由 dawei 从有闭门造车之嫌的数据模型优化，到深度融入各行各业， 蛰伏五十年后，人工智能行业进入快速爆发期。
在能源领域，这种深度参与表现得尤为明显， 无论是保障能源安全，还是助力清洁能源消纳， 人工智能都在扮演越来越重要的角色。
2012年以前，人工智能技术还很难做到图像识别后即时处理。近年来，人工智能技术已经步入“深水区”，智能家居、智能穿戴等已走进寻常百姓家，更加深度的应用诸如AlphaGo、无人汽车也在展现人工智能的实力。
相较于生活场景，人工智能在能源领域的应用更偏向数据导向。以发电领域为例，以往数据可能仅仅来自于火电、水电、核电这类发电量大且相对稳定的电厂。近几年，风电、光伏等新能源发电项目快速增长，这些新能源项目有的尽管规模很小，但数据量仍然很大。或大或小的项目，产生了可观的数据，并成为人工智能快速发展的数据基矗
这些数据可能是结构化的，比如在某一个时刻的发电量、输电量，也可能是非结构化的，比如一张照片、一段录音。在数据越来越集中的当下，数据处理对于人工智能的依赖性大大增强；同时，人工智能也需要数据来完善其准确性与可靠性。
两类养料 均不可少
人工智能需要海量的数据来“喂养”。如果把人工智能看成一个嗷嗷待哺的婴儿，某一领域的海量数据就是“喂养”它的奶粉。奶粉的数量决定了婴儿能否长大，而奶粉的质量则决定了婴儿的智力发育水平。
最开始，我们用结构化数据“喂养”。传统的数据都有确定的格式，它们属于结构化的数据，能够在数据库里面查找，可以通过传统大数据的处理方式，比如回归、拟合、分类或者降维，寻找数据内的规律、描述数据的情况，用于下一步的预测和分析。
近几年，图像、语音、视频等数据的应用越来越多，非结构化的数据量也逐渐增大，这些数据在现在的能源领域扮演了越来越重要的角色。这类数据不像结构化的数据，在对它们进行拟合、翻译、对话、视频处理、图像识别的过程中，以前主要的处理方式是通过人工，而如今人工智能技术特别是随着卷积神经网络算法的发展，机器也能够在语音、图像、视频方面发挥它们的作用。非结构化数据的出现，让人工智能的外延迅速扩展，它和结构化数据一起，共同“喂养”人工智能。
在电力领域，原先用电方不存在需求响应，只要供给电，按照额定的功率使用就行。现在形势发生了变化，因为新能源并不稳定，需要消纳，这种情况就可以考虑与用户之间进行需求侧响应互动。用户家中的热水器或者空调，虽然开关打开但并不是每时每刻都需要运转，不需要运转的时候以低功耗的模式运行，这样就能通过数据反馈实现削峰平谷。
同时，指令交互过程中也产生数据，而数据本身就是待挖掘的宝藏。举个例子，在交通方面，伴随着5G自动驾驶技术发展与电动汽车的增加，用电负荷会明显增加，负荷越来越复杂，再加上储能环节，每增加一个环节，数据量就会呈几何指数增加，而这些不断扩展的数据，就是人工智能发展的重要“养料”。事实上，海量数据与高速并行运算以及更优化的算法三者的快速进步，共同促成了人工智能在近几年的发展和突破。
重点应用：智能巡线与卫星识别
一直以来，无人机巡线是人工智能在能源领域的重点应用，其中涉及图形图像的分析。以往这些图像的识别分析只能通过人眼，随着人工智能技术的引入，前期繁复的语音、图像的分析处理工作可以通过机器来完成。
近期，我国南方发生了冰冻雨雪天气，目前主要的巡检方式是无人机在巡检路线上拍照，拍成照片后再由人工确认。这种巡检方式不仅需要大量人力，而且可能存在一定的误差。但如果通过神经网络、人工智能的方法处理，则能够实时获得反溃
无人机的摄像头在扫描分析完成以后，还需要进行角度的调整，在处理的过程中发现目前这种图形存在哪一类的故障风险，具体有哪些产生原因，如何通过更换角度来确认相应的原因。如果仅通过人来确认，可能没有办法及时发现，而无人机在自动识别的过程中就可以实时调整这些方案，并实时向后台反馈，节省了时间和人力。
同样是检修，卫星技术也可以帮助电网系统检查检测，探测杆塔是否存在问题，线路区域是否存在异常天气。然而，图像信息的识别和判断需要相当大的工作量，特别是高分辨率的卫星图像，需要确定放大哪一个部分、重点检查哪些区域，这一部分工作如果能够引入人工智能技术辅助，则可以省时间、省精力、省经费。
尽管人工智能技术好处很多，但真正要应用起来也少不了前期的准备工作。特别是在与其他机构合作的过程中，时间点可能要求很严格，需要提前做好模拟测算。成功获取数据后，即时将数据纳入系统中开始运算，否则数据传输到达的时候，因为没有准备好导致不能及时处理，便会造成数据价值的浪费，哪怕这部分数据可以用作以后数据拟合的材料，但是原本可以用于即时预测的数据最终变成了训练材料，其价值也大打折扣。
“术业有专攻”这句话特别适用于人工智能，你把它训练得特别好，它也可能只针对特定的工作特别好，巡检的过程中，线路上的问题使用一套参数，杆塔的问题需要另外一套参数，观察卫星云图又需要其他的参数。如果一开始没有做好准备，数据无法及时处理反而会造成问题，更需要谨慎对待。从这个角度来说，前期工作非常重要，特别是进行数据的训练，包括选取什么样的神经网络，具体的结构、层次、参数是什么，如何去打标签，打完标签怎么训练，训练完了如何依据结果做进行调整，这些工作都需要大量的时间做铺垫。
虽然人工智能是帮助替代部分人工的，但是在前期的发展过程中，更需要专业技术型人才付出大量的时间与精力。
在电力系统中，原来是“源、网、荷”，现在是“源、网、荷、储”；原来负荷端的需求响应不多，现在需求信息响应越来越多；原来调度在一个封闭环境下面，现在调度可能会涉及光伏、风力，包括海上风能还有内陆风能；原来传输都是交流电，现在要区分交流和直流。因此，原有的系统将面临越来越多的挑战，相应问题就需要较为复杂的系统来应对。而尽快拿出相对成熟的解决方案，同时不断地训练、完善人工智能技术，争取缩短研发时间，抢占人工智能领域的科技高地，已经箭在弦上。
（作者系国家电网能源互联网技术研究院首席规划师）