人工智能如何推动能源转型
这种数字转型和人工智能带来的效率也直接转化为减排。例如，部署单一人工智能解决方案以减少蒸发气体和相关燃烧，使壳牌每年能够将一项液化天然气资产的工艺排放量减少13万吨，相当于在美国道路上减少2.8万辆汽车。
壳牌也在使用数字化和人工智能来减少其运营足迹。例如，它使用人工智能来改善库存需求规划，减少产品和原材料的浪费，减少重型机械的闲置时间，并使用AR、机器人和数字孪生技术来减少出行需求。人工智能还帮助壳牌向其客户提供低碳能源解决方案，包括减少船舶燃料消耗的人工智能解决方案；电动汽车智能充电，优化电网可再生能源使用；连接分散能源单元的虚拟发电厂，从太阳能到生物能再到水电。
壳牌负责计算科学和数字创新的副总裁DanielJeavons表示：“人工智能对我们来说是一个巨大的机遇。我们正在经历一场数字化转型，首先是为了提高我们的效率和效率，其次是为了确保我们在能源转型中茁壮成长。能源市场出现了巨大的混乱，随着我们逐步走向清洁能源解决方案，壳牌希望引领潮流，人工智能在其中扮演着重要角色。”
壳牌选择BHC3AI套件是因为平台的成熟度、领域相关性、可扩展性和可扩展性以及其独特的模型驱动AI架构。该平台使壳牌的开发人员和数据科学家能够将不同的能源数据集集成并处理为“统一的数据图像”-一个企业重要工业方面的综合视图。从传感器网络和维护日志等来源的集成数据中获得的实时见解有助于壳牌在公司数百万资产中快速开发、部署和运行先进的人工智能和物联网应用程序，如炼油厂控制阀以及供应链和全球市场中的单个石油和天然气更换部件。
Jeavons说：“我们选择BHC3是因为我们希望为企业应用程序提供一个平台。我们希望利用已经创建的平台，并将我们的IP置于此之上，BHC3作为其核心优势之一，提供了一种管理我们在自动化方面运行的数万个能量集中的机器学习模型的方法，无论是在模型管理还是模型培训方面。”
开放人工智能能源倡议
今年早些时候，BHC3、壳牌和微软推出了开放式人工智能能源计划（OAI），这是第一个基于人工智能的能源和相关流程工业解决方案开放生态系统。OAI为能源运营商、服务提供商和设备提供商提供了一个框架，以提供可互操作的解决方案，包括基于人工智能和物理的模型，以及能源用例的监测、诊断、规定性行动和服务。
OAI通过合作伙伴主导的特定领域解决方案来增强BHC3应用程序，加速基于人工智能的可靠性解决方案的部署，使能源生产更清洁、更安全、更高效。它包括壳牌在其自身运营中大规模证明的一些解决方案。
这种协作对于一个传统上采用封闭的、自己动手的软件方法的行业来说是新的。
Ukpong说：“我们相信，要改变能源，你必须了解能源和软件，而这种合作就是在这一前提下实现的，如果我们不利用OAI这样的生态系统来提供新的、特定于领域的解决方案，我们就不会以人工智能的速度前进，也不会在规模上取得成果。”
Jeavons表示：“在壳牌，我们知道我们没有所有的答案，但我们也认识到运营商多年来积累的丰富数据资产对于解决一些最棘手的数字问题至关重要，我们致力于作为一个生态系统的一部分，将多个参与者聚集在一起，在人工智能领域向前迈进，因为没有一家公司能够解决世界上的人工智能问题。此外，速度至关重要，能源转型迫使我们更快地进行变革。联盟对于加快我们的进步和实现大规模人工智能部署至关重要。”
BHC3和KBC：围绕技术的合作
BHC3正在与KBC合作，该公司为能源行业提供以领域为中心的过程模拟软件，这是一个例子，说明了在生产率达到平稳期时，技术合作如何能够显著提高效率。BHC3的以工业为中心、支持企业人工智能的平台正被用于增强PetroSIM，KBC的过程模拟软件可帮助从巴西到印度的运营商实现生产目标并最大限度地提高盈利能力，从而为客户带来KBC估计将超过每桶0.65美元的经济价值。
随着新冠疫情后能源需求的增加，更高的效率也有助于在不进一步增加排放的情况下满足这一需求。
KBC首席技术官MikeAylott表示：“如果我们向下看，炼油行业价值链中有大量价值流失可以减少，因为它严重依赖模型、对人员的压力和多个时间范围。数字技术使我们能够改变周期，使炼油厂能够对推动我们行业的因素做出反应；它可以是供需拉动、深度脱碳、增强运营灵活性或自动化工作流程。”
KBC采用BHC3AI套件是因为它能够在整个企业中扩展特定领域的人工智能，这是所有制造公司在扩大自动化系统使用时面临的挑战。模型会随着时间而变化，并且可能在六个月内过时，导致数千个模型需要更新。BHC3平台有助于克服Aylott所说的“可持续性噩梦”。
与贝克休斯和C3AI一样，KBC及其母公司横河电机也致力于帮助企业实现可持续发展目标。Aylott说，应用于工业石油和天然气数据的企业人工智能是脱碳挑战中的一个关键工具，可以让事情反复发生，并将帮助行业快速应对推动能源。（小晨编译）
更多精彩内容，敬请关注我们的微信公众号：智慧能源之窗返回搜狐，查看更多
人工智能
概述什么是人工智能?人工智能（ArtificialIntelligence），英文缩写为AI。它是研究、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。人工智能是计算机科学的一个分支，它试图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样的思考，甚至超过人的智能。第一阶段:Python
利用Python解析数据速度,效率方面比较轻量级i.轻量级指的是部署到服务器里面,可以提高服务器访问并发ii.轻量级指的是业务与业务之间的逻辑性很强,兼容性很强,降低耦合度iii.轻量级指的是业务与数据之间的一种关系体现很轻,简单说:获取数据集的方式很快,多样化
Java语言也可以实现人工智能的数据操作—不建议—重量级i.重量级的操作不适合’数据集’的采集操作ii.重量级操作不适合数据集的清理操作iii.重量级的业务与数据之间很难进行数据解析操作
人工智能的历史
1956年夏天：达特茅斯会议，提出“人工智能“20世纪60年代：感知机20世纪70年代：专家系统、知识工程20世纪80年代：日本第五代机20世纪90年代：统计机器学习2006年：深度学习2012年：卷积神经网络…人工智能的分类弱人工智能ArtificialNarrowIntelligence(ANI):弱人工智能是擅长于单个方面的人工智能。强人工智能ArtificialGeneralIntelligence(AGI):人类级别的人工智能。强人工智能是指在各方面都能和人类比肩的人工智能，人类能干的脑力活它都能干。超人工智能ArtificialSuperIntelligence(ASI):知名人工智能思想家NickBostrom把超级智能定义为”在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科学创新、通识和社交技能“。人工智能的机器学习机器学习需要’思考’
机器学习是一门从数据中研究算法的科学学科‘数据’---->>‘算法’如何实现’数据’到’算法’的过程?数据采集(Python)>>数据分析(Python)>>数据挖掘(Hadoop)>>模型建立(算法)>>预测未来
机器学习理性认识
机器学习的算法公式思想数据1:x轴x1,x2,x3…xn数据2:y轴y1,y2,y3…yn目标值:x---->y误差趋近于零的时候就是目标值,误差最小->数据输出
结果公式:{(x1,y1),(x2,y2),(x3,y3)…(xn,yn)}g:x->y备注:g表示最终的公式
导论结果:其实’数据集’就是一种算法的实现
算法(T):根据业务需要和数据特征选择的相关算法,也就是一个数学公式模型(E):基于数据和算法构件出来的模型评估/测试§：对模型进行评估的策略
训练数据:"训练"数据训练指的是是：一种学习行为----转化为：“经验”-----通过经验采集的数据才是训练数据！训练数据是存在很大的不合理性！并不能满足机器的学习使用！
数据集是训练数据吗？数据集可以让机器学习使用！
机器学习概念拟合构建的算法符合给定数据的特征x(i):表示第i个样本的x向量xi:x向量的第i维度的值
鲁棒性也就是健壮性、稳健性、强健性,是系统的健壮性；当存在异常数据的时候，算法也会拟合数据
过拟合算法太符合样本数据的特征，对于实际生产中的数据特征无法拟合,目标数据和预测数据差距太大！
欠拟合算法不太符合样本的数据特征
人工智能的3大框架sciket-learn(Python)基于Python语言开发的人工智能—大量使用(效率最高)http://scikit-learn.org/stable/
Mahout(Hadoop生态圈基于MapReduce)基于大数据Hadoop的人工智能—不建议(大数据直接与AI结合)—成本高http://mahout.apache.org/
SparkMLlib基于SparkMLlib处理数据解析数据集—处理数据集的速度高于hedoophttp://spark.apache.org/
OpenStack云机房很高端,但对技术要求过高
机器学习之商业个性化推荐：个性化指的是根据各种因素来改变用户体验和呈现给用户内容，这些因素可能包含用户的行为数据和外部因素；推荐常指系统向用户呈现一个用户可能感兴趣的物品列表。精准营销：从用户群众中找出特定的要求的营销对象。客户细分：试图将用户群体分为不同的组，根据给定的用户特征进行客户分组。预测建模及分析：根据已有的数据进行建模，并使用得到的模型预测未机器学习、数据分析、数据挖掘区别与联系数据分析：数据分析是指用适当的统计分析方法对收集的大量数据进行分析，并提取有用的信息，以及形成结论，从而对数据进行详细的研究和概括过程。在实际工作中，数据分析可帮助人们做出判断；数据分析一般而言可以分为统计分析、探索性数据分析和验证性数据分析三大类。
数据挖掘：一般指从大量的数据中通过算法搜索隐藏于其中的信息的过程。通常通过统计、检索、机器学习、模式匹配等诸多方法来实现这个过程。
机器学习：是数据分析和数据挖掘的一种比较常用、比较好的手段。
机器学习分类有监督学习用已知某种或某些特性的样本作为训练集，以建立一个数学模型，再用已建立的模型来预测未知样本，此种方法被称为有监督学习，是最常用的一种机器学习方法。是从标签化训练数据集中推断出模型的机器学习任务。
重点算法判别式模型(DiscriminativeModel)：直接对条件概率p(y|x)进行建模，常见判别模型有：线性回归、决策树、支持向量机SVM、k近邻、神经网络等；
生成式模型(GenerativeModel)：对联合分布概率p(x,y)进行建模，常见生成式模型有：隐马尔可夫模型HMM、朴素贝叶斯模型、高斯混合模型GMM、LDA等；
区别:
生成式模型更普适；判别式模型更直接，目标性更强生成式模型关注数据是如何产生的，寻找的是数据分布模型；判别式模型关注的数据的差异性，寻找的是分类面由生成式模型可以产生判别式模型，但是由判别式模式没法形成生成式模型无监督学习与监督学习相比，无监督学习的训练集中没有人为的标注的结果，在非监督的学习过程中，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。
无监督学习试图学习或者提取数据背后的数据特征，或者从数据中抽取出重要的特征信息，常见的算法有聚类、降维、文本处理(特征抽取)等。
无监督学习一般是作为有监督学习的前期数据处理，功能是从原始数据中抽取出必要的标签信息
半监督学习(SSL)考虑如何利用少量的’标注样本’和大量的’未标注样本’进行训练和分类的问题，是有监督学习和无监督学习的结合
主要考虑如何利用少量的标注样本和大量的未标注样本进行训练和分类的问题。半监督学习对于减少标注代价，提高学习机器性能具有非常重大的实际意义。
SSL的成立依赖于模型假设，主要分为三大类：平滑假设、聚类假设、流行假设；其中流行假设更具有普遍性。
SSL类型的算法主要分为四大类：半监督分类、半监督回归、半监督聚类、半监督降维。
缺点：抗干扰能力弱，仅适合于实验室环境，其现实意义还没有体现出来；未来的发展主要是聚焦于新模型假设的产生
机器学习分类2分类通过分类模型，将样本数据集中的样本映射到某个给定的类别中聚类通过聚类模型，将样本数据集中的样本分为几个类别，属于同一类别的样本相似性比较大回归反映了样本数据集中样本的属性值的特性，通过函数表达样本映射的关系来发现属性值之间的依赖关系关联规则获取隐藏在数据项之间的关联或相互关系，即可以根据一个数据项的出现推导出其他数据项的出现频率机器学习算法算法名称算法描述C4.5分类决策树算法，决策树的核心算法，ID3算法的改进算法。CART分类与回归树(ClassificationandRegressionTrees)kNNK近邻分类算法；如果一个样本在特征空间中的k个最相似的样本中大多数属于某一个类别，那么该样本也属于该类别NaiveBayes贝叶斯分类模型；该模型比较适合属性相关性比较小的时候，如果属性相关性比较大的时候，决策树模型比贝叶斯分类模型效果好(原因：贝叶斯模型假设属性之间是互不影响的)SVM支持向量机，一种有监督学习的统计学习方法，广泛应用于统计分类和回归分析中。EM最大期望算法，常用于机器学习和计算机视觉中的数据集聚领域Apriori关联规则挖掘算法K-Means聚类算法，功能是将n个对象根据属性特征分为k个分割(k人工智能在这些方面，可以降低能源消耗
但数字化也伴随着许多问题-尤其是所有这些数据处理本身消耗的巨大能量。SimsWitherspoon是英国人工智能公司Deepmind的项目经理，该公司由谷歌的母公司Alphabet开发，开发了Go-playing机器人。她告诉DW，数据中心-世界上存储用户数据的大规模服务器集群-现在消耗全球能源的3％。
这就是为什么Deepmind决定使用其“通用学习算法”来将谷歌数据中心降温所需的能量降低多达40％。
“就像玩Go，他们[数据中心]在他们的操作中有具体的行动和可衡量的奖励，”Witherspoon解释说，AI处理的数据远远超过人类可以处理的数据-从天气条件到正在处理的数据量通过服务器-保持最佳状态。
该系统正在推广到更多的Google数据中心，Witherspoon认为AI可能会对其他领域产生巨大影响。“大型工业系统消耗全球能源的54％，”她说。“想象一下，如果我们能将这项技术应用于整个工业系统，我们就有潜力。我们相信，我们可以在更大规模的范围内影响气候变化。”
位于柏林的非营利性Borderstep研究所已经部署了（虽然更简单）预测性机器学习算法，可以节省20％至25％的能源，用于加热德国首都250套公寓。
“我们使用的家庭能源管理系统分为三个层次：公寓，建筑层面，一组共享热源的建筑群，”Borderstep智能能源研究员SimonHinterholzer告诉DW。
使用放置在公寓和建筑物周围的传感器，该系统可以判断居民何时回家并调高温度。“系统通过您的使用来了解所有设备是否已连接，”Hinterholzer说。
更快，更便宜的绿色电力
人工智能不仅可以优化功耗，还可以优化其产量。
涡轮机检查和维护-通常涉及飞行直升机风力涡轮机的人员-占海上风电场运营成本的很大一部分。
作为泛欧ROMEO项目合作伙伴的IBM人工智能研究员RoyAssaf告诉DW，他的团队正在使用深度学习-一种使用称为“人工神经元”的数学函数的机器学习方法-“试图预测海上风电场的故障，以优化维护。“
他们目前正在使用有关电压，温度，风速和湿度的历史数据“训练”他们的模型。最终，这些模型将实时部署，随着新数据的出现，预测应该变得更加准确。
“有1000个指标，要理解这些东西并不容易。机器学习可以让你同时从所有东西中提取知识，”阿萨夫说。
希望通过降低涡轮机的维护成本和停机时间，可以更便宜地产生更多的绿色电力。
人工智能对能源的风险
尽管如此，人工智能使事情更快，更有效地发挥作用的力量不仅适用于有助于减少排放的技术。谷歌，微软和亚马逊都向石油和天然气公司出售他们的人工智能计算服务，以帮助他们提取化石燃料。
一个由美国布鲁金斯学会最近的一份报告称AI很可能有对化石燃料比绿色替代更大的影响，因为它是如此非常适合于“被解锁新的油气资源的活动-这需要映射复杂尤其是在石油和天然气地下水库和定制钻井方法。“
让公司获得有关我们如何在家中使用能源的数据也引发了一个问题，即我们是否相信他们将其用于公共利益。
“私营企业对收集这类数据非常感兴趣，”Germanwatch的齐默尔曼说。“如果我们让这些有价值的数据落入公司手中，而我们没有从中受益，那就是许多人都不知道的重新分配价值。”
更不用说由于数据落入未经授权使用它的人手中而导致的潜在情况。“能源系统是关键基础设施，”齐默尔曼指出。“他们容易受到恐怖袭击和经济动机的其他国家的攻击。网络安全至关重要。”
人工智能是科技行业发展最快的部门之一。它是否最终有利于或损害我们的星球，不是我们是否使用智能机器，而是我们要求它们为我们做什么的问题。返回搜狐，查看更多