基于人工智能的新能源并网运行实时监测方法

邓斐杰

【关键词】人工智能；新能源；并网运行；实时监测

引言

电着科学技术的不断发展，我国已经进入现代化发展的进程中。现在，人工智能的相关技术已成为时代发展的主要潮流，人工智能的不断发展，让全世界各个国家都投来了关注。因为人工智能的核心技术更加地智能化，使计算机网络变得更加有特点，且更加人性化。而且人工智能在处理事务时，不仅能模仿人类的行为方式，而且还能利用自身的特点将各种复杂的数据信息，进行有效的整理和储存。虽然近几年我国的现代化正在快速发展，但是整体的信息建设、人工智能以及新能源等新兴发展的技术还是要比西方的发达国家晚很多[1]。并且在实时的建设过程中，因缺少高科技的技术人才，导致我们国家在发展新兴技术的时候，遇到了很多无法避免的阻力。

随着最近几年我们国家的不断发展，以及政府对科学积极的大力支持，我们国家在很多行业内都增加了人工智能的发展技术，并且也取得了一定程度上的效果。人工智能技术的发展是以计算机网络技术为基础，利用智能的控制及识别系统，实现对其进行更加智能的控制，在提高自身识别能力的基础上，也可以提高工作时候的效率。而新能源是我们国家未来重点发展的主要行业之一，通过对新能源相关数据进行监测，是可以了解到我们国家当前每日所消耗的能源以及可再生或不可再生的能源信息数据。传统的能源监测方法其内部数据处理中心相对比较单一，就会导致在面对大量数据时，无法做到准确而且快速地监测到所需要的相关数据信息。所以就需要在传统的能源监测方法基础上，增加人工智能技术，实现新能源并网运行的实时监测。

一、基于人工智能的新能源并网运行实时监测方法

（一）建立新能源运行实时监测系统

1、采集数据并建立传输组网

采集数据的形式主要分为直接方式采集以及间接方式采集，直接的采集方式就是使用传输控制协议或者用户数据报协议，以及超文本傳输协议等相关网络协议，把网络服务器与采集数据的终端设备进行直接的数据通信连接。任何一台采集数据的终端设备都是可以通过“程控输出入”的方式，采集到所有能源监测设备所在的位置点信息[2]。这种使用直接方式进行数据采集的时候，是可以监测到能源中某一特定的数据信息，针对能量消耗过程中不重要的相关环境数据信息可以简单地忽略不计，如此网络中数据实时监测的冗余度相对还是比较低。而间接的方式主要是与其他系统进行数据信息相互共享，需要利用第三方来对能源信息进行监测和管理，再利用监测内部系统平台对数据信息实现共享，内部系统再对庞大的数据信息进行提取和过滤[3]。下图1则为新型采集数据的架构示意图。

图 1 新型采集信息数据库架构示意图

新型采集信息数据库通过在传输过程中加入数据信息列表，从而避免了数据信息源与信息数据库之间直接的联系，将采集到的数据信息利用数据信息列表中整理交换的相关模式，把整合之后的数据信息传输到信息数据库之中。这样可以有效减少信息源跟数据库之间的直接联系，避免过程的繁琐，从而提高了数据信息传输到数据库中的效率[4]。

2、分析及处理相关数据信息

传统方法是仅针对同一类型的数据进行处理，而对于其他不同种类的数据信息进行统一管理的时候，不同数据中存在差异的部分，处理起来相对会麻烦一些，因此需要建立新型的数据处理模式，具体情况如下图2所示。

图 2 新型数据处理模式架构示意图

如上图2可以看出，对已经在数据库中的信息使用数据信息分发缓存技术，让其可以直接保存到网络内存之中，再利用不同能源的类型对其进行更加细致的分类，将其放入到与之相关的处理单元模式之中[5]。将数据库内部的数据按照对应的处理模式进行处理，减少对数据读写的相关操作，从而提高数据处理的工作效率。

（二）增加系统内部并网运行数据库

通过在系统内部增加极端梯度提升算法（简称XGBoost），是可以实现系统内部大规模的并网运行，它不仅可以让提高系统内部运行速度，还能够提升工作效率。XGBoost中最基本的分类器是CART（又称分类与回归树），它主要就是通过对多种数据结果进行相互整合，从而提高数据的精准度。假设有个相关数据信息，那么构成相关数据集合的模型，就如下式（1）所示。

新能源监测主要就是风能、电能、光伏能、地热能以及太阳能这几种主要的新型能源，包括上述几种能源相关数据信息的采集、整理与分析，通过电子地图来提供相关提示信息，通常使用的数据展现形式是柱状示意图、折线示意图和表格等。在对每一个相关指标数据信息进行实时监测的时候，需要检测到的数据信息包括当天所产生的信息数量、与总数量相关的全部信息、强度以及排量等[9]，至此实现基于人工智能的新能源并网运行实时监测。

二、应用的实验测试

（一）实验准备工作

为了测试此次提出的新能源并网运行实时监测方法的可靠程度和实际使用效果，选择某地区新能源基地作为测试对象，测试实验的周期为1个星期共计7天。共采集数据2000组，分别使用两种方法对其进行实时监测。由于实验时间相对比较长，可能就会有数据异常或者缺失等情况出现，因此需要在监测之前先对数据进行筛选，选择出有用的数据来提高其准确性。

（二）数据检测及反馈效果

实验测试是在相同环境下，相同时间内进行。将采集到的2000组数据平均分为A、B两组，其中A组为使用传统办法进行的新能源实时监测，而B组则是使用人工智能后对其进行的实时监测。为了保证此次实验结果的准确性，并且保证得出结果是有效的，本次实验将对比两组数据，具体见下图4所示。

图 4 不同监测方法準确程度示意图

由上述图4可以看出，传统方法在进行监测的过程中，当数据信息的数量在200个左右的时候，其准确率是可以维持在70%左右；当数据信息的数量超过200个的时候，准确率整体出现下降的趋势并且最终的准确率只维持在40%。而利用人工智能方法在进行检测的过程中，当数据信息的数量在100个左右的时候，其准确率就已经能够达到82.5%，即使当数据信息数量到达1000的时候，其准确率也能够维持在 80%左右，整体的平均准确率则为83.57%左右。

明显可以看出，基于人工智能的新能源并网运行实时监测方法的准确率会更高一点。在对比两种方法准确率的基础上，为了保证检测结果的准确性，需要对两组再次进行关于实时监测速度的对比实验。本次实验共进行15次，下表1则为两种方法具体数据统计结果。

表 1 两种方法监测速度对比结果（s）

根据上述表1显示的数据可以看出，传统方法在进行监测的过程中，实时监测速度是在12.5秒到13.5秒之间；但利用人工智能方法在进行检测的过程中，实时监测速度是在5.5秒到6.5秒之间。通过上述的数据显示出传统方法实时监测的平均速度为13秒，而基于人工智能方法实时监测的平均速度则为6.144秒，明显可以看出基于人工智能的新能源并网运行实时监测方法，实时监测数据的时间会更短。

综上所述，传统方法在对新能源并网运行进行实时监测的时候数据信息的准确率是没有办法保证的，并且其实时监测的速度也相对较长；而使用了人工智能的方法之后，则可以更加高效而准确地对新能源并网运行进行实时监测，从而实现对我们国家新能源更加精准细致的监测与分析。

结束语

此次提出的对新能源并网运行进行实时监测的方法是在我国传统监测方法的基础上，结合人工智能研究出更加准确的实时监测方法，解决了传统方法所存在的问题。本文主要将重点放在运行和智能检修方面，设计出更加完善的人工智能系统，在保证准确率的同时，也提高了数据监测时的安全性。但是由于时间的限制，此方法还存在着许多不足，在接下来的研究中，将继续对本文提出方法进行完善，以期为新能源并网运行的实时监测提供参考价值。