用

3.1 人工智能技术在用能预测中的应用

能源生产的成本与负荷、价格、政策、天气等多种综合因素相互关联，且能源从生产到消耗之间存在一定的滞后性，传统的模型很难建立精确的用能预测模型，来有效降低用能成本。而一旦缺少了对未来用能情况的精确预测，往往会导致分布式能源系统效率的降低。人工智能在回归分析方面有其天然优势，利用这一优势，可以很好地从分布式能源系统的海量历史数据，无需建立对象的精确模型，而仅仅是通过不同维度复杂的历史参数，来拟合负荷与其影响因素之间的非线性关系，从而对用户未来用能情况进行建模与预测。

3.2 人工智能技术在优化能源调度中的应用

针对设备多样、结构复杂的分布式能源系统，不同类型的供能设备间的相互耦合，能源时空不同步的特征，都导致数据复杂、结构模型不精确，且具有随机性和强耦合性的特点[6]。由于无法建立精确的模型，难以对多变量进行定量分析与优化，导致采用传统方式，难以达到智能化要求。针对这样的情况，人工智能技术基于其先天对大数据特征分析的优势，可以利用人工神经网络，基于历史数据对能源运行数据进行分析，在无模型系统、缺少专家知识决策的条件下，解决复杂网络的有约束优化问题，从而实现模糊逻辑下能源调动的合理性，在保证能源系统满足用户舒适性要求的前提下，通过多种供能设备的合理调度与分配，降低用能成本。

3.3 人工智能技术在预测性设备与维护中的应用

预测性维护是人工智能在分布式能源系统中应用的另一个重要场景。对于高速公路分布式供暖设备[7]，在严寒天气下，设备故障的事后维修，给服务区的生产生活带来极大不便，除非必要，应尽量避免。预防性维护是指根据制造商建议，定期、定时对设备进行维护与保养，但不同设备由于其工艺差异、工作工况等区别，其运行可靠性与故障率可能存在明显的差异，这是预防性维护无法解决的问题。通过基于人工智能技术的预测性维护策略，可以有效弥补事后维修和预防性维护的不足。

预测性运维系统，基于历史数据进行机器学习与深度学习，不依赖专家知识与复杂的物理模型进行决策，系统具有较强的稳定性，数据波动对模型影响小。通过预测性运维策略，可以对设备进行分级维护，并构造维护策略数据库，根据不同分级策略对设备进行维护，在设备尚未失效的情况下，也可以预测其剩余寿命与故障率并及时作出反馈。

4 结论

在智慧能源理念的大力倡导下，分布式能源以其接近用户、充分利用能源的耦合特性提高能源利用效率的特点，在高速公路等工商业场景下得到日益广泛的应用。但由于分布式能源系统先天的复杂性，在建模、控制与优化方面，采用传统的控制策略与方法，很难达到预期目标。另一方面，能源设备设施的可靠与安全运行，对分布式能源系统而言至关重要，传统的“事后运维”与预防性运维策略，往往难以实现设备故障的及时预警与维修，从而给用户用能带来不便，甚至可能影响能源用户的生产生活保障。

人工智能技术以其与大数据紧密结合的天然优势[8]，结合以深度学习为主的人工智能神经网络算法，在缺少精确模型与专家知识支持的条件下，通过深度学习、强化学习、迁移学习等智能算法，以大数据为依托，不断实现自我改进，逐步建立基于特定目标的优化模型，建立针对不同环境、不同条件下的分布式能源系统最优化运行策略。类似地，利用人工智能技术，对能源设备多维度的历史运行数据进行分析与训练，结合聚类、随机森林等机器学习的方法，可以实现对能源设备设施的工况检测与寿命预测，提高对设备故障预测的精度与准度，逐步实现能源设备的预测性运维，以提高设备利用率、降低运维成本、提高能源用户的满意度。

综上所述，人工智能技术作为国家战略之一，在能源领域得到日益广泛的应用。人工智能技术的应用，可以为分布式能源系统提供更有效的运行与控制策略，为能源设备设施提供预防性运维策略。