能源领域AI应用的3D指标：利益与风险评估与排名

能源与人工智能9（2022）100167用于指导能源领域AI应用的3D指标雨果·奎斯特a，b，马林·考兹a，c，1，法比安·海曼d，2，克里斯蒂安·罗德c，莱昂内尔·佩雷c，Christophe Ballifa，e，Alessandro Virtuania，Nicolas Wyrschaa洛桑联邦理工学院、电气和微型工程研究所、光电子学和薄膜电子学实验室，瑞士b3S Swiss Solar Solutions AG，图恩，瑞士cPlanair SA，Yverdon-les-Bains，瑞士d瑞士联邦能源办公室（SFOE），数字创新办公室，瑞士瑞士电子和微技术中心（CSEM），可持续能源中心，纳沙泰尔，瑞士A R T I C L E I N F O保留字：人工智能AI应用大数据能源部门A B标准人工智能（AI）在能源领域的应用正在获得动力，越来越多的人在寻找合适的、高质量的、值得信赖的解决方案，这些解决方案在研究中显示出了有希望的结果。越来越多的兴趣来自行业和政策领域的决策者，他们正在寻找应用程序来增加公司的盈利能力，提高效率并促进能源转型。本文旨在为能源领域的人工智能应用提供一种新的三维（3D）指标，基于其各自的成熟度水平，监管风险和潜在利益。案例研究用于验证3D指标的应用，展示了开发的框架如何可用于筛选有希望获得政府资助或商业发展的人工智能应用程序。此外，3D指标用于考虑不同利益相关者的偏好（规避风险、追求利润、平衡）对人工智能应用进行排名。这些结果使人工智能应用程序能够更好地分类， 面对迅速出现的国家和政府间人工智能战略和法规，这些战略和法规限制了人工智能的使用。AI在关键基础设施中的应用1. 背景能源行业的数字化是由数据、计算能力和数字技术的可用性不断提高以及对增强模式分析和规划的需求推动的[1]。在提高系统效率的总体目标下，数字化系统的发展也得到了人工智能应用的支持，这有助于降低成本，减少能源损失，加快可再生能源与电网的整合。虽然很难估计人工智能应用的附加值，但它们可以帮助最大限度地减少资产投资，降低峰值能源需求或利用能源系统的灵活性，从而节省数十亿美元。术语AI可能会被误解，因为它经常与机器学习（ML），数据科学，物联网（IoT）或大数据互换使用[4，5]。实际上，人工智能可以被视为一个总括术语，描述了让计算机像人类一样解决问题的目标。在广阔的人工智能领域，机器学习它的子部分是可以构建算法的工具，而来自互连传感器的大数据，即所谓的物联网（IoT），是增强计算模型的燃料，最终为分析和管理复杂系统或行为提供决策支持。ML可以被看作是估计模型的过程反映现实世界的问题，通常基于数据集，使人类能够通过数据理解复杂系统[6]。 图1展示了如何根据能源领域的用例对AI应用进行分类，每个子部分都有各种示例。 在这里，AI可以被视为一个包含所有ML分类的总体术语。在能源转型和能源部门从集中式系统向分布式系统转型的现代背景下，数字化将有助于实现可靠、具有成本效益的电气化。随着可再生能源在电网中的快速整合（2020年全球新增装机容量为280吉瓦，比2019年增长45%），人工智能可以被视为一种新的技术。通讯作者：洛桑联邦理工学院（EPFL），电气和微工程研究所（IEM），光电子学和薄膜电子实验室（PV-LAB），瑞士纳沙泰尔。电子邮件地址： hugo.quest @ epfl.ch（H. Quest）。1 捐款：总部和M.C.之间。作为第一作者对这项工作做出了同样的贡献2免责声明：本文中表达的观点和意见是作者的观点和意见，不一定反映SFOE的官方政策或立场https://doi.org/10.1016/j.egyai.2022.100167接收日期：2022年3月28日;接收日期：2022年5月10日;接受日期：2022年5月12日2022年5月20日网上发售2666-5468/© 2022作者。由爱思唯尔有限公司出版。这是一篇开放获取的文章，获得了CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表能源与AI期刊主页：www.elsevier.com/locate/egyaiH. Quest et al.能源与人工智能9（2022）1001672图1.一、能源 领域应 用的 拟议AI分类法，以及示例用例。数字化工具，并将在重新设计未来的能源系统和能源系统供应链中发挥至关重要的作用（见图1）。2D），从非可编程可再生能源的准确预测和规划，电网运行和优化，需求侧管理和自动智能故障检测[8，9]。 因此，最近的人工智能进步渗透到能源系统的各个层面，从零售，配电，输电网规划和运营以及发电[5]。事实上，越来越多的国家在能源系统中开发和测试人工智能应用[10]。例如，在美国，随着人工智能和技术办公室的成立[11]，能源部在2019年为人工智能的创新研究提供了2000万美元的资金[12]。图2总结了人工智能和大数据的关键数据：图2A显示了截至2018年的人工智能集群的年度人工智能出版物数量[4]，图2B显示了截至2030年的联网设备（包括智能电表，传感器和其他物联网设备）的预测年度存量[13]。在过去的五年里，智能设备的部署增长了每年增长33%，到2021年达到90亿[7]。 智能电表和人工智能研究开发的数据可用性的并行增长预计将继续，因为对高效方法的需求分析数据和提取有意义的信息的能力越来越强[7]。在这样一个快速发展的领域，一个挑战是确保研究、产业和政策之间的知识转移。政策制定者和监管者越来越意识到人工智能应用可能会给能源行业的安全运营带来的潜在风险。正如欧盟委员会（EC）最近的人工智能战略提案[14]和国家战略报告[15]所强调的那样（见图1）。2C为新提出的欧盟人工智能法案的时间轴），欧盟追求一个协调的法规，这被视为对安全的人工智能应用至关重要，同时也符合基本的公民权利。事实上，一致和统一的国家规则可以帮助防止市场分裂，并为人工智能应用程序的运营商增加法律确定性[16，17]。随着人工智能应用在各个行业的兴起，出现了分类和比较方案，允许人们将现有的应用程序相互关联。因此，值得注意的是将最近的人工智能框架与拟议的3D指标进行比较，以进一步突出其相关性。 图图3显示了一个总结主要特征的表格其他五种[18经济合作与发展组织（OECD）提出了这些人工智能系统分类框架之一[18]，主要针对政策制定者，比本文提出的指标更复杂，需要在大量维度上进行详细分析（即，人类星球;经济背景;数据输入;人工智能模型;任务输出）。它的详细程度使它不那么概括，非专家更难以应用。 麦肯锡全球研究所设计了一个面向业务的框架来评估人工智能技术的经济潜力，[19]特别关注深度学习应用，这限制了该方法的适用性。Lee等人提出了评估人工智能应用节能潜力的创新框架[20，21]，理论上可以扩展到其他行业和部门，但该方法缺乏明确的可操作输出。因此，到目前为止，还没有提出一种具有广泛目标受众、高适用性潜力和可操作见解的总体、灵活的方法。拟议的3D指标旨在填补这一空白，同时还允许引入经济效益或监管风险等权重，以区分决策者和公司的不同决策标准集。在文献中也存在其他分类方案，这些方案侧重于AI模型的比较[23例如，工作Bahrammirzaee [23]的文章比较了人工神经网络、专家系统和混合智能系统在金融领域的应用，使用了三个类别（应用领域、算法和性能）。同样，从卫生部门的角度来看，Nsoe- sie [24]认为，性能、输入数据和算法以及注释需求是评估人工智能应用益处的基本类别。对于能源部门，Antonopoulos等人。[25]回顾了人工智能在需求响应子领域的应用。 在后一项研究中，人工智能应用的比较建立在算法选择和多个需求响应研究中的目标问题上因此，本文件的主要目标是：1. 提供一个框架，以确定能源领域最有前途的人工智能应用。H. Quest et al.能源与人工智能9（2022）1001673图二. 能源领域的人工智能和大数据--重点数据强调了智能设备数据可用性的平行增长和人工智能的研究发展、欧盟委员会新的监管提案以及人工智能在能源行业供应链中的不同用途2. 应用灵活的框架对一组已确定的人工智能应用程序进行分类和比较，包括经济效益，成熟度和监管风险潜力。3. 测试不同的加权方案，以反映不同的风险-来自业务开发人员（应用程序的高成熟度和效益）和决策者（监管风险低和社会效益）的支持。为此，我们引入了一种新颖的三维指标，可以帮助可视化和分类人工智能应用程序，以了解它们在能源系统转型方面的潜力。所提出的方法既解决了人工智能的潜在好处，也解决了人工智能的风险，与最近对这些方面的研究一致[26，27]。因此，3D指标可以成为一个有价值的决策支持，用于根据企业和政策制定者的兴趣本文的结构如下：首先，第二部分将重点讨论数字化如何推动人工智能应用的增长第3节将介绍一种新的人工智能应用指标，以描述其成熟度、潜力和风险，以及基于这三个尺度的排名方法。第4节通过案例研究介绍了人工智能在能源领域的各种应用，突出了开发的3D指标的适用性和相关性第5节介绍了主要结果，第6节将讨论指标结果。最后，第7节将给出一个关键的见解和未来研究的展望2. 风险、潜力和人工智能政策前景人工智能技术已成为能源行业数字化的一个焦点，因为从智能电表到电网运营商的数据量不断增长，推动了对高效分析解决方案的需求对于公用事业，数字化预计将减少高达25%的运营费用，并在安全性，可靠性和客户满意度等领域实现20%至40%的性能提升。为了实现这些观点，有人认为人工智能应该成为商业战略的一个组成部分，作为一种手段，提供有用的，额外的见解和有益的，提高系统或流程效率的经济成果人工智能的激增使其处于研究和工业的前沿 以及最近的政策制定。随着模型和算法的快速发展，从人类控制的数据输入到完全自动化的计算机主导的人工智能应用程序的转变，有时，独立决策正在进行中[4，6]。与此同时，随着可解释性、透明度和偏见以及网络安全和监管合规等一般性问题在监管领域越来越受到关注。与AI解决方案相关的一般风险在于使用的模型，更具体地说，验证决策的能力的算法。今天，这种风险主要与近似函数的使用有关，例如神经网络，它可以创建“黑箱”结果。虽然这种神经网络允许近似复杂和非线性函数来解决问题，但输出的可解释性以及因此其正确操作通常难以控制。从长远来看，它们的使用往往会变得更加广泛，导致人工智能应用程序的风险水平可能会增加。虽然根据调查，存在各种各样的价值观，但10H. Quest et al.能源与人工智能9（2022）1001674图三. 五个最近的AI框架[18目标受众：预期框架用户和利益相关者;框架目标：主要目标的简要概述;输入数据要求：总体输入数据复杂性的指示;对所有人工智能领域的适用性：框架的 通用性;可 操作的 视觉输出：存在简单，信息丰富的 输出的特定格式。全球范围内已经引入了人工智能应用[29]，大多数接受调查的公司已经考虑将人工智能集成到其系统和流程中，或者至少是未来的人工智能试点项目[30]。欧洲联盟（欧盟）的目标是成为一个领导者，人工智能就业战略和法律框架提案[15]，符合其利用数字技术进步实现以人为本，可持续和资源节约型未来的总体目标[31新的人工智能监管提案，被称为欧盟人工智能法案（见图1）。2C），是这一新范式的一部分，遵循双重目标为高质量和值得信赖的人工智能应用奠定基础。欧盟委员会提出了一套规则和制裁措施，以解决使用人工智能带来的特定风险[14，15]。 拟议的规则有以下目标：• 确保安全和尊重关于基本权利的现行法律用于在欧盟市场上放置/使用的AI应用程序• 确保法律确定性，以促进人工智能的创新和投资。• 促进可信人工智能应用的统一市场的发展，防止市场分裂。协调规则遵循基于风险的比例方法，即通过基于风险的规模对AI应用进行分类。对个人健康和安全或基本权利构成高风险的人工智能应用必须遵守对可信赖人工智能的强制性要求，并在投放市场之前遵循合格评定程序（例如，所有远程生物识别系统都被视为高风险，并受到严格要求的约束）。这种方法旨在涵盖数据质量、数据隐私、透明度和向用户提供信息、人为监督、稳健性、准确性和网络安全等问题。根据Niet等人的说法。[35]，第一个将人工智能治理和风险联系起来的研究之一在电力系统方面，《欧盟人工智能法案》是朝着解决人工智能应用的透明度和责任分工的正确方向迈出的一步，但它低估了与人类自主性、网络安全、市场支配地位和价格操纵有关的风险，通过为系统运营商和电力市场提供额外的指南进行修订。特别是在能源领域，人工智能应用面临着与学术界和工业界之间的知识转移有关的额外障碍[29，36，37]。特别是在人工智能等具有广泛行业应用的高技术领域，密切合作和清晰的沟通是提高创新绩效的必要条件[38]。从研究到产业途径的共同挑战和障碍如下：• 缺乏大数据基础设施--各• 冲突的项目规划和产出预期 在市场上，商业目标可能与研究机构的步伐背道而驰，研究机构倾向于争取稳定的收入流和长期项目[40]。• 资源差异-值得注意的是，人工智能应用程序通常可以作为行业合作伙伴和学术界之间的合作开发，并研究 独立实体表明，这是建立有效知识交流的有效途径[42在研究方面，这种合作的优势包括获得行业资金、设备和专利，利用行业在人工智能应用程序的需求和未来使用方面的经验，以及这些工具的潜在商业化。此外，工业合作伙伴可以获得研究基础设施和高素质人才，以及将勘探研究外部化的途径 直接应用于工业的创新理念H. Quest et al.能源与人工智能9（2022）1001675832见图4。 总结了成熟度，风险和改进尺度的指导方针，可用作AI应用程序分类的参考点。成熟度指标如下已建立的TRL标准[45]，风险等级基于新提出的EC等级[14]。(For在该附图图例中，读者可以理解颜色的含义，请参阅本文的网页版本总之，新出现的政策格局和不断变化的产业目标需要为人工智能应用建立清晰的沟通和比较机制。在下一节中，我们提出了一个新的三维指标，以帮助应对这些新的挑战，其灵感来自于EC基于风险的人工智能方法，对行业瓶颈的研究以及人工智能解决方案加速能源转型的潜力。3. 拟议的新AI指标为了应对人工智能及其法规的快速变化，本文提出了一种新的指标，用于对工业、研究和政策制定者在能源领域的人工智能应用进行视觉分类。它的目标是提供一个通用的、简单的比较基线，以可视化AI应用程序在三个关键参数方面的相对位置。如图4所示，三维指示器如下：• MATU rIT y的灵感来自技术准备水平（TRL）量表[45，46]，以反映项目的市场整合现状。从研究到部署的过程，通过早期的试点项目，映射了从低到高水平的市场渗透的演变。 参见图4、成熟度等级遵循9分制，分为三个主要阶段：研究（概念设计）、开发（试点创建）和部署（行业实施）。• 风险指的是新提出的欧洲人工智能法律框架，即第2节介绍的欧盟人工智能法案。该指标旨在确保人工智能应用的安全性、可靠性和透明度。参见图4、确定了四个风险等级：不可接受、高、有限和最小。为了在此风险等级内对人工智能应用程序进行分类，每个级别下都包含了关键识别点。例如，在风险水平方面被认为不可接受的人工智能应用程序是那些旨在操纵人类行为，通过任何类型的社交评分进行分类或使用实时• IMP rovEME nT表明了人工智能应用的潜在收益的多功能性。考虑到改进可以涵盖不同的方面，例如能源，时间或经济节约，提出了一个三级量表，突出了给定AI应用程序的改进类别的数量，如图4所示。这里的重点是这三个具体的节省（即，能源，时间和经济），因为它们与能源领域的所有人工智能应用相关，但其他方面可以很容易地添加或考虑。然后，颜色图能够区分储蓄的类型。量化人工智能应用程序的收益是复杂的，因为它们可以覆盖众多因此，这个简单的定性指标可以作为人工智能技术影响水平和多功能性的可视化代理，而不指定AI应用之间不一定具有可比性的幅度。例如，根据每个应用程序，节省时间的形式不同：与非人工智能方法相比，它可能指的是更快的流程，决策和/或计算时间。这个三维指标一目了然地说明了人工智能在研究和工业应用中整合的主要潜力和挑战。图图5显示了该指标的应用示例，以及能源领域人工智能应用的分类用例。该图是通过将风险水平放在横坐标上，成熟度水平放在纵坐标上，并用开发的改进视觉指标表示每个AI点（见图1）来创建的。4）.下一节将详细介绍各种AI应用程序及其在三维空间中的位置。此外，还提出了基于拟议指标的敏感性分析，以便在不同场景下对AI应用程序的三个维度进行排名。使用曼哈顿距离的变化作为度量来建立排名，曼哈顿距离本质上是所有维度中的测量与最优值之间的绝对差的总和。在这种情况下，不同的权重被分配给三个指标表，反映各种情况：生物识别能源领域的高风险人工智能应用是那些被设计为关键基础设施（道路交通、供水、供气、供暖）������=|+2|+ ���2 ⋅|+3������|+ ���3 ⋅|（一）������|(1)电力系统），这些系统的故障或失灵可能使人们处于危险之中，或导致社会和经济活动中断其中，R∈ [0，1]R是AI应用得分，为0，因为它表示与最佳值的加权距离，H. Quest et al.能源与人工智能9（2022）1001676图五. 所呈现案例研究的新颖三维指标分类的视觉表示。横坐标是欧盟委员会建议的风险等级，纵坐标是TRL成熟度量表和散点图标记表明了AI应用程序对改进量表的通用性。关键象限和理想趋势显示为右下角表1使用3D指示器的示例性AI应用用例AI应用AI subgroupa成熟度风险改善源TRLb EC规模c能源时间经济[47- 56 ]第四十七话：我的世界节能优化SL 6高[57预测性维护SL 8高[61欺诈/客户流失检测SL 7不可接受[65电池充电控制RL 3高[68电动汽车充电优化RL/UL 4 High [74电力交易RL 8高[80聚类消费模式UL 2高[86消费者灵活性评估UL 3高[92，93]模式发现SL/UL 7有限公司[94政策分析SL/UL/RL 6高[98[102- 104 ]第104话：我的世界生产线故障检测CV 9有限公司[105自动化用AI驱动机器人RB 5 Limited [108无人机维护RB 8高[111a监督学习（SL），无监督学习（UL），强化学习（RL），计算机视觉（CV），机器人（RB）。b技术准备程度量表：1c欧洲联盟委员会人工智能风险等级：不可接受、高、有限、最低。每个指标。变量TRL、TRL、TRL∈N是指标得分，其中TRL ∈ [1，9]N是成熟度水平（最佳值为9），TRL∈ [1，4]N是风险得分（从1=最小到4=不可接受，最佳值为1），TRL ∈ [1，3]N是反映AI应用程序节省多功能性的改进得分（最佳值为3）。���������������权值ε∈ [0，1]R，���这些研究已被安排在图1所示的AI分类学之后的子章节中，并给出了每个AI亚组的简要描述。表1总结了用于创建视觉表示的分类结果。虽然这一选择是该领域的部分概述，但它提供了对当前挑战的一个小的见解，��� = 1，2，3，∑3������= 1，分别与到期日相关联，评估所开发的能源应用指标工具再-风险和改进=风险分数，并且可以变化以反映不同的情况。���4. AI应用案例研究在接下来的小节中，图1中所示的能源领域人工智能应用的各种案例研究。为了理解利用3D指示符的分类处理，将描述图5。的情况分类和排序程序的结果见第5节，讨论和结果见第6节。4.1. 机器学习ML通常分为三个子集：监督学习、强化学习和无监督学习。它们都旨在创建从输入数据中学习新特征的系统，但它们学习的方式不同，因此它们解决了不同的问题。H. Quest et al.能源与人工智能9（2022）1001677监督学习（SL）简而言之，SL包括基于示例输入输出对的学习在能源领域，这主要用于预测和预测性维护。例如，天气预报等预测方法对可再生能源规划特别有用，目前正在开发新的数据驱动模型，以与现有的业务预测竞争这些新方法的准确性水平并不总是保证取代物理建模[47]，但使用人工智能可以显著提高计算效率，这使得它特别有前途[48人工智能预测解决方案已经在行业中广泛应用，因此处于最高成熟度水平（TRL 9），因为它们正在广泛应用于风电场[51]或太阳辐照度预测[56]。它们呈现出有限的风险水平，因为它们生成的内容将用于告知人类决策，并且有可能节省计算时间，因此节省投资，以及使能源对电网更有价值，因为它使以前不可预测的能源能够被调度。另一个例子是能耗优化解决方案[59，60]，例如Google基于数千个传感器收集的历史数据，他们训练了一组深度神经网络，以提高数据中心的能源效率。该应用程序使他们能够持续减少40%的冷却能耗，并节省时间，因为工程定制调整模型可能不会重复。这种人工智能模型尚未在所有数据中心普及， 但它已经超越了示范阶段，在几个工业场所实施（TRL 6）[58]。由于与关键基础设施的直接联系，风险水平被认为很高，尽管风险可以通过人工监督以更传统的工程方法来限制。预测性维护是SL的一个广泛使用案例，CSEM的一个研究团队已经开发出一种方法来预测，从而避免风力涡轮机上可能发生的故障[61]。该工具已应用于近200台涡轮机，并在一年内防止了约40次故障。这样的工具提供了改善所有三个方面的评估：能源，时间和财务。 此外，这种人工智能应用的行业应用已经存在于市场上[62在TRL 8上，具有高风险，因为它影响电力系统的安全最后，欺诈/流失检测是欧盟人工智能法案提案下具有不可接受风险的人工智能应用的一个示例，因为它利用SL预测建模来识别公用事业公司的欺诈或市场流失区域，基于来自客户数据的社会和经济参数[65对于欺诈检测，主要目标是通过人工智能应用程序检测到电网中的电表篡改或违规行为的地理区域，从而避免非技术损失，本质上是创建社会分析和地理分区。的情况下人工智能应用程序旨在预测客户何时可能在自由化市场中更换公用事业公司，以便为他们提供新的激励和优惠，以增加客户保留。强化学习RL是一种通过交互和反馈进行决策的方法。换句话说，这是一套旨在解决复杂的顺序决策问题的技术。这些算法在每个时间步做出最优决策的能力使它们非常适合于控制问题。例如，典型的用例是微电网中电池的控制[68，70尽管目前能源和经济收益有限，但对这些过程的自动化有一定的兴趣。从长远来看，目标将是有效和实时地控制更复杂的这些系统如今需要大量的计算时间。这两个用例都是EC框架内的高风险AI应用程序，因为它们涉及电力基础设施和消费者对资源的访问。他们的TRL在3和4之间，因为存在实验飞行员，但规模仍然很小[69，73，76]。RL方法的另一个非常适合的用例是电力市场中的交易。交易问题是高度随机的，需要在每个时间步做出决策。在文献中，已经存在不同的交易应用程序，并开始适用于电力交易。市场[80]。由于涉及的资金数额和相关的供应安全性，所需的风险和谨慎程度很高，因为算法偏差或预测错误可能导致负面的社会经济影响。这种人工智能的使用在交易市场中已经很普遍[82此外，微电网或小规模居民区的电力交易[85]可能会提高能源效率，因为能量可以直接在附近使用，而不是被馈送到电网中，在电网中可能发生损耗无监督学习（UL）UL是关于数据表示，更具体地说，是关于提取数据中的底层结构。例如，该技术可用于构建表示以改进监督或RL系统，为未标记数据创建聚类，或用作异常检测工具[89，118最流行的无监督学习方法之一是均值聚类。该算法的目标是在数据中找到可分类组，本质上是对数据集进行自主分类。这种方法被广泛应用，例如，适合聚类消费模式。除此之外，它还允许数以万计的家庭能源消耗值转化成一些有代表性的每日概况。然后，可以更容易地分析这些典型日的特征，以确定降低能源成本的潜在措施[87]。作为模式发现是对这种聚类实践的概括，它涉及在不同的聚集级别上潜在地在空间尺度上对数据分析进行概括，以得出新的信息和自相关关系。另一个应用可能是通过分析消费者的负载曲线来自动评估消费者的灵活性[92，93]。 虽然这些能源应用吸引了研究兴趣，但其在工业层面的实施仍然薄弱，并且由于对人们的电力结构的潜在直接影响，相关风险很高。如果应用程序仅处理数据以提取见解，则这种风险对于模式发现是有限的，这属于内容生成的类别，这就是为什么该应用程序已经在瑞士联邦政府[96]或ENTSO-E [97]。此外，尽管这些解决方案可以产生能源和经济收益，但目前的案例研究表明附加值较低，缺乏商业模式可能部分解释了市场兴趣低[90，91]。最后，策略分析是一个很好的代表性用例，它结合了ML的所有三个子集。该应用程序旨在分析数据识别有用的模式并支持决策。的域在能源部门的应用范围各不相同，但由于对人类利益、网络规划和能源政策设计的影响，相关风险仍然很高。政策分析是公共行政管理中的一个重要概念，这鼓励了几个试点项目（TRL 6）更好地分析不同的情况，以节省时间、精力和资金。4.2. 规划规划是人工智能的一个子集，它解决规划和调度问题[121]。此方法逐步定义从起点到达结束状态所要采取的操作。其应用领域类似于RL，除了假设环境的模型是已知的。人工智能规划最受欢迎的用例伴随着商业中的典型挑战，例如车辆路径问题，维护调度，员工排班和任务分配。能源领域的大多数用例都与RL应用有关H. Quest et al.能源与人工智能9（2022）10016784.3. 计算机视觉（CV）计算机视觉使计算机和系统能够从视觉输入中获得有意义的信息，并基于该信息采取行动或提出该技术主要基于卷积神经网络（CNN）。CNN将图像分解为给定标签或标签的像素。然后，它使用这些标签来执行卷积，这本质上是一个用于从原始图像中提取特征的数学函数。计算机视觉在工业中有许多应用，例如图像分类，目标跟踪或自动故障检测。在能源部门，这项技术已经用于工业应用，特别是在地理空间图像分析领域。第一个例子是瑞士公司Pictera [102]-他们的主要服务包括使用卫星图像和CV监控基础设施，例如SBB（瑞士联邦铁路）的铁路和电力线，以检测和预防可能的故障。另一个工业用例是Google的项目Sunroof [103]。该算法根据卫星图像和历史天气数据计算屋顶的太阳能潜力。该产品节省了评估城市太阳能潜力的时间，自2015年起在美国上市，自2017年起在法国上市[104]。作为现有公司商业模式的核心CV的另一个用例是生产线故障检测，例如在PV行业中，使用电致发光或热成像分析，基于CNN分类自动识别故障[105，107]。这些应用广泛应用于工业（TRL 9），但仍有改进余地，以进一步提高生产线效率。对于所有涵盖的CV用例，风险级别是有限的，因为这些应用程序主要创建需要额外人工输入和验证的内容和输出，尽管一些故障检测应用程序如果在没有监督的情况下应用，可能会保证高风险级别，因为它们涉及关键基础设施的安全性4.4. 机器人（RB）大数据、云计算和人工智能的蓬勃发展也促使工业和学术研究人员关注机器人技术[122，123]。AI机器人背后的理念是进一步提升机器人在设计、开发和生产领域的效率和智能。能源公司将机器人用于安全、检查和维护目的。作为用例的一个例子，加拿大不列颠哥伦比亚大学的一组研究人员创建了一个人工智能驱动的机器人，可以自动搜索新的太阳能电池薄膜设计[108]。该机器人可以自主合成新材料并评估其导电性和微结构，并通过优化算法选择下一步研究步骤。 这使得研究过程以指数级的速度加快。另一个例子是人工智能机器人在海上风电行业的使用，预计智能机器人将在基础设施的生命周期中发挥至关重要的作用，从规划，设计，维护和退役[109]。虽然这些类型的应用程序尚未普及（TRL 5和示范试点），但它们有可能节省大量时间，并具有有限的高风险，具体取决于目标基础设施。同样，一些公司，如Aerialtronics [111]或Hepta Airbone [112]，设计和制造人工智能无人机。然后，这些可以用于自动实时故障检测，例如在风力涡轮机或电力线中[113]。它们可以检测结构缺陷、电气故障、装配错误和植被过度生长。无人机也被广泛用于大型光伏电站的自主故障检测[116，117]。人工智能在三维指标上的应用潜力类似于计算机视觉，由于与基础设施相关的供应安全性5. AI应用分类和排名图5显示了使用拟议的3D指标进行的人工智能应用分类，其中每个应用程序都在风险，成熟度和改进的三个维度中进行了可视化表示。这个简单的表示将表1中的所有信息浓缩在 为政策制定者、研究人员和行业提供了一种信息丰富的方式，并能够快速比较能源领域主要人工智能应用的状况。在对AI应用进行分类之后， 建立一个考虑到拟议指标所有三个方面的排名系统。如第3节和以下等式所述，（1），考虑三种加权情景• 平衡：这代表基线情景，其中每个维度都被同等考虑（E1=0.33，E2= 0.33，E3= 0.33）。���������• 追求利润：这种情况在TRL规模上具有更高的重要性，反映了行业和商业对具有良好记录的人工智能应用程序的兴趣，以带来附加值（101= 0.80，102= 0.10，103= 0.10）。���������• 风险规避：该场景侧重于决策者将人工智能应用保持在监管框架指导方针内并最大限度地降低风险的兴趣，风险等级的重要性更高（101= 0.10，102= 0.80，103= 0.10）。���������图6以条形图和雷达图的形式显示了所有三种情况的结果。条形图允许人们比较AI应用程序得分，并从最好到最差对应用程序进行排序，其中较低的值是最好的，因为它代表了与最佳指标得分的加权距离���雷达图是使用1 −1来构建的，因此分数越高表示性能越好。下一节将讨论新的三维指标和排名的主要见解和成果。6. 讨论和成果本研究提出了一种新的多维指标， 人工智能在能源应用中的应用，基于三个关键指标：成熟度、风险和改进。这样一个指标的目的有两个：促进人工智能应用的比较，并从研究、行业和政策的角度确定任何人工智能项目的未来前景。在前面的小节中，该指标已应用于与能源系统相关的多个案例研究。建议的分类，在表1和图。第5段是对所制定指标的一个说明性展示-理想的情况是，法律专家的支持和深入的风险评估将为这一程序的未来迭代提供建议。这些结果的摘要提供了该领域AI发展的简短概述。事实上，通过在共同的基础上比较所审查的用例，无论其AI子组如何，该指标都可以更好地描述当前AI的使用及其在新提出的欧盟AI法案和行业实施方面的地位，从而全面了解该行业AI使用的状况新指标的第一个关键参数，成熟度水平，是最少有争议的标准，因为它直接与渗透率有关。项目在工业活动中。可以得出的第一个结论是，就成熟度而言，应用程序的范围很广。 虽然人工智能技术的出现是相对较新的，特别是连接设备的发展，如图所示。2、人工智能已经是几家公司商业模式的核心。 事实上，在分析的人工智能应用中，大多数处于工业实施阶段。这表明其中一些应用程序的快速市场整合。请看图5，TRL高于4的AI应用程序似乎具有两个共同的特征。一方面，他们的风险水平是有限的较高的TRL分数，这可能是一个安全的重要性和增加人类监督所需的指示，H. Quest et al.能源与人工智能9（2022）1001679见图6。 AI应用评分排名结果。左图：三种场景的AI应用程序评分比较，从最佳到最差的AI应用程序排序对于平衡情景（从上到下），较低的最佳值是最佳的，因为它代表与最佳指标得分的加权距离。右图：雷达图对比在这三种情况下，得分均为1-10，得分越高表示性能越好高风险应用程序，以达到全面的市场渗透。另一方面，节省时间似乎是一个关键因素，其次是经济和能源节省，强调需要提高流程和计算时间的效率风险水平是根据旨在客观的标准进行评估的，同时考虑到与当前解决方案的比较、供应安全以及对现行基本权利立法的遵守情况。这提供了所开发指标的第二个关键结果，即大量AI解决方案被归类为高风险级别。这主要是因为能源和电力部门被认为是关键基础设施，因此在处理电网安全组件时属于《欧盟人工智能法》中的高风险类别。如果该提案获得批准并付诸实施，对这些技术的具体影响将是更严格的开发过程。欧盟人工智能法案提案概述了此类高风险人工智能应用所需的额外步骤[14]：这些技术必须（i）进行影响评估并遵循行为准则，（ii）在其生命周期内进行合格评估并遵守欧盟AI法案规定的AI要求，（iii）在专用欧盟数据库中注册，（iv）签署合格声明并带有CE标志（ConformitéEuropéenne）。此外，即使在市场批准后，欧盟和成员国一级的当局也将负责市场监督、监测和人为监督，而供应商则有一个上市后监测系统。提供商和用户还应报告事故和故障，提供商有透明度义务（披露）将人工智能应用程序的使用通知用户。换句话说， 与能源系统等关键基础设施相关的高风险可能会减缓某些应用程序的成熟度过渡，但可以确保更好地控制市场上部署的应用程序最后，改进程度旨在评估与当前解决方案相比的技术收益，并通过案例研究结果和模拟增强来确定。该标准利用了人工智能应用程序与以前的方法或这些人工智能解决方案的案例研究报告的真实比较评估。在三个级别上对改进进行评分，可以对具有不同目标的应用程序进行共同评估。选择的三个类别（即，能源、时间、资金）被选择以最好地满足能源领域中的项目的目标，但是可以容易地添加或考虑其他类别。改进潜力的精确量化并不简单，因为大多数人工智能应用程序不会影响相同的资源，因此无法直接比较。这就是为什么选择三级量表，因为它可以简单有效地反映收益的多样性。因此，政策制定者或行业合作伙伴可以一眼看出哪些AI应用可以节省能源、时间和/或投资。在每个应用程序中，可以使用更可靠的比较和改进指标作为分析过程的下一步。表1和图5的结果表明，大多数应用程序在两个甚至三个级别上实现了节省。这是一个自然的发现，因为这三个参数往往是相互关联的。然而，节省时间似乎是人工智能应用程序的一个关键特征，特别是那些中、高成熟度的应用程序。更一般地，所提出的可视化的象限示出了 图5还提供了关于人工智能应用在指标景观中的定位的有趣见解。给定AI应用程序的理想位置是Q1，风险最小，TRL高。象限Q2是不可接受的区域，应用程序永远不应该最终进入，因为它们将处于高行业渗透水平，同时承受严重的道德，安全或社会风险。第三季度内具有高改进潜力的应用程序可能会迅速迈向更高的成熟度。最后，应避免第四季度的申请，但如果要达到更高的TRL分数，只要他们优先考虑降低风险水平，除了3D指标空间内AI应用的可视化之外，还基于每个指标与最佳值的距离提出了一个排名框架，每个指标具有与每个维度相关联的不同权重。图6显示了三种考虑的情景的结果。从这个排名中，可以得出结论，在平衡场景中最有前途的人工智能应用如下：预测、电力交易、预测性维护和生产线故障检测，因为它们的人工智能应用得分最低。��� 敏感性分析表明，更重视TRL的逐利情景与平衡情景相似，排名靠前的人工智能应用几乎没有变化。 然而，风险规避方案更重视低风险应用，将预测、生产线故障检测和地理空间图像分析视为最重要的应用，因为它们显示出高储蓄潜力，相关风险有限。 替代方案和加权方案将导致不同的结果，例如，侧重于研究阶段具有高储蓄潜力的解决方案，强调如何利用这一指标框架为行业、政策制定者和研究提供有意义的见解总体而言，拟议的指标表明，（i）能源部门的人工智能应用在市场渗透方面已经非常先进，许多有前途的能源转型解决方案已经在行业部署层面，（ii）大多数应用是H. Quest et al.能源与人工智能9（2022）10016710在EC框架内被归类为高风险，这将在新技术的开发过程中需要额外的步骤，（iii）大多数AI解决方案导致经济和能源节约，并且可以针对每个AI应用单独进行这些节约的更鲁棒量化，（四）通过敏感性分析应用简单的排名可以产生有用的结果，并指导人工智能应用程序与最高的潜力，无论是在成熟度，风险或改进方面。7. 结论与展望在气候政策努力的推动下，能源部门的脱碳正在以前所未有的速度发展，这也提