ChatGPT火爆 電力AI春天來了么?

　　最近ChatGPT爆火，在文字和視覺內(nèi)容的AIGC方向，確實達到了某種臨界值，涌現(xiàn)出“智能”。

　　趁著這個熱度，AI方向也很火，最近看了幾個能源、電力方向的AI創(chuàng)業(yè)公司的BP，感覺就是“干啥都沒想明白，就出來融資了”。

　　電力AI的春天真的來了嗎?

　　(來源：微信公眾號“魚眼看電改” 作者：俞慶)

　　回歸本質(zhì)，AIGC的奇點突破，個人覺得是三個因素的結合：

　　1、GPT是人類神經(jīng)元的仿生產(chǎn)物

　　NLP為代表的GPT類AI，是計算機神經(jīng)元網(wǎng)絡算法，其本質(zhì)是對人類大腦皮層的神經(jīng)元網(wǎng)絡模擬。

　　而語言、音樂、圖像，甚至味覺信息的處理和智能想象，都是人類大腦作為一種“蛋白質(zhì)計算機”，在長期進化中積累出來的功能。

　　所以GPT作為仿生產(chǎn)物，自然最適合處理同類的信息，也就是非結構化的語言、音樂、圖像。

　　其處理的機制，也不是意義的理解，而是一種提煉、識別、聯(lián)想。這就是非常吊詭的一件事。

　　早期的語音語義識別算法，本質(zhì)上是建立語法模型和語音庫，然后把語音對應到詞匯，再把詞匯放到語法庫里去理解詞匯的意義，最后得到識別結果。

　　這種基于“邏輯機理”的語法識別，識別效率一直徘徊在70%左右，比如IBM在上世紀90年代推出的ViaVoice識別算法。

　　AIGC不是這么去玩，其本質(zhì)是不去管什么語法，而是建立一個神經(jīng)元網(wǎng)絡算法，讓計算機自己去統(tǒng)計不同詞匯之間的概率聯(lián)系，是神經(jīng)元的聯(lián)系，而不是語義的聯(lián)系。

　　很像我們小時候?qū)W母語，我們自然就學會了，而不是一開始去學習“主謂賓、狀定補”，然后去理解一段話。

　　這就是AI的思維模型，是識別，而不是理解。

　　這也是AI對所有經(jīng)典機理模型的顛覆意義——計算機不用在邏輯層理解這件事，而是識別、認識到內(nèi)在信息之間的關聯(lián)關系，就知道了。

　　比如電網(wǎng)的潮流狀態(tài)和潮流預測，基于經(jīng)典電力網(wǎng)絡仿真，是建立機理數(shù)學模型，然后用矩陣算法去收斂。未來可能不需要了，AI直接就根據(jù)每個節(jié)點的狀態(tài)去識別和預測出某個模態(tài)班圖(Pattern)。

　　節(jié)點越多，而經(jīng)典矩陣算法越不喜歡，因為算法復雜度隨節(jié)點數(shù)量增加，幾何級數(shù)的增加，而AI偏偏喜歡超大規(guī)模的節(jié)點并發(fā)，因為識別和預測最可能的網(wǎng)絡模態(tài)是AI擅長的。

　　無論是圍棋的下一步預測(AlphaGO可以預測后面幾十步，每一步都有無數(shù)種可能)，還是天氣復雜系統(tǒng)的模態(tài)預測，AI的精確度都比機理模型高很多。

　　電網(wǎng)之所以目前不需要AI，是因為省級調(diào)度管理的220kV及以上的電力網(wǎng)絡，節(jié)點數(shù)量不多，而且設置了很多條件對矩陣線性化，稀疏化，極大降低了機理模型的計算復雜度。

　　但是到了配網(wǎng)潮流階段，面對一個大型配電網(wǎng)里幾萬、幾十萬的電源節(jié)點、負荷節(jié)點、傳統(tǒng)矩陣算法是無力的。

　　我認為未來AI在配網(wǎng)層面的模式識別將成為可能。

　　2、非結構化信息的積累、訓練與生成

　　AIGC之所以獲得突破，第二個原因是信息的積累程度。從語音的A/D轉(zhuǎn)換(麥克風+PCM采樣)，到圖像的A/D化(CMOS+色彩空間映射)，人類過去幾十年，用極低成本的方式，積累了視覺、聽覺領域的全息數(shù)據(jù)。

　　尤其是攝像頭、智能手機的大規(guī)模普及，人類在視聽領域的，非結構化數(shù)據(jù)積累幾乎零成本，互聯(lián)網(wǎng)上文字信息的爆發(fā)性積累，是AIGC訓練的關鍵——訓練數(shù)據(jù)集不要錢。

　　上圖是全球數(shù)據(jù)的增長趨勢，明顯呈現(xiàn)指數(shù)級趨勢，這種數(shù)據(jù)積累的非線性增長，是AIGC能力非線性增長的基礎。

　　BUT，這些數(shù)據(jù)大部分都是非結構化的視聽數(shù)據(jù)，是零成本積累的。

　　在電力領域，這點是做不到的，首先電力行業(yè)絕大多數(shù)是結構化、半結構化數(shù)據(jù)，比如電壓、電流，是時間序列的點數(shù)據(jù)集合，是半結構化的。

　　結構性數(shù)據(jù)集合，需要讓計算機理解，是需要“對齊”的，比如設備對齊——一個開關的電壓、電流、功率數(shù)據(jù)，都需要對齊到這個節(jié)點上。

　　還有更麻煩的是時間對齊，要根據(jù)時標去對齊電壓、電流、有功無功，這樣才能后續(xù)識別。還有正反向，是四象限的空間對齊。

　　不像文本數(shù)據(jù)，不用對齊，一段話扔給計算機就行了，它自己去識別出可能的信息關聯(lián)。

　　為了對齊這件事，比如營配數(shù)據(jù)的設備對齊，而且是不斷需要對齊，因為中低壓配網(wǎng)每天都在增刪改設備和線路，電網(wǎng)公司花費巨大的人工成本。

　　和“數(shù)據(jù)標注”一樣，這件事計算機做不了。

　　其次，電力領域的數(shù)據(jù)獲取成本很高，都要裝傳感器，而不是有個手機就能說話拍照。電壓每降低一個等級(或者配電關系每降低一個層級)，所需傳感器投資至少增加一個數(shù)量級，要做到負荷側(cè)(毛細血管末端)的感知，那更是天量的數(shù)字化投資。

　　如果要識別電網(wǎng)暫態(tài)模式，那需要高精度高頻采樣，那成本就更高。

　　因為數(shù)據(jù)獲取和數(shù)據(jù)對齊的邊際成本極高，導致電網(wǎng)目前無法積累足夠的、呈非線性增長的數(shù)據(jù)信息，去訓練一個達到AI奇點的算法。

　　更別說數(shù)據(jù)的開放性，一個電力AI創(chuàng)業(yè)公司，是不可能拿到這些數(shù)據(jù)的。

　　所以AI之前，必先解決數(shù)據(jù)集的問題，否則通用AI代碼是訓練不出一個好的AI的。

　　3、算力突破

　　AIGC的奇點突破，除了算法和數(shù)據(jù)，還有就是算力突破，傳統(tǒng)CPU不適合做大規(guī)模并發(fā)的神經(jīng)元計算的，恰好是GPU在3D游戲和影視方面的應用，使得大規(guī)模并行的浮點+流計算成為可能，摩爾定律更使得單位算力的計算成本下降。

　　電網(wǎng)AI，未來必然的趨勢

　　隨著大量分布式光伏、分布式儲能的并網(wǎng)，以及負荷側(cè)虛擬電廠的應用需求，客觀上需要對公共配電網(wǎng)系統(tǒng)、用戶配(微)電網(wǎng)系統(tǒng)，進行源、荷預測，以及配(微)網(wǎng)的實時潮流優(yōu)化。

　　配網(wǎng)側(cè)的計算復雜度其實高于輸電網(wǎng)調(diào)度，即使一個商業(yè)綜合體，負荷設備就可能幾萬幾十萬，開關成百上千，基于AI的微網(wǎng)/配網(wǎng)運行控制需求將會出現(xiàn)。

　　而傳感器的低成本化，固態(tài)變壓器、固態(tài)開關、逆變器(變流器)等功率電子設備大量使用，在電網(wǎng)邊緣的感知-計算-控制融合也成為創(chuàng)新的趨勢。

　　所以電網(wǎng)的AIGC，是未來。只不過，今天需要的，不是馬上拿個AI算法出來圈錢，

　　而是先解決AI所需的數(shù)據(jù)基礎構建問題

　　在AIGC的熱潮中，對電力AI的應用水平與未來，需要有足夠的冷靜思考。

　　目前電力AI意義不大：比如一個預測精度90%的光伏算法，放到交易偏差門檻5%的現(xiàn)貨市場里，算法偏差就把交易利潤全部干完了。

　　數(shù)據(jù)是水，算法算力是渠，水到渠成。