随着国内与国际能源形势的不断变化，以及对“能碳双控”目标提出的更高要求，促使对能源效率的进一步挖掘。随着设备能效技术改造的深入和各类新型能源设备的投建，传统的计划调度方法难以在成本和效益间实现平衡，需要通过精细化的能源数据采集、分析和优化控制，实现最大化的能源资产价值与能碳双控。

      科技界对于能源数据的采集分析与优化控制，一种路径为通过对能源系统机理模型的研究进行定量分析，实现白盒式的公式推导与验证，通常对系统的暂态和稳态进行相关的建模分析，确定系统运行的安全边界，从而实现高度自动化的控制。这种路线对具有高度确定性的能量源、输送线路等是高效与安全的实现方式。针对近年来以新能源为代表的的各类新型能源系统建设，以及用能负荷侧波动性的提升，系统的安全边界正逐步受到这类系统天然随机性的挑战。为此，科技界已逐步引入以深度神经网络为代表的人工智能技术进行能源系统的模型训练与仿真分析，通过以数据驱动代替经验公式的方式产生具有通用性的能源模型，从而更好的实现对能源系统的优化。从终端用能的角度来看，主要有以下三点：

      第一个方面是对用能负荷的预测。随着物联技术和大数据技术的不断发展，通过物联大数据手段对终端能源数据本身以及各维度综合数据的收集，包括行业市场波动情况、生产排班与排产计划，外部因素如天气数据，以及周期性节假日等关联性数据的建模，通过CNN、LSTM等人工智能算法模型对基线用能负荷数据的特性分析与模型训练，以及与其关联的数据进行特征工程等方式方法，实现对用能负荷的统计分析与预测，迭代修正模型提高其准确性，从而获得对未来负荷的高精度预测。

      第二个方面是针对设备能效特性的学习。通过对各类用能设备的输入、输出参数，以及机理特性参数进行在线建模，实现对设备运行能效特性曲线的总体模型。通过人工智能的优化求解方法找出设备的优化运行节点与方案。由于设备运行机理具有强白盒特性，可通过监督学习方式对其运行数据进行标注，从而提高模型准确性和训练速度。同时，可通过仿真方式对其有效性进行验证。

      最后一个方面是系统运行优化。通过结合前述的负荷预测模型和设备运行模型，实现运行场景综合仿真，通过设定多元化的优化目标，试用求解方法给出最优或近似最优的系统动态运行方参数、运行策略和控制指令，通过执行器和控制器完成控制动作，实现优化控制闭环。

      以上是对通过人工智能技术对能源系统运行优化方法的简要分析，极熵科技通过多年的技术研发与产学研合作，积累了大量面向电力能源系统与新能源系统的数据、AI算法和模型，基于能源系统数据实现负荷预测、仿真分析与动态优化策略的生成，通过云边一体的数据与控制系统实现对柔性负荷、储能系统等电力能源设备的精准控制，实现终端场景的系统20%的效率提升，促进了能源系统向更高质量发展。。