能源管理实现精益化，AI助力节能减排

近年来，随着人工智能大模型如ChatGPT的训练需求增加，计算资源的稀缺和能源消耗的问题日益突出。

据统计，仅GPT-3一次训练就消耗了1287兆瓦时的电量，相当于一个人往返地球到月球的能源消耗。

然而，虽然全球范围内的AI训练导致了巨大的能源消耗和碳排放，但也有人开始利用AI的能力来实现能源的节约。

孙东来是上海交通大学信息与通信系统专业的毕业生，获得法国计算机博士学位后回国创立了极熵科技，并担任多个专业职位，如上海人工智能研究院特聘研究员和中国产业计量与能碳评估技术委员会执行秘书长等。

孙东来的团队致力于利用AI技术实现企业的精益能源管理。他们参与了多项国家标准和团体标准的制定，并与浙江大学能源工程学院高翔院士合作进行AI智慧能源模型的研究。

他们最近发布了一个名为"AI精益能源管理平台"的产品，通过引入特征识别、时序预测、迁移学习等多种AI技术，对企业能源进行精细管理，以降低能源消耗和运维成本。

与传统能源管理方法不同，该平台赋予了企业对能源使用各环节的数据化管理能力，实现精益化管理并提高能效。据统计，平均可提升能效15%以上。

能源行业尚处于数字化、信息化和智能化探索阶段，许多企业仍采用传统的自动化管理模式，仅仅停留在对数据表格的收集上。

AI和精益管理的应用正是为了解决这一问题，实现对能源各环节的精细管理，从而达到节能减排的目标。

总之，AI在能源管理中发挥着重要作用，通过合理运用AI技术，可以实现能源的精益化管理，并为企业节约能源提供有效支撑。"数据并不仅仅是数字，更是业务流程的表征。" 孙东来非常重视数据，并认为通过对数据的采集、传输和整理，可以产生管理决策，而不仅仅是简单的"监控数据"行为。

出于这个想法，孙东来在传统能源监测的基础上，引入了许多新的AI应用，以推动能源向低碳、绿色方向的转变。

具体包括:

1. 场景化能源建模：利用AI算法对能源进行建模，根据历史数据和用能趋势进行特征分析，识别设备的运行状态，并对全域能源运行情况进行诊断分析，评估是否需要调整当前的生产用能情况。

2. AI能源基线管理及绩效指标考核评定：利用AI技术管理能源的基准线，并评估绩效指标，对能源使用进行考核评定。

3. 精细化用能成本核算分析：利用AI进行精确的用能成本核算和分析，结合基准值和先进值，输出分析结果，并将其反馈到班组和班次中。

4. 节能改造收益的预测及实时追踪评估：利用AI预测节能改造的收益，并实时追踪评估。

5. AI能源分析结论精准推送：利用AI对能源的分析结果进行精确推送。

据介绍，AI精益能源管理平台在识别能源使用单元方面的准确率超过99%。

其中，能源分析场景可以利用平台实现生产能效分析。具体来说，通过对用能单元的产量和用能进行核算，结合基准值和先进值，输出分析结论，并将单耗反映到班组和班次中。此外，在特定时间跨度下，对厂区、生产线、车间、工段进行横纵向能耗对比分析，能为企业提供更精准的能源配比需求支持。

相比传统能源管理，AI技术和精益管理的应用可以通过数据和算法实现成本、用量和碳排放的多维综合优化。

然而，对于大模型进入能源行业是否有机会，孙东来认为现阶段大模型可能并不适合能源行业。尽管能源行业对AI和大模型的能力有期待，但直接应用通用的训练大模型在能源行业中的效果可能会大大低于预期。不过，不能排除行业小模型能够减少人力和成本的情况。

总之，孙东来认为现阶段的能源行业即使引入了行业小模型，仍然离不开传统的物理模型和管理模式。为什么会有这样的说法？孙东来给出了很多理由。

首先，能源行业受制于业务结构复杂和数字化整合水平有限，导致整个领域的数据质量较差。

除了能够通过数字化转型收集到的设备数据，与能源过程相关的数据还包括生产管理、工艺流程甚至企业经营经济数据等等。

而且，这些数据还需要在时间和空间尺度上进行精确对应，才能综合提供用于能源分析优化的大量信息。

目前行业现状来看，大部分企业能够提供的数据量和数据的可信度离能够产生足够质量的大模型输出尚有很大距离。

对于ChatGPT这类规模达到千亿甚至万亿的数据，在能源行业中获得足够可用的高质量数据几乎是不太可能的。

其次，能源行业中，要解决的问题具有更强的结构化特征，对输出结果的行业专业性要求更高。

大型模型通常更适用于解决“结构性和逻辑性较弱，训练数据包含普遍知识”的问题。从这个角度来看，大型模型与能源行业的匹配度并不高。

最重要的一点是，能源系统对于安全性和健壮性要求极高，但目前众所周知，大型模型的幻觉问题仍然不可控，难以在各种工况条件下满足安全基线要求。

关于大型模型的幻觉问题，能源行业并不一定比其他行业更为严苛和挑剔。

但考虑到能源行业的特殊性，大型模型应该不会直接完全部署，而只能作为辅助工具使用。