能源系统人工智能方法 课件 第一章 绪论

绪论能源系统大数据分析理论与实践第一节2汇报提纲什么是能源？什么是智慧？为什么需要智慧能源？如何实现智慧能源?GPT类的技术将带来哪些变革?课程安排3人类文明与能源的关系-卡尔达舍夫等级卡尔达舍夫等级其实就是一种用来衡量一个文明的技术的先进程度的方法，以可以制造的能量多少来衡量，这也是目前学界较为认同的一种方法,大致可以分成下面三个等级：级别I：该文明是行星能源的主人，也就是说他们有能力控制整颗母星以及周围卫星的能源。级别II：该文明有能力收集整个恒星系统的能源.例如：我们可以取得木星上的氢气作为自己的能源吗？其实主要的问题就是我们的科技等级还做不到，一旦到达了二级就可以做到了。级别III:又称为星系文明，可以控制整个星系的能量，比如银河系，这个能量就大的吓人了，目前来看这已经是科幻小说的领域了。这个级别的文明基本上和二级文明运作模式差不多，可以收集星球中的能量，只不过不是一个星球，而是数百万个星球，星系对于这种文明来说基本上就是他们的游乐园，甚至星系中心的黑洞也可能被他们用作能量来。4卡尔达舍夫提出一个方程来确定一个文明所处的级别，K代表级别，P代表文明的能耗.人类连这一个文明等级都达不到，人类大约处在0.75级作用。人类文明与能源的关系-卡尔达舍夫等级5薪柴时代薪柴是人类第一代主体能源。火也是人类掌握的第一项技术，恩格斯在评价火的作用时说：“磨擦生火第一次使人支配了一种自然力，从而最终把人同动物分开。”人类能源史6煤炭时代随着蒸汽机的发明，机械力开始大规模代替人力，低热值的木材已经满足不了巨大的能源需求，煤炭以其高热值、分布广的优点成为全球第一大能源。这也随之带动了钢铁、铁路、军事等工业的迅速发展，大大促进了世界工业化进程，煤炭时代所推动的世界经济发展超过了以往数千年的时间。人类能源史7石油时代19世纪末，人们发明了以汽油和柴油为燃料的内燃机。福特成功制造出世界第一辆量产汽车。这一时期起，石油以其更高热值、更易运输等特点，于20世纪60年代取代了煤炭第一能源的地位，成为第三代主体能源。石油作为一种新兴燃料不仅直接带动了汽车、航空、航海、军工业、重型机械、化工等工业的发展，甚至影响着全球的金融业，人类社会也被飞速推进到现代文明时代。人类能源史8新能源时代20世纪30年代以来，随着科学技术的进步，各类新能源开始投入使用，而化石能源带来的全球性危机，也进一步加快了新能源技术进步和实际应用速度。人类能源史9全球能源消耗趋势10能源对当前国际关系的影响11可控核聚变?人类下一个千年能源未来史?12什么是能源？什么是智慧？为什么需要智慧能源？如何实现智慧能源?GPT类的技术将带来哪些变革?课程安排汇报提纲13智慧是一个汉语词语，拼音是zhìhuì，一指聪明才智，二指梵语“般若”（音bo-re）的意译。出自《墨子·尚贤中》：“若此之使治国家，则此使不智慧者治国家也，国家之乱，既可得而知已。”智慧是生命所具有的基于生理和心理器官的一种高级创造思维能力，包含对自然与人文的感知、记忆、理解、分析、判断、升华等所有能力。智慧与智力不同，智慧表达智力器官的综合终极功能，与“形而上之道”有异曲同工之处；智力则谓“形而下之器”，是生命的一部分技能。什么是智慧?141997年电脑深蓝国际象棋比赛中战胜人类冠军152011年电脑Watson美国综艺节目危险边缘战胜人类冠军AI能思考吗？162016年电脑AlphaGo在围棋比赛中战胜人类冠军172017-2023GPT技术的发展模型参数的不断增大技术创新的不断引入应用场景的不断扩展18人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。研究热度时间什么是人工智能（AI）19如何理解当下的人工智能浪潮?20连马桶都叫智慧了吗?!如何理解当下的人工智能浪潮?21什么是能源？什么是智慧？为什么需要智慧能源？如何实现智慧能源?GPT类的技术将带来哪些变革?课程安排汇报提纲我国区域供热供冷系统占全国总能耗约5%，运行过程中普遍有10%-20%的能源浪费主要原因：粗放式运行管理突出矛盾：运行管理人员专业素养普遍较低与节能理论技术水平要求高之间的矛盾技术瓶颈：普遍稀缺能够及时发现运行过程问题的能力22重建设，轻运行重硬件，轻软件重维持，轻节能我国区域供热供冷面积趋势图北方区域供热南方区域供冷供热年均增长率12%为什么需要“人工智能+”？-以城市能源为例23住宅建筑热电联产余热驱动制冷污水废水余热商业建筑工业过程太阳能发热天然冷源垃圾焚烧余热可再生热源图片来源：联合国环境规划署.城市区域能源[R].2015.区域供热供冷系统是一种大规模复杂热力系统，包括热源、冷源、流体输配管网和冷热负荷，具有大惰性、大滞后、非线性等特性致力于解决城市能源智能化问题24典型领域我国大型公建用电总量趋势图用电总量（万亿kWh）我国大型公共建筑约占建筑总面积4%，但能耗却占我国建筑总能耗的20%以上[1]；大型公共建筑普遍有10%-30%能源浪费，主要原因是中央空调系统运行效率远低于预期[1]。[1]中国建筑节能年度发展研究报告[M].清华大学建筑节能研究中心,2014.机场剧院医院医院办公楼商业中心机场以我国公共建筑的中央空调系统为例冷媒循环回风温度传感器温度传感器表冷器压缩机膨胀阀蒸发器冷却塔冷凝器送风放热吸热放热变风量末端（空气-空气）冷水机组（水-制冷剂-水）新风排风空气处理机组（水-空气）7种主要隐性故障制冷剂泄漏存在不凝结气体冷凝器结垢冷却水流量过少制冷剂充注过多冷冻水流量过少蒸发器结垢

…43种故障新风风阀故障混风风阀故障表冷器阀门故障加热器阀门故障…10种故障风阀阀门故障流量传感器故障温度传感器故障控制器故障…中央空调系统故障种类繁多，人工检测诊断理论难度高、工作量大且不及时。以中央空调系统运维管理中设备故障诊断为例上海27幢酒店建筑供冷设备装机容量与实际运行负荷单位建筑面积冷机装机容量的平均值为120W/m2实测单位建筑面积夏季尖峰负荷多数在30~40W/m2，基本上不超过50W/m2冷机装机容量普遍偏大上海市公共建筑供冷供热系统现状调研注：数据来自上海市建筑科学研究院朱伟峰调研成果上海50幢大型公共建筑水泵装机容量与实际运行情况夏季高负荷下，实测一次冷冻水流量/一次冷冻泵装机容量(不包含备用水泵）的平均值为44.5%上海市公共建筑供冷供热系统现状调研注：数据来自上海市建筑科学研究院朱伟峰调研成果2862%的公共建筑安装BA系统52%的建筑提供监测或启停控制真正实现BA智能控制的建筑较少，少于5%上海65幢大型公共建筑注：数据来自上海市建筑科学研究院朱伟峰调研成果上海市公共建筑供冷供热系统自控现状调研29总体能效水平≈

设备性能X控制水平X运维管理水平时间运维水平理想水平实际水平1980s2018时间控制性能理想性能实际性能1980s2018理论技术水平设备性能理想性能实际性能1980s2018随着制造工艺提升和理论技术进步，设备性能已经大幅度提升，整体水平较高弱电工程人员往往控制出身，对系统一知半解，控制策略适应性差运维管理人员的检测、诊断和优化能力严重欠缺时间设备性能运维管理控制策略影响实际制冷系统能效水平的主要因素30据美国RP-1312项目统计，一个典型的AHU中共有68类故障[1]：6个受控设备有25类故障5个设备中有11类故障8个控制器中有8类故障12个传感器中有24类故障案例：阿姆斯特丹博物馆AHU故障

冷却盘管阀持续处于最大开度，热水负荷抵消了冷水负荷。室内环境温度没有受到影响，持续三周后才被发现，浪费了大量的能源。[1]J.WenandS.Li,2011.ASHRAE1312-RP:ToolsforEvaluatingFaultDetectionandDiagnosticMethodsforAir-HandlingUnits-Finalreport,DrexelUniversity,PA,UnitedStates.冷负荷热负荷举例一：空气处理机组（AHU）典型故障31期望故障征兆调适实际变风量系统风阀卡死冷/热量不足定风量系统调整送风温度实际应用中，大部分变风量系统最终变成了定风量系统一个典型VAVBox有10类故障，香港理工团队对香港某商用建筑的1251个VAVbox核查，发现20.9%存在故障[1]J.Y.Qin,S.W.Wang,AfaultdetectionanddiagnosisstrategyofVAVair-conditioningsystemsforimprovedenergyandcontrolperformances,EnergyandBuildings37(2005)1035-1048.举例二：变风量末端（VAVBox）典型故障32冷却水量不足制冷剂充注过量不凝性气体冷凝器结垢16.2%21.3%20.0%8.2%制冷剂泄露蒸发器结垢数据来自美国RP-1043项目实测据美国RP-1403项目调研，运行维护不善可能导致8类冷水机组软故障，且难以人工察觉举例三：冷水机组典型故障33运维技术人员专业素养普遍不高教育程度不高，缺乏必要的基本知识只会开机关机和简单记录运行数据只会简单的维修，经常错误操作运行管理模式落后责任、权利、利益不明缺少有效具体考核方法设计、施工、调试、运行等过程脱节举例三：冷水机组典型故障34领域的主要矛盾：日益增长的节能需求和能源领域不平衡不充分的发展之间的矛盾根本原因当前历史条件下由于我国社会整体水平不高所导致的历史阶段性问题人系统人系统原有的二元关系下难以解决升维到三元关系，提供了新的自由度人工智能对我国现阶段能源系统节能领域问题本质的思考35莫拉维克悖论（1980）“要让电脑如成人般地下棋是相对容易的，但是要让电脑犹如一岁小孩一般的感知和行动能力，却是相当困难甚至是不可能的”对于计算机，困难的问题是易解的，简单的问题是难解的。人类独有高阶智慧在感知环境和行动能力方面，目前仍具有显著优势能够实际手工处置问题计算机有强大的计算存储能力对海量数据的大规模计算、预测、推理、抽象、仿真和存储方面，具有压倒性优势人工智能与人具有能力互补性36专业素养难以提高工作负荷依旧较重人力成本逐渐攀升难以吸引优秀人才信息化成本越来越低互联网物联网普及数据采集量越来越多计算能力大幅提升应用边际成本极低“人工智能”条件逐渐成熟“人”的进步缓慢我来帮您如何解决“人”的问题37规模性：日常大量应用重复性：大量重复工作可能性：人能够做得到！当前人工智能的价值和能力大多体现在具有如下特征的领域：对象问题当前人工智能在工科研究领域探索人类未知方面的作用十分有限！制冷低温领域符合左边特征的：1.批量生产制冷设备2.个性化制冷系统-冷库-建筑中央空调系统产品相关1.设计缺陷不足2.潜在优化设计空间3.产品缺陷运行维护相关1.故障检测诊断2.优化控制运行什么样的对象问题适合AI+？对象问题38什么是能源？什么是智慧？为什么需要智慧能源？如何实现智慧能源?GPT类的技术将带来哪些变革?课程安排汇报提纲39关键科学问题如何让计算机具备领域专家水平的理论知识；如何能够在传感器缺失导致的信息不足和不确定情况下深度理解数据；如何具有通用化的自主性的能效分析、优化运行、人机协同，和持续学习的能力人工智能+热力学系统的实际约束传感器数量少质量不高所导致的“信息不足”问题由于信息不足进一步导致推理过程的“不确定性”问题个人认知:当下智慧+热力学的科学问题40智能电网太阳能发电基于消防水池的水蓄冷吸收式冷机发电机冷机基于模型预测控制方法（MPC）的分布式能源优化控制案例:净零能耗建筑系统的优化设计与优化控制产电用电策略蓄冷用冷策略电网价格高的时候向电网卖多余的电电网价格低的时候蓄冷电网价格高的时候放冷案例:净零能耗建筑系统的优化设计与优化控制42第一类：海量数据高度冗余语音识别（Google）每天超过5亿条的社交语言数据积累。微软机器翻译已达到人类平等水平图像识别（Google）几十亿量级音频库识别80种语言95%的准确率数据量：测点数量远远少于能够描述完整热力过程所需要（量级之差）冗余度低：物理（测点）冗余度低，数值（物理公式角度）冗余度低当下热门的三类人工智能热力系统现状千万量级图片训练16000个CPU运行3天自动生成“猫”的概念机器翻译当下深度学习和大数据技术对热力系统效果如何?43

热力领域现状AlphaGoZero在3天内进行490万次自我对弈练习，以100：0的战绩完胜AlphaGo无人驾驶上路前完成超过100亿公里虚拟行程测试第二类：低成本大量交互试错当下热门的三类人工智能当下深度学习和大数据技术对热力系统效果如何?44系统之间差异较大：每个系统的组成、设计理念、拓扑结构、运行策略和传感器安装均不一样，可类比性很低热力领域现状购物医疗餐饮导航人的衣食住行需求的标准化程度远超能源领域金融租房传媒第三类：与人的需求相关的大数据技术当下热门的三类人工智能当下深度学习和大数据技术对热力系统效果如何?45什么是能源？什么是智慧？为什么需要智慧能源？如何实现智慧能源?GPT类的技术将带来哪些变革?课程安排汇报提纲46人工通用智能的火花:GPT-4的早期实验2023年3月微软研究院发表154页重磅论文论文地址：/pdf/2303.12712v1.pdf它比之前的AI模型表现出更多的通用智能我们证明,除了对语言的掌握,GPT-4还能解决跨越数学、编程、视觉、医学、法律、心理学等领域的新颖而困难的任务，而不需要任何特殊的提示47我们对GPT-4的研究完全是现象学的：我们专注于GPT-4能做的令人惊讶的事情，但我们没有解决为什么以及如何实现如此卓越的智能的基本问题。它是如何推理、计划和创造的？当它的核心只是简单的算法组合--梯度下降和大规模变换器与极其大量的数据的结合时，它为什么会表现出如此普遍和灵活的智能？这些问题是LLM的神秘和魅力的一部分，它挑战了我们对学习和认知的理解，激发了我们的好奇心，并推动了更深入的研究。关键的方向包括正在进行的对LLMs中的涌现现象的研究2023年3月微软研究院发表154页重磅论文涌现现象论文地址：/pdf/2303.12712v1.pdf48GPT发展历史模型参数的不断增大技术创新的不断引入应用场景的不断扩展49GPT赋能各行各业ChipGPT

GPT大模型自动完成设计芯片Source:KaiyanChang,etal.“ChipGPT:Howfararewefromnaturallanguagehardwaredesign”Framework+PromptEngineering50GPT赋能各行各业信息搜索...日常办公编写程序51GPT赋能各行各业

GPT大模型游戏公司Source:ChenQian,etal.“CommunicativeAgentsforSoftwareDevelopmen”Source:RongshengWang,etal.XrayGLM-/WangRongsheng/XrayGLMXrayGLMGPT大模型进行医学影像诊断多模态GPTChatDev多智能体交互52论文中的一些测试用例:冷机阀门故障诊断53论文中的一些测试用例:空调系统冷冻水供回水温度分析54论文中的一些测试用例:建筑能耗建模55用SCL语言写一个PLC里面用的冷水机组负载调控代码56室内温湿度的PID控制57室内温湿度的PID控制58GPT+建筑能源领域数据挖掘方面的展望

负荷预测优化控制故障诊断数据挖掘解决思路：GPT有强大的理解、生成自然语言和模式识别能力，在特定应用中有潜力部分取代人工。行业问题与需求：数据挖掘方法在建筑能源系统的应用过程中过于依赖人工,亟需类人的通用性的数据挖掘能力.建筑数据空调照明电梯……数据导入部分替代人工解决问题59GPT在建筑能源管理中的应用基于GPT-4具有的强大编程、理解自然语言和推理能力，我们期望其能够自动完成建筑能源系统中的能源负荷预测，故障诊断和异常检测任务。60基于GPT辅助的建筑负荷预测的初步尝试通过人工与GPT的交互,可以实现建筑负荷预测的任务的自动编程,涉及数据预处理、特征工程、模型训练、模型评估、结果可视化和模型解释等环节.评估指标：代码的正确性：预测精度：一致性：MAE、MSE、RMSE、MAPE、R2、CV-RMSE61基于GPT辅助的建筑负荷预测的初步尝试62基于GPT辅助的建筑负荷预测的初步尝试63GPT在能源负荷预测任务上的性能GPT-4能够自动的通过编写程序实现数据预处理到模型解释的全部过程预测精度GPT生成模型解释方法代码GPT在负荷预测任务上的不足无法正确选择合适的特征变量GPT-4更倾向于首先选择室外空气温度、室外空气相对湿度和历史冷负荷作为模型输入，与时间相关的变量通常会被忽略。缺少对于时间相关变量的选择无法正确利用python包进行模型解释应用LIME来解释分类任务，而不是解释回归任务。GPT模型对特定领域的理解还不够深入，或者在理解和应用Python库时还存在缺陷。GPT在负荷预测任务上的不足基于GPT的空气处理机组故障诊断故障编号故障类型1排气风门卡住（完全打开）2排气风门卡住（完全关闭）3回风机卡在固定转速4回风机完全失灵5室外空气风门泄漏6室外空气风门卡住（完全关闭）7冷却盘管阀卡住（完全打开）8冷却盘管阀正向卡住（部分打开）9冷却盘管阀被卡住（完全关闭）10冷却盘管阀被反向卡住（部分打开）11加热盘管阀泄漏12送风机后空气处理机组管道泄漏13送风机前空气处理机组管道泄漏14冷却盘管阀控制不稳定以空气处理机组（AHU）为例，从ASHRAERP-1312项目中收集故障数据和正常数据，并考虑14种故障类型，用以评估GPT性能。每次评估用相同的Prompt和GPT-4进行5次独立对话。Case1:仅提供故障数据和潜在故障的列表,GPT可否正确诊断?Case2:提供故障时候的数据和故障列表,以及无故障时候的数据,GPT可否正确诊断?Case3:提供故障时候的数据,以及无故障时候的数据,GPT可否正确诊断?提供无故障数据的描述已知一个夏季运行的空气处理机组在某一天稳定运行时相关参数如下：相关变量的平均值如下：加热盘管阀位置0.0%；冷却盘管阀位置41.92%；……相关变量的标准差如下：送风温度0.26℃；送风机转速3.24%；……提供潜在故障的范围根据以上提供的数据，分析判断当天AHU是否出现故障。如果有，请给出故障类型并做出解释。可选的故障类型如下：故障1排气风门卡住（全开）故障2排气风门卡住（全关）故障3回风机卡在固定转速故障4……提供故障数据的描述已知一个夏季运行的空气处理机组在某一天稳定运行时获得的故障数据如下：相关变量的平均值如下：冷却盘管阀位置41.92%；……相关变量的标准差如下：冷却盘管阀位置10.78%；……Prompt示例：基于GPT的空气处理机组故障诊断68基于GPT的空气处理机组故障诊断69基于GPT的空气处理机组故障诊断70基于GPT的空气处理机组故障诊断71基于GPT的空气处理机组故障诊断不使用故障列表，回答自由度提高，某些故障诊断能力提升（如故障10），但稳定性有所下降。使用故障和正常数据和故障列表，诊断正确率与推理正确性均得到提高，但还是无法诊断某些故障。仅使用故障数据，在某些故障上效果很好，但有相当一部分故障无法被诊断。评价指标：诊断正确率：在m次对话中，统计GPT正确诊断故障的次数。推理正确率：在m次对话中，统计GPT正确解释诊断结果的次数。基于GPT的空气处理机组故障诊断GPT在故障诊断上的不足部分情况下,不理解故障和征兆之间的关系GPT无法理解某些故障下关键变量的变化关系。GPT-4无法理解“冷却盘管阀卡死（部分打开）”的故障下关键征兆的变化，导致误诊。GPT在故障诊断上的不足由于知识过多，存在过拟合现象(混淆知识点)GPT-4认为为了节能而关闭排风阀门是正常的。因此，它无法正确诊断“排风阀门卡住（完全关闭）”故障。GPT-4学习了过多的知识，但是又没有精准理解知识之间的关系,因此其推理可能会过度拟合。75GPT对脑力劳动的革命:生成式AI(AIgenerateactions)76GPT对脑力劳动的革命:生成式AI(AIgenerateactions)77GPT对脑力劳动的革命:生成式AI(AIgenerateactions)78GPT对脑力劳动的革命:生成式AI(AIgenerateactions)79浙大赵阳研究员团队在暖通GPT方面的初步尝试目前学会了暖通本科生课程,和ChatGPT相比具有更为体系的专业基础知识80结论:未来已来,工业4.0革命的序幕即将拉开GPT初步具有通用人工智能，具有一定的普适应用价值，是新生产力未来大部分知识的生产创造的边际成本趋近于零从SaaS（软件即服务）到MaaS（模型