西門子代理商 烏魯木齊西門子一級代理商 烏魯木齊西門子一級代理商

什么時候是工廠購買電和重要原材料的時機呢,？是否可以足夠精確地預(yù)測風電場每小時的發(fā)電量？這樣就知道什么時候該使用備份的燃氣發(fā)電機,。西門子正在開發(fā)這種技術(shù),，以確定、跟蹤并了解這種系統(tǒng)和趨勢背后的關(guān)鍵指數(shù),，這樣就可以大大提高預(yù)測結(jié)果的精確性,。

休息一下，向窗外眺望一下,?？吹绞裁戳耍靠床惶宄男螤?mdash;—是建筑物還是樹木,？假如你從來沒有見過高樓或者樹木,，從來沒有聽說過這些東西，進入視線的可能確實就是令人費解的亂糟糟的東西?，F(xiàn)在你看到的不是那種讓你費解的東西,，這是因為你里已經(jīng)有一些模型，這些模型將進入你視線的大量數(shù)據(jù)進行整合,，這樣,，你馬上就辨認出這些事物了。

現(xiàn)在,，復(fù)雜的人工系統(tǒng)也遇到了同樣的挑戰(zhàn),。但是，我們這里說到的模型要能夠識別一些多面的,、人類所無法感知的模式,。隨著它們不斷成功，它們成為預(yù)測賴以依據(jù)的模式。

這的確是行之有效的,！現(xiàn)在,，西門子正在開發(fā)的這種預(yù)測技術(shù)，能夠驚人地抓拍到未來的一些片段,，包括從燃氣輪機到風電場的發(fā)電量,、運動模式、系統(tǒng)的維護需求,，經(jīng)濟發(fā)展的趨勢,，如原材料價格和股市的走勢等。確實,，西門子已經(jīng)通過其神經(jīng)網(wǎng)絡(luò)軟件環(huán)境（SENN）學習體系的預(yù)測結(jié)果,，決定了在德國購買多少電，在全球范圍內(nèi)采購多少銅,。高級研究員Hans-Georg Zimmermann博士認為,，“這是同類產(chǎn)品中*的高維度、非線性建模體系”,。正是得益于20多年來將數(shù)學研究,、軟件開發(fā)和現(xiàn)實世界應(yīng)用相融合的經(jīng)驗，SENN才能夠比其他項目更連貫而且持久地專注于預(yù)測學,。

Zimmermann曾為預(yù)測學的60多個行業(yè)應(yīng)用奠定了數(shù)學基礎(chǔ),，注冊了22個以保護相關(guān)軟件系統(tǒng)的建筑模型。他還在大學里開辦計量金融學講座,，分析為什么神經(jīng)網(wǎng)絡(luò)比傳統(tǒng)的基于線性邏輯的預(yù)測系統(tǒng)更具優(yōu)勢,。“神經(jīng)系統(tǒng)可以應(yīng)對現(xiàn)實世界應(yīng)用問題，不管其內(nèi)在問題是如何非線性或多維度的,。另外,，神經(jīng)網(wǎng)絡(luò)為時間結(jié)構(gòu)建模提供了一個優(yōu)美的框架，”他說,。例如,，在近期一項研究中，Zimmermann的團隊用SENN和一個線性模型較量,，對16種電氣控制柜的需求做出預(yù)測,。兩種系統(tǒng)均對全年每個月電氣控制柜的銷售做出預(yù)測。但是SENN考慮了外匯匯率以及自動化系統(tǒng)市場波動等因素,。結(jié)論是：SENN的平均誤差率僅為23.3%（和實際需求相比）——比線性模式的誤差要少很多，后者的誤差率是52.6%,。“這種極為精確的需求預(yù)測可以用來優(yōu)化供應(yīng)鏈,，降低成本，”Zimmermann指出。

SENN還能夠用來預(yù)測風電場的發(fā)電量,。例如,，丹麥的西門子風力公司使用SENN預(yù)測一個大型風電場72小時內(nèi)每小時的發(fā)電量。當時,，可以參考的天氣預(yù)報信息只是一個粗糙的網(wǎng)格圖,，SENN用它來預(yù)測當?shù)氐碾娏?yīng)。

“隨著風電等可再生能源在總體能源構(gòu)成中的所占比例不斷上升,，” Zimmermann說,，“不僅要能夠預(yù)測需求，還要預(yù)測供應(yīng)量,。預(yù)測很重要,，這樣我們才能夠知道什么時候需要啟動備份的燃氣發(fā)電系統(tǒng)。”在這種想法的驅(qū)使下,，Zimmermann的團隊開發(fā)出一種神經(jīng)網(wǎng)絡(luò),，它的設(shè)計依據(jù)是影響風力發(fā)電的主要參數(shù)。目標就是創(chuàng)造一種軟件模型,，用數(shù)學手段反映現(xiàn)實世界,，Zimmermann 說。但是他解釋道,，最初模型并不知道每個參數(shù)的重要性——正是從這里起,，從數(shù)據(jù)中學習的能力就開始發(fā)揮了作用。所有系統(tǒng)最初都知道一點,，根據(jù)訓(xùn)練階段輸入的數(shù)值,，慢慢地，它要計算出一個最接近風電場真正發(fā)電量的數(shù)值,。

起初,，模型計算的結(jié)果和實際數(shù)據(jù)之間的差異很大。但是,，慢慢地,，學習型運算法則開始不斷修正模型中的不同參數(shù)，這樣預(yù)測就越來越接近實際結(jié)果了,。

系統(tǒng)可以在數(shù)以千計的信息往復(fù)中衡量錯誤率,，它開始得出的只是隨機數(shù)據(jù)，但是系統(tǒng)逐漸就會確定輸入?yún)?shù)的不同權(quán)重組合會導(dǎo)致相應(yīng)的結(jié)果,。“就像在足球比賽中學習如何射門一樣,，”Zimmermann說，“你所知道的就是你要把球射入球門,。通過一系列的嘗試和錯誤,，在上千種可能影響結(jié)果的組合情況中,，機器慢慢學會如何計算。”

最后SENN果然正確地預(yù)測出風電場的發(fā)電量,。在預(yù)測輪機每天整體電力供應(yīng)水平（根據(jù)標準差計算）時,，平均誤差現(xiàn)在已經(jīng)降到7.2%——比競爭對手的物理學模型要低整整三個百分點。眼下,，研究人員還在為光伏電站研發(fā)類似的模型,。

量化未知事物。Zimmermann團隊同時還為燃氣輪機中氮氧化物（NOx）的排放量開發(fā)了一種神經(jīng)網(wǎng)絡(luò)模型,。這種模型可以用來分析各種輸入變量和輪機的輸出功率的關(guān)系,。和預(yù)測風電場發(fā)電量一樣，SENN開始只是輸入原始數(shù)據(jù),，并給其指令,，讓它慢慢計算輪機的實際輸出功率。然而,，當它認識到變量之間的關(guān)系以后,，模型的預(yù)測越來越接近真實數(shù)據(jù)，簡直像在復(fù)制燃氣輪機的行為,。最終,，模型*能極為精確地實時預(yù)測輪機的行為。

但是,，輪機——或者其他復(fù)雜系統(tǒng)——實際涉及到的變量要遠比已知的變量更多,。Zimmermann指出，“有一些變量是沒法測算的,，還有一些是我們根本不知道的,。”這些隱性的變量會使不確定性加大。“考慮到這一點,，” Zimmermann說,，“我們已經(jīng)找出了一種解釋不確定性的新答案——即，可見的和隱性的變量之間的互動,。”

相比較而言,，機械和經(jīng)濟動態(tài)體系中測量不確定性的標準做法就是，把模型的預(yù)測結(jié)果和實際發(fā)生的情況之間的偏差歸結(jié)為風險預(yù)期,。其內(nèi)在的假設(shè)就是,，過去推導(dǎo)出的不確定性模型要能夠很好地預(yù)測未來的風險。

誰的神經(jīng)單元最多,？蛔蟲302個 果蠅100,000個 蟑螂1,000,000個 章魚300,000,000個 人類100,000,000,000個 大象200,000,000,000個

“但這并不普遍適用于金融界,，包括銅和電的價格，”Zimmermann警告說,，“這樣的話,，不確定性可以從現(xiàn)在不斷向未來擴散,，隨著時間的推移，歷史上模型的錯誤會被疊加,，這種誤差就會變得越來越大。”相反,，根據(jù)Zimmermann的方案,，由于不會明確地重建隱性系統(tǒng)變量，就可以通過分析不同情形的分布,，在一次性預(yù)測中量化不確定性,。這樣，不同情形之間波動的范圍就是風險的水平,?；诓煌樾危裘糠N情形出現(xiàn)的概率一樣,，那么相應(yīng)的概率的平均值計算出的結(jié)果就可以被認為是未來最可能的趨勢,。“因此市場風險的特點就是不同情形之間的差異，” Zimmermann說,。他解釋說,，根據(jù)有限的觀察，總會有多種方式能夠?qū)﹄[性變量進行重建,，這樣就會導(dǎo)致對未來的預(yù)測出現(xiàn)不同的結(jié)果,。

西門子已經(jīng)使用這些方法來決定采購更多的電和銅。“這不單純是一個關(guān)于未來的預(yù)測模型,，”Zimmermann補充道,，“這些方法還可以展示出不同的未來情形并對其做出評估。”

今后幾年里,，預(yù)測學將會如何發(fā)展呢,？顯而易見的是，如果可以參照過去,，那我們將得出越來越精確的預(yù)測,。Zimmermann指出，不僅僅是SENN模型的認知每天都在增長,，在這些模型越來越能真實反映現(xiàn)實的同時,，其研發(fā)者也在從所產(chǎn)生的各種模型中學到了更多東西。

巨大的潛力,。除可以預(yù)測能源和原材料的價格,，預(yù)測風電場發(fā)電量和輪機功率外，SENN的潛力巨大,，幾乎可以預(yù)測各種現(xiàn)實應(yīng)用,。它能夠輔助做出當代挑戰(zhàn)性,、最復(fù)雜、最昂貴的決策,，即,，有關(guān)公路、航空,、水資源以及電力基礎(chǔ)設(shè)施方面的城市或者區(qū)域性投資決策,。SENN作為決策支持系統(tǒng)的潛力確實已經(jīng)在西門子得到了驗證，比如在工廠建設(shè)前,，它被用來計算并決定不同選址方案的長期優(yōu)勢,。

芝加哥商品交易所。神經(jīng)網(wǎng)絡(luò)軟件環(huán)境（SENN）幫助西門子選擇時機來完成全球范圍內(nèi)大規(guī)模的銅采購

除了這些呢,？有關(guān)我們和未來之間關(guān)系的模型正在開發(fā)過程中,，在西門子內(nèi)網(wǎng)上以SENN預(yù)測服務(wù)器的形式進行展示。這一系統(tǒng)被用于向內(nèi)部客戶介紹SENN的潛能,。

再過十年,，我們或許就可以將SENN應(yīng)用程序下載到監(jiān)視器上，來了解我們的家庭,、車輛,、企業(yè)以及供應(yīng)鏈，對其做出判斷并實現(xiàn)功能優(yōu)化,。SENN的未來版本甚至還可能給出不同的方案選擇,，支持最合理的、個性化的營養(yǎng),、醫(yī)療,、教育、和理財方式,。畢竟,，每一個問題都可以在未來的某個角落里找到答案。

“預(yù)測學是一場比賽,，”Zimmermann說,，“比賽的對手是不斷復(fù)雜的現(xiàn)實世界和我們通過信息技術(shù)用數(shù)學反映現(xiàn)實的能力。SENN模型就是一個例子,，二者正在相互趕超,。”