人工智能在电力需求侧仿真与预测中的若千应用 景锐 ( 副教授 ) 厦门大学能源学院 目录 1 在仿真中应用 2 在预测中应用 2 3 背景意义 全球变暖， 2024 年为有记录以来全球最热年，为舒适与健康不得不消耗大量能源 ! 《电力系统调节能力 优化专项行动实施方 案 (2025-2027 年 ) 》 目标：在需求侧建设相当于 5% √ 全国所有城市 个厦门城市微气候： √ 1km/1h 温、光、风、湿、 水 √ 全国所有城市 14 目录 1 在仿真中应用 2 在预测中应用 15 门控循环单元 GRU 为 LSTM 的 简化 变体，将遗忘门与输入门合并为更 新门，将输出门替换为重置门，可 对前序信息进行记忆或遗忘，兼顾 负荷序列时序性与非线性，进一步 hi Transformer 由多个编码器 和 解码器组成，核心在于多头自 注意力机制，捕捉输入序列中 每个元素与其他元素的相关性 Transformer 负荷预测的深度学习方法 CNN 在 BP 网络基 础上将隐含层替换 为卷积层与池化层， 减少网络需要优化 的参数 CNN 人 t 是 LSTM 保留 RNN

...29 图 2.5 预测性维护的基础构件。 ............................................................................31 图2.6 比较替代的电源资产维护方法。 .......................................31 图2.7 人工智能增强型可变可再生能源发电预测。 .......... ................................................ 28 表2.3 实施预测性维护的步骤 ..................................................32 表2.4 部署人工智能增强型虚拟现实预测的启用步骤 ......................................34 表2.5 实现能源属性证书部署的启用步骤。 （ai）的应用程 序，用于预测或自动化——如何可以 创造价值 为系统内所有演员。 1 在利益相关者协商中，66%的受访者表示他们将数字化纳入其国家能源战略。只有15%的受访者表示数字解决方案在国家能源战略或规划 中未被提及。 电力系统正在进行的转型特点是日益复杂。随着到 2050 年电力在终端能源消费中的占比达到 52%（国际能源署 [国 际能源署，2024a] 预测当前电气化率将翻倍），数字

过 程 优 化 EMS 数据 ERP 数据 MES 数据 检验数据 设备数据 数据源 DCS 数据 工业大数据架构 大数据应用 大数据处理 工艺优化 质量提升 产线故障预测 预测性维修 效率提升 可视化监控 事务型数据 MPP 数据库 HADOOP OLTP 数据仓库 元数据 索引 列存储 粗粒度索引 数据压缩 SQL 优化 动态拓展 资源管理 批量检索服务 数据分享服务 数据下载服务 数据仓库和分析型应用 ODS/DSA – 面向主题、当前 DW – 面向主题、历 史和汇总 DM DM API 接口 供应链优化 作业行为优化 设备预测性维修 Spark ML 工业大数据特点 供应商数据 • 产品质量 • 服务信息 • 信用数据 • 位置数据 • 渠道依赖 • 原料来源 • Web 信息 • 业务信息 • 工业大数据建模目标 制造价值提升 1 、原因分析的工艺优化； 2 、设备预测性维修； 3 、产线异常监控； 4 、产品质量控制； 供应商管理提升 1 、风险预测与分析； 2 、交付时间与路径优化； 3 、供应商评价与信用管理； 客户需求管理提升 1 、客户行为的需求挖掘； 2 、准确个性化的产品定价； 3 、产品的预测性保养与维修； 4 、更好的产品体验； 运营价值提升 1 、更好的管理资产；

......................................................................................50 5.4 质量检测与预测性维护................................................................................................ 艺，从而提高 电池的能量密度和循环寿命。在装配线上，AI 驱动的机器人能够实 现高精度的零部件组装，减少人工操作的误差。此外，AI 还可以应 用于供应链管理、物流调度和售后服务等环节，通过智能预测和优 化，进一步提升企业的运营效率。然而，AI 技术在新能源汽车制造 中的应用也面临诸多挑战，如数据安全、技术标准化、人才短缺等 问题，需要通过产学研合作和技术创新逐步解决。因此，研究新能 源汽车 随着人工智能技术的快速发展，其在制造业中的应用已从概念 验证阶段逐步走向规模化实施。当前，AI 技术在制造业的核心应用 领域主要涵盖预测性维护、质量控制、供应链优化和生产调度等关 键环节。据麦肯锡 2023 年全球制造业 AI 应用报告显示，全球领先 制造企业中已有 67%实施了 AI 解决方案，其中，预测性维护的成 功实施使设备非计划停机时间减少了 30%-50%，维护成本降低了 20%-40%。 在质量控

联关系、 历史场景和调度方案等知识。 • 数据底板包括基础数据、 监测数据、 业务管理数据、 地理空 间数据和外部共享数据、 模型参数数据。 • 水利专题模型： 来水预报 、 需水预测 、 水资源配置 、 输配水联合调度 、 田间灌排及水旱灾害防御等模型 • 智能识别模型： 遥感识别 、 视频识别 、 音频识别等 • 可视化模型： 应满足仿真模拟 、 综合展示等需要 渗压、 渗流、 位移监测等 （ 2811 条） 边界、 水系、 渠系、 各类水工建筑物、 水库设施等 灌区 DOM/DEM 数据、 重点区域倾斜摄影、 BIM 模型数据等 种植面积、 来水预测、 需水预测、 水量分配、 水量调度等 取水许可、 供水统计、 水费结算、 量测水管理、 农业水权及节水管理等 管理体系、 巡视检查、 监督考核、 维修养护、 涉渠项目、 安全管理等 水政巡查、 水政执法、 水政管理 防洪调度 数 据 资 源 中 心 P17 1 、数字孪生平台 - 数据底 板 灌区及各干渠种植面积 多年平均毛来水量、 多年平均净来水量、 本年以来水量、 本月多年平均来水量、 预测方案 生活、 工业、 农业、 生态需水的实时供水流量、 平均年供水量、 本年已供水量、 本月已供水量 等年度及月度的兴利计划方案数量、 优化调节方案数量 ，计划申报情况 调度指令每年度申请及执行情况

.21 2.2.2 事件响应联动机制......................................................................23 2.3 交通预测分析......................................................................................25 2.3.1 数据收集与处理 数据收集与处理.........................................................................27 2.3.2 交通模式预测模型......................................................................29 3. 自动驾驶技术.................... 75 5.1 共享汽车/单车的智能调度..................................................................77 5.1.1 用户需求预测.............................................................................79 5.1.2 资源优化配置......

...............15 第三章 需求预测 ...................................................................18 第一节 基本思路和方法 ..............................................18 第二节 全市生产性物流量预测 ........................ ...........19 第三节 重点产业分析预测 ..........................................23 第四节 用地需求预测 ..................................................28 第四章 发展战略及定位 ................................................ 经济开发性质的城市物流功能区域 。 同时， 也是依托相关物 流服务设施降低物流成本， 提高物流运作效率， 具有产业发 展性质的经济功能区 。科学编制《东台市生产性物流园区发 展规划》，系统预测东台生产性物流需求， 明确园区战略定位、 重点业态、发展目标、空间布局和运营管理模式， 对于指导 东台市生产性物流园区开发建设， 服务全市制造业高质量发 展具有重要意义。 第二节

成训练之后，可以将类似反向对接技术的时间复杂度降低到线性级别，甚至提高 精度。AI也可以进行蛋白质结构的预测，从而帮助结构相似性分析等技术的实 现。 基于上述所提的AI在靶点发现中的应用，本文将依据近期的AI医疗相关论 文，为大家介绍AI在药物靶点发现中的两个应用: 驱动新颖靶点的发现，预测蛋 白质结构。并将为大家介绍这些方法的技术细节以及局限性。 医学大语言模型驱动新颖靶点的发现 目前已 相关靶点，这验证了 大语言模型在新颖靶点预测及靶点优先级排序中的潜力。 BioGPT-G工作原理 细分领域额外预训练：作者将Microsoft已经预训练得到的医学文本大模型 BioGPT作为baseline，利用与靶点发现更相关的美国国家卫生研究所 （NIH）科研基金资料对其进行了额外的预训练，以期望提高BioGPT在靶点 发现这一细分任务上的预测性能。额外预训练的BioGPT被称为BioGPT-G。 BioGPT-G 衰老疾病相关靶点预测结果，图片引自[2] 使用大语言模型进行新颖靶点预测的缺陷及展望 虽然BioGPT-G在衰老相关靶点预测的任务中取得了令人欣喜的结果，但毫 无疑问其仍有着严重的缺陷。BioGPT-G虽然能给出6个已经报道过的靶点，但 另外2个新颖靶点在专业研究人员看来仿佛空穴来风，因为我们无法去理解大语 言模型给出这些结果背后的逻辑，且目前也没有一个令人信服的预测准确率数 据。因此，