芝加哥2017能源領域AI峰會見聞

來自專欄 人工智慧商業前幾天在芝加哥參加Utility Analytic Summit 2017，對數據分析和人工智慧在整個美國能源行業的現狀有了一些更深入的了解。

總體感覺是與其他行業如IT或金融保險相比，AI在能源領域才處於萌芽階段，大部分公司對AI還抱著觀望的態度。

有幾個實力雄厚的企業如Duke Energy，South California Edison和PG&E已經開始設立數據科學部門並搭建自己的數據分析和機器學習平台，也看到幾個很好的工作，相信明年會有更多有意思的工作出來。

數據和實際業務的有機結合

會議的中心議題是如何運用數據和模型來支持企業決策。

然而對數據模型而言，無論其如何複雜精密，如果不能說服企業決策者採用則終究逃脫不了被束之高閣的命運。

因此Open Energy Efficiency的Matt Gee提出，好的數據科學家也應是個談判高手，需要與公司決策者（stakeholders）進行有效溝通，清楚告知模型具體解決的實際問題，與傳統方法相比它的優點以及局限性。

我感到，至少從目前而言，大部分實際採用的模型在數學上並非十分複雜，真正的難點在於相關數據採集以及與用戶現有系統和實際業務如何無縫對接。

如何成就一個好的數據科學家？

ComEd的Norayr Matevosyan討論了數據科學家需要的基本素質。

簡言之，數據科學家是統計學家+程序員+黑客+溝通者。數據科學家需要對數據具有高度敏感性，對數據中的統計關聯或雜訊瞭然於胸，可以透過紛繁複雜的數據中看到問題本質。

此外，大量的數據分析，清理和可視化工作依賴程序腳本，所以紮實的程序設計功底必不可少。

數據科學家的工具箱中包括Python，R，Pandas，R Shiny，D3，Scikit Learn， Hadoop，Spark，Jupyter Notebook，Zeppelin等等。

還有，數據科學家也需要有些 hacker spirit，在碰到瓶頸時經常需要跳出條條框框，think out of box。

最後，數據科學家也時常扮演溝通者的角色，需要具備極強的學習以及向非技術人員解釋技術問題的能力。

數據科學在能源行業中的典型應用

在整個conference我們討論的議題包括：

- 電網可靠性：評估電網系統性風險及預測斷電。

- 負載及價格預測：對地區未來一段時間內負載以及電力價格進行預測。

- 設備管理及投資回報分析：對變壓器等重要設備進行預測維護（Predicative Maintenance）並計算投資回報。

- 客戶端分析：電錶水表監控，竊電監測（Theft Detection），高用電預警，基於用電模式的用戶畫像（Profiling）及聚類（Clustering）。

- 新能源生產及消費模式：可再生能源集成（Renewable Energy Integration），分時計費（TOU Rate），分散式發電及存儲（Distributed Generation／Storage）和負載反饋（Demand Response）

Duke Energy的Martin Cardenas 介紹了如何運用機器學習改進系統中變壓器與電錶的動態映射。這個工作對日後變壓器的Predicative Maintenance相當重要。

我也做了題為「Using Machine Learning to Solve Long Standing Utility Challenge」的報告，介紹了我們運用AI預測故障水表的工作，會後反響不錯。

這個工作集合大量水電消費數據建立機器學習模型，將故障水表預測準確率從20%提高至80%，大幅降低了公司出車頻次和水費損失。

點滴分享，希望能帶給你一些啟發。

請關注我們微信公眾號aihelps。歡迎加入人工智慧商業化社群交流，請加微信號12956250。

特別提示：

本文章由亮劍會提供，亮劍會是鄒洪亮和胡曾劍聯合創辦的AI商業應用社群，致力於人工智慧的商業化。

鄒洪亮，電子商務資深顧問，擁有15年豐富的互聯網一線操盤經驗，曾任500彩票網(紐交所: WBAI)副總裁。移居加拿大後，創辦Havlek諮詢公司，為加拿大著名企業MEC、JYSK、Saje、Uniserve等提供雲架構設計、大規模計算、商業智能分析等服務。

胡曾劍，Simon Fraser University 計算機博士，人工智慧科學家，專長演算法設計、運籌學、機器學習以及智能軟體開發。現在美國著名能源交易服務公司The Energy Authority 任職Research Scientist，2014年作為首席架構師項目獲得運籌學最高獎Edelman Prize 提名。