Penyelidik menggunakan kecerdasan buatan untuk meramalkan permintaan elektrik

Sejak beberapa dekad yang lalu, pencarian cara yang lebih tepat untuk meramal penggunaan tenaga telah menjadi usaha yang sia-sia untuk pembekal dan pengurus grid kerana kebanyakan grid masih bergantung pada model ramalan yang merujuk terutamanya kepada sejarah penggunaan dan ramalan cuaca.

Data trafik jalan raya dan rel berkait rapat dengan aktiviti, membolehkan pengurus grid memahami dengan lebih baik kawasan bandar atau bandar yang memerlukan kuasa dan kawasan yang memerlukan kurang kuasa. Dalam ujian, model AI telah digabungkan dengan model ramalan penggunaan tenaga tradisional untuk membuat ramalan yang tepat dua hingga enam jam sebelum penggunaan tenaga berlaku.

Model masa nyata juga mampu memberikan ketepatan semasa masa krisis, seperti selepas bencana alam atau sekiranya berlaku wabak lain. Data trafik dan rel akan dapat mengenal pasti dengan cepat jika tingkah laku berubah dan mengalihkan tenaga ke kawasan bandar yang berbeza.

Apabila bilangan kenderaan elektrik bertambah, hubungan antara pengangkutan dan permintaan elektrik akan menjadi lebih rapat. Ini bermakna data trafik mungkin menjadi lebih penting dalam meramalkan penggunaan elektrik.

Dengan angin dan suria membanjiri grid nasional, turun naik bekalan tenaga menjadi lebih ketara, jadi ramalan penggunaan yang paling tepat adalah penting bagi pengendali grid untuk mengelakkan kekurangan kuasa atau pemadaman. Ditambah dengan permintaan yang semakin meningkat untuk tenaga, model ramalan masa lalu mungkin tidak dapat mengekalkan tahap ketepatan yang tinggi.

Dalam ujian susulan untuk menentukan sama ada model AI boleh melengkapkan model tradisional, para penyelidik mendapati bahawa ia hanya meningkatkan sedikit ketepatan. Pada masa ini, nampaknya kecerdasan buatan boleh dibenamkan ke dalam model lain untuk memberikan ketepatan yang lebih tinggi.

Atas ialah kandungan terperinci Penyelidik menggunakan kecerdasan buatan untuk meramalkan permintaan elektrik. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!