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

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；

能, 并针对各个层次的关键技术, 包括低空组网覆盖和资源分配技术、网络资源孪生建模与状态同步 技术、动态网络性能状态的小尺度预测方法、业务需求自适应的资源映射机制和管控智能体部署方案 等, 进行了介绍. 结合关键技术, 本文进行了低空智联网自智管控实例设计, 验证了网络性能预测机 制、资源状态孪生同步机制以及低空网络自主部署机制的有效性. 最后总结低空智联网的未来技术挑 战, 为未来低空智联网的智能化、自主化运维提供了技术参考 固定配置” 模式难以 适应低空场景中通信、计算、频谱资源的动态耦合需求 [5]. 再次, 故障恢复时效性不足. 人工介入的故 障定位与被动式处理流程无法满足低空业务实时性要求, 缺乏基于自主学习的故障预测、分析和恢复 能力 [6]. 最后, 安全防护体系碎片化. 传统安全机制难以应对低空跨域场景下的新型威胁 [7], 如无人机 身份伪造、数据跨域传输泄露等问题. 为应对上述挑战, 本文引入以自智网 其核心思想是, 通过在虚拟空间构建与物理网络环境对应的数 字孪生体, 实时采集与映射低空智联网的网络拓扑、资源状态、业务需求、环境信息等; 借助大模型、 分布式 AI 等新型技术实现对网络的智能感知、预测与自适应管控; 并支持故障快速自愈, 从而保证业 务连续稳定运行与网络资源高效利用. 喻鹏等 中国科学 : 信息科学 2025 年 第 55 卷 第 10 期 2451 1.1 低空智联网研究现状

.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

零碳智慧园区标准解决方案 PACK 喷 头 能源管理系统 EMS 电池老化—基于实际运行条件，预测及提高电池寿命 Aging 。 rate 1 日历老化 电池老化机制 整体老化程度 二 f ( 日历老化，循环老化 ) soC Max% C-rate Cmax □L. 叶 Min 略，包括优选充放电时间以及充放电能量 机器学习算法根据历史大数据进行进一步优化 结合电池实时状态和实际运行工况，指定 SoC 充放策 略 储能系统实时状态 最大功率限制 负载曲线一实时及预测值 光伏发电曲线一实时及预测值 DD0 DDO DD0 24 提供异常状态的及时感知和报警。 可基于云端的资产健康管理系统，进行远程诊断健康 状态，降低停机时间，实现更高效的运维。 可搭配“源 - 网 - 荷 - 储”柔性调控算法，实现更精准、更 高效的能源预测和调配。 优化 SoC, 减少电池循环老化，延长电池使用寿命。 可嵌入多种能源管理算法，实现最大化投资回报。 零碳智慧园区标准解决方案 2 3 26 ABB ABILITY 智慧能 源

D 轧钢环节 n 现状评级：★★ n 工具链：钢铁行业利用数字研发平台、生产工艺模拟、工艺流程设计等软件 ，开展新钢种性能预测 ，以及热处理、连铸、轧钢等工艺仿真优化 ，提升了钢铁行业创新研发与试验验证效率和质量。 n 数据链：钢铁企业利用标准化接口 ，加速 LI MS 与 PLM 、 MES 等系统数据互通 ，实现研发设计、试验与生产全链条数据贯通 降本 现状评级 ：★★★ 工 具软 件 ： 炼 钢工 艺 模拟 软 件、 钢 铁生 产工艺优化软件、钢铁工艺流程设计系统 知识模型 ：质量控制与缺陷预测模型、微观组织演变模拟 ，动态非线性系统仿真 数 据要 素 ： 原 料信 息 、生 产 过程 参 数、 设 备状 态 数据 、 产品 质 量检 测 数据、环境因素数据、经济成本数据 人 才技 能 ： 热系数、球盘转速数据、新增图像采集数据、盘内加水 量数据、流量检测数据、生球粒径数据、生球合格率 人才技能 ： 自动化技术、工艺优化技术、计算机科学、 数据科学、软件工程 痛点问题 ：监测参数有限 ，缺乏预测和优化功能 ，特 别是回转窑监测只能监测窑头 ，缺乏窑尾监测。 YB01-C-2-11 主场景：精炼智能控制 现状评级 ：★★★★ 工具软件 ：精炼过程控制、 自动接电极系统、钢包底 吹氩自动控制系统、

七、工业大数据应用 课程目录 五、工业大数据分析  认识大数据分析过程  理解机器学习的相关概念  理解两种不同预测算法的应用场景 知识目标 技能目标  掌握数据分析工具的安装和使用方法  掌握两类常见的回归和分类预测方法  能够使用数据分析工具进行分类预测分析 学习目标 五、工业大数据建模 •大数据分析过程 •建立算法模型的关键 •机器学习及应用场景 •机器学习类型 •认识算法建模工具 •回归分析算法思想 •如何评估归回分析模型的优劣 •建立归回分析模型的步骤 •使用回归分析进行预测 •Weka ：导入数据集 •利用散点图观察数据的变化趋势 •选择线性回归算法 •设置训练集、验证集数据 •执行训练 •分析误差 •分类分析算法思想 •如何评估分类模型的优劣 •查准率、查全率、 ROC 与 AUC •使用分类分析进行预测 •Weka 导入数据 •选择分类算法 •设置训练集、验证集数据 •分析误差、可视化 •分析误差、可视化 •拓展知识 •集成学习、聚类分析、关联规则、时 间序列 （一）使用大数据分析工具 （二）使用回归分析预测 （三）使用分类分析预测 内容组成 大数据分析过程 五、工业大数据分析  大数据分析 对海量数据进行探 索和分析，揭示隐藏 的、未知的或验证已 知的规律性，并进一 步将其模型化的过 程，也就是建立经验 模型。 五、工业大数据分析  算法选择 根据要解决的具体业务问题来构建或选择算法。

的 调研， 全面了解其在新材料研发 、生产 、应用等各个环 节的 数据需求 。从材料研发过程中的实验数据采集与分析 需求 ， 到生产过程中的工艺优化和质量控制数据需求， 再 到市场应 用中的需求预测和产品反馈数据需求， 进行细致 梳理 。以这 些实际需求为出发点 ，精准确定数据空间的功 能模块和建设 内容 ，确保数据空间能够切实解决新材料产业发展中的实 际 问题， 为用户提供具有高度针对性和实用性的数据服 节点上进行并行计算，大大缩短了数据分析时 间。Spark 则 基于内存计算， 具有更高的处理速度和更灵 活的编程模型 ， 能够支持实时数据分析 、交互式查询和机 器学习算法的快速 迭代。在进行新材料性能预测模型训练 时，Spark 能够将训 练数据存储在内存中， 实现快速的数 据读取和计算， 加速模 型训练过程 。同时， Spark 还提供 了丰富的机器学习库 （MLlib） 和图计算库 （GraphX）， 、转换和集成处理后的数据， 开展深入的数 据 分析和挖掘工作， 为新材料研发和产业应用提供全面 、 精准 的支持 。利用机器学习 、深度学习等人工智能算法， 构建高 性能的新材料性能预测模型 、工艺优化模型 、市场 需求预测 模型等， 实现数据驱动的创新 。同时， 开发各类 丰富多样的 应用服务， 如数据查询 、报表生成 、可视化展 示 、智能推荐 等， 方便用户便捷地获取和利用数据， 为用 户提供良好的使