[go: up one dir, main page]

CN120303672A - 基于ai的能源边缘平台、系统和方法 - Google Patents

基于ai的能源边缘平台、系统和方法 Download PDF

Info

Publication number
CN120303672A
CN120303672A CN202380078066.XA CN202380078066A CN120303672A CN 120303672 A CN120303672 A CN 120303672A CN 202380078066 A CN202380078066 A CN 202380078066A CN 120303672 A CN120303672 A CN 120303672A
Authority
CN
China
Prior art keywords
energy
data
based platform
platform
consumption
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202380078066.XA
Other languages
English (en)
Inventor
查尔斯·H·塞拉
安德鲁·卡德诺
泰勒·查伦
大卫·斯坦
安德鲁·布宁
小利昂·福廷
泰穆尔·S·埃尔塔利
埃里克·P·维特
库纳尔·夏尔马
安东尼·卡西奥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Strong Ee Investment Portfolio 2022 Ltd
Original Assignee
Strong Ee Investment Portfolio 2022 Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Strong Ee Investment Portfolio 2022 Ltd filed Critical Strong Ee Investment Portfolio 2022 Ltd
Publication of CN120303672A publication Critical patent/CN120303672A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3206—Monitoring of events, devices or parameters that trigger a change in power modality
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3206—Monitoring of events, devices or parameters that trigger a change in power modality
    • G06F1/3215—Monitoring of peripheral devices
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3234—Power saving characterised by the action undertaken
    • G06F1/3287—Power saving characterised by the action undertaken by switching off individual functional units in the computer system
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/01—Customer relationship services
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G06Q30/0185—Product, service or business identity fraud
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/04—Billing or invoicing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/12—Accounting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/0078—Avoidance of errors by organising the transmitted data in a format specifically designed to deal with errors, e.g. location
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • H04L41/0833—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability for reduction of network energy consumption
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/02—Capturing of monitoring data
    • H04L43/028—Capturing of monitoring data by filtering
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/12—Shortest path evaluation
    • H04L45/123—Evaluation of link metrics
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/302—Route determination based on requested QoS
    • H04L45/306—Route determination based on the nature of the carried application
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/28—Flow control; Congestion control in relation to timing considerations
    • H04L47/283—Flow control; Congestion control in relation to timing considerations in response to processing delays, e.g. caused by jitter or round trip time [RTT]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/50—Queue scheduling
    • H04L47/62—Queue scheduling characterised by scheduling criteria
    • H04L47/625—Queue scheduling characterised by scheduling criteria for service slots or service orders
    • H04L47/6275—Queue scheduling characterised by scheduling criteria for service slots or service orders based on priority
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
    • H04L69/04—Protocols for data compression, e.g. ROHC
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
    • H04L69/18—Multiprotocol handlers, e.g. single devices capable of handling multiple protocols
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/80—Quantum programming, e.g. interfaces, languages or software-development kits for creating or handling programs capable of running on quantum computers; Platforms for simulating or accessing quantum computers, e.g. cloud-based quantum computing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q2220/00—Business processing using cryptography
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Security & Cryptography (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Technology Law (AREA)
  • Operations Research (AREA)

Abstract

本文提供一种基于AI的能源边缘平台，该平台具有广泛的特征、组件和能力，用于管理和改进传统基础设施并与分布式系统协调，以支持一系列企业的重要用例。该平台可能采用新兴技术来提高生态系统和单个能源边缘节点的效率、灵活性、参与度和盈利能力。实施例可以预测、规划和管理更大的分布式环境中的能源需求和利用。实施例可以使用AI、IoT和跨通信网络更有效地过滤、处理和移动数据的技术。该平台的实施例可以利用能源市场连接、通信和交易支持平台。实施例可以采用智能供应、数据汇总和分析。

Description

基于AI的能源边缘平台、系统和方法
背景技术
能源仍然是世界经济的一个关键因素，正在经历一场演变和转换，涉及能源生产、存储、规划、需求管理、消费和输送系统和过程的变化。这些变化由大量不同技术的发展和融合实现，包括更加分布式、模块化、移动式和/或便携式能源生成和存储技术，这些技术将支持能源市场更分散和本地化，还由一系列技术的发展和融合实现，这些技术将促进在更分散的系统中管理能源，包括边缘和物联网技术、高级计算和人工智能技术、交易支持技术(例如，区块链、分布式分类账和智能合约)等。这些更分散的能源技术与这些网络、计算和智能技术的融合在本文中被称为“能源边缘”。
预计能源市场将在未来几十年从依赖化石燃料和托管电网的高度集中模型发展和转变为更加分布式和分散式模型，该模型涉及更多本地化的生成、存储和消费系统。在这一转变过程中，混合系统可能会持续多年，其中，传统电网变得更加智能，分布式系统将发挥越来越大的作用。需要一种平台，该平台有助于与分布式系统协调地管理和改进传统基础设施。
发明内容
本文提供一种基于AI的能源边缘平台，该平台具有广泛的特征、组件和能力，用于管理和改进传统基础设施并与分布式系统协调，以支持一系列企业的重要用例。该平台可能采用新兴技术来提高生态系统和单个能源边缘节点的效率、灵活性、参与度和盈利能力。实施例可以由用于预测、规划和管理更大的分布式环境中的能源需求和利用的方法和系统指导，并且在一些情况下与这些方法和系统集成。实施例可以使用可以部署在密度大得多的数据环境中(反映了IoT中智能能源系统和传感器的激增)的AI和AI支持器(例如，IoT)以及跨通信网络更有效地过滤、处理和移动数据的技术。该平台的实施例可以利用能源市场连接、通信和交易支持平台。实施例可以采用智能供应、数据汇总和分析。在许多用例中，该平台可以改进能源生成、存储、输送和/或企业运营中的消耗(例如，建筑物、数据中心和工厂等)，整合和使用新的发电和能源存储技术和资产(分布式能源资源或“DER”)，优化现有网络的能源利用率以及现有基础设施和支持系统的数字化。
在一些方面，本文描述的技术涉及一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：自适应能源数据管道，自适应能源数据管道被配置为跨网络中的一组节点传送数据，其中，一组节点中的每个节点适于对与能源生成、能源存储、能源输送或能源消耗中的至少一个相关联的能源数据集进行操作，并且其中，一组节点中的至少一个节点被算法或规则集中的一个或两个配置为基于一组网络状况、数据大小、数据粒度或数据内容中的至少一个来过滤、压缩、变换、纠错和/或路由能源数据集的至少一部分。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的一项或多项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；以及用户配置状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的一项或多项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的一项或多项：提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；过滤能源数据；突出显示能源数据；或者调整能源数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为通过以下各项中的一项或多项生成能源消耗的视觉和/或分析指标：一个或多个机器；一个或多个工厂；或者车队中的一个或多个车辆。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道还被配置为执行以下各项中的一项或多项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转化、转换、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，能源数据集基于一个或多个公共数据资源，公共数据资源包括以下各项中的一项或多项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，能源数据集基于一个或多个企业数据资源，企业数据资源包括以下各项中的一项或多项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括至少一个基于AI的模型和/或算法，其中，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的一项或多项：一个或多个人类标签和/或标记；与硬件和/或软件系统的一个或多个人类交互；一个或多个结果；一个或多个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组节点中的至少一个节点被配置为协调向一个或多个消耗点输送能源，并且能源输送包括以下各项中的一项或多项：一条或多条固定传输线；一个或多个无线能源传输实例；一个或多个燃料输送；或者一个或多个存储能源输送。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组节点中的至少一个节点还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，一个或多个能源相关事件包括以下各项中的一项或多项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组节点中的至少一个节点部署在离网环境中，并且离网环境包括以下各项中的一项或多项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道还被配置为监测以下一项或两项：一组节点中的至少一部分的总能源消耗；或者一组节点的至少一个节点在一组节点中的至少一部分的总能源消耗中的作用；以及基于监测，执行以下各项中的一项或多项：管理一组节点的能源消耗；预测一组节点的能源消耗；或者供应与一组节点的能源消耗相关联的资源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，包括自适应能源数据管道的网络中的一组节点包括一组边缘联网设备，边缘联网设备通过一组经由边缘联网设备控制的操作设备来管理能源消耗、能源存储、能源输送或能源消耗中的至少一个。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道还被配置为自动选择用于跨一组节点传送的数据的最低成本路由，该选择基于与数据相关的低优先级能源使用。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道还被配置为自动选择用于跨一组节点传送的数据的高质量服务路由，该选择基于与数据相关的高优先级能源使用。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道包括一组人工智能能力，这些能力被配置为调整管道，以使得能够根据能源协调需求优化数据传输的元件。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道包括自组织数据存储器，数据存储器被配置为基于数据模式、数据内容或数据上下文中的一个或多个在设备上存储数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道被配置为执行自动化自适应联网，自适应联网包括自适应协议选择、基于RF状况的自适应数据路由、自适应数据过滤、网络带宽的自适应切片、认知网络容量的自适应使用或对等网络容量的自适应使用中的一个或多个。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道被配置为通过基于企业的操作环境、企业的交易环境或企业的财务环境中的一个或多个自动处理数据来执行企业环境适应性。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组节点中的至少一个节点还被配置为调整与一组节点中的至少一个其他节点的通信，以使与能源生成、能源存储、能源输送或能源消耗中的至少一个相关联的数据的报告适应至少一个其他节点。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组节点中的至少一个节点还被配置为使报告的数据适应一组节点中的至少一个其他节点，其中，使报告的数据适应基于报告的数据的消费的优先级。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组节点包括异构组，异构组包括至少一个能源生产者和至少一个能源消费者，并且自适应能源数据管道还被配置为指示至少一个能源生产者和至少一个能源消费者中的一个或两个通过至少一个通信路由与一组节点中的至少一个其他节点进行通信。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道还被配置为从一组节点中的至少一个节点请求报告的数据，报告的数据基于粒度级别，并且粒度级别基于与报告的数据相关联的机器的优先级。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道还被配置为通过自适应能源数据管道对报告的数据的传输进行优先级排序，并且优先级排序基于与报告的数据相关联的监测责任。
在一些方面，本文描述的技术涉及一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：一组自适应自主数据处理系统，其中，每个自适应自主数据处理系统被配置为从处于一组分布式能源的操作控制下的一组边缘设备收集与能源生成、存储或输送相关的数据，并且被配置为基于收集的数据自主地调整用于这种操作控制的一组操作参数。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，每个自适应自主数据处理系统还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的一项或多项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，每个自适应自主数据处理系统包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的一项或多项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，每个自适应自主数据处理系统包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的一项或多项：提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；过滤能源数据；突出显示能源数据；或者调整能源数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，每个自适应自主数据处理系统包括自适应能源数字孪生，自适应能源数字孪生被配置为通过以下各项中的一项或多项生成能源消耗的可视和/或分析指标：一个或多个机器；一个或多个工厂；或者车队中的一个或多个车辆。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，每个自适应自主数据处理系统还被配置为执行以下各项中的一项或多项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，能源边缘数据基于一个或多个公共数据资源，公共数据资源包括以下各项中的一项或多项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，能源边缘数据基于一个或多个企业数据资源，企业数据资源包括以下各项中的一项或多项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括至少一个基于AI的模型和/或算法，其中，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的一项或多项：一个或多个人类标签和/或标记；与硬件和/或软件系统的一个或多个人类交互；一个或多个结果；一个或多个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，每个自适应自主数据处理系统还被配置为协调向一个或多个消耗点输送能源，并且能源输送包括以下各项中的一项或多项：一条或多条固定传输线；一个或多个无线能源传输实例；一个或多个燃料输送；或者一个或多个存储能源输送。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，每个自适应自主数据处理系统还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，一个或多个能源相关事件包括以下各项中的一项或多项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个自适应自主数据处理系统部署在离网环境中，并且离网环境包括以下各项中的一项或多项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，平台还包括自适应能源数据管道，自适应能源数据管道被配置为跨网络中的一组节点传送数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，包括自适应能源数据管道的网络中的一组节点包括一组边缘联网设备，边缘联网设备通过经由边缘联网设备控制的一组操作设备来管理能源消耗、能源存储、能源输送或能源消耗中的至少一个。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道还被配置为自动选择用于跨一组节点传送的数据的最低成本路由，该选择基于与数据相关的低优先级能源使用。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道还被配置为自动选择用于跨一组节点传送的数据的高质量服务路由，该选择基于与数据相关的高优先级能源使用。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道包括一组人工智能能力，这些能力被配置为调整管道，以使得能够根据能源协调需求优化数据传输的元件。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道包括自组织数据存储器，数据存储器被配置为基于数据模式、数据内容或数据上下文中的一个或多个在设备上存储数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道被配置为执行自动化自适应联网，自适应联网包括自适应协议选择、基于RF状况的自适应数据路由、自适应数据过滤、网络带宽的自适应切片、认知网络容量的自适应使用或对等网络容量的自适应使用中的一个或多个。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道被配置为通过基于企业的操作环境、企业的交易环境或企业的财务环境中的一个或多个自动处理数据来执行企业环境适应。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个自适应自主数据处理系统还被配置为基于与一组分布式能源相关联的至少一个优先级和/或需求来确定一组进程的调度。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个自适应自主数据处理系统还被配置为基于与一组分布式能源相关联的至少一个优先级和/或需求来调整与一组边缘设备中的至少一个边缘设备的通信，并且通信与分布式能源的能源生成、存储或输送的调查相关联。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个自适应自主数据处理系统还被配置为向一组边缘设备中的至少一个边缘设备发出指令，指令基于对分布式能源的能源生成、存储或输送的调查，并且指令使至少一个边缘设备调整至少一个边缘设备的能源生成、存储或输送。
在一些方面，本文描述的技术涉及一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：系统，该系统被配置为执行在操作上耦合在能源电网内的一组能源实体和一组分布式边缘能源资源内的自动和协调治理，其中，至少一个分布式边缘能源资源在操作上独立于能源电网。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该系统还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的一项或多项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的一项或多项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的一项或多项：提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；过滤能源数据；突出显示能源数据；或者调整能源数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为通过以下各项中的一项或多项生成能源消耗的视觉和/或分析指标：一个或多个机器；一个或多个工厂；或者车队中的一个或多个车辆。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该系统还被配置为执行以下各项中的一项或多项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括至少一个基于AI的模型和/或算法，其中，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的一项或多项：一个或多个人类标签和/或标记；与硬件和/或软件系统的一个或多个人类交互；一个或多个结果；一个或多个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该系统还被配置为协调向一个或多个消耗点输送能源，并且能源输送包括以下各项中的一项或多项：一条或多条固定传输线；一个或多个无线能源传输实例；一个或多个燃料输送；或者一个或多个存储能源输送。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该系统还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，一个或多个能源相关事件包括以下各项中的一项或多项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个分布式能源边缘资源部署在离网环境中，并且离网环境包括以下各项中的一项或多项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该系统被配置为促进采矿环境的治理。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该系统包括采矿环境的矿级物联网(IoT)感测、采矿环境的未开采部分的地面穿透感测、开采材料的基于质谱和计算机视觉的感测、智能容器的资产标记、用于检测矿工生理状态的可穿戴设备、交易和交易相关事件的安全记录和解决、用于自动分配从采矿环境获得的收益的智能合约、以及用于记录、报告和评估对合约、监管和法律政策要求的遵从性的自动化系统。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该系统包括一组碳感知能源边缘解决方案，解决方案包括探索、配置和实现一组关于碳生成的策略。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，解决方案要求监测采矿环境生产能源，以跟踪采矿环境生成的碳排放。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，解决方案要求采矿环境生产能源，以抵消采矿环境生成的碳。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，平台包括用户接口，并且系统包括一组自动化能源策略部署解决方案，解决方案能够经由用户与用户接口的交互来配置。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该系统包括智能代理，智能代理被训练以生成与采矿环境的治理相关的策略，在历史数据、来自结果的反馈和人类策略设置交互的训练集上训练智能代理。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，系统通过实施包括以下各项中的一项或多项的策略来促进采矿环境的治理：为实体设置一段时间的最大能源使用；为实体设置一段时间的最大能源成本；为实体设置一段时间内的最大碳产量；为实体设置一段时间内的最大污染排放；设置碳抵消要求；设置可再生能源额度要求；设置能源混合要求；基于生产实体的能源和其他边际成本设置利润率最小值；或者为能源存储实体设置最低存储基线。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该系统包括一组能源管理智能合约解决方案，一组能源管理智能合约解决方案被配置为允许平台的用户设计、生成和部署自动提供一组能源交易的管理程度的智能合约。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该系统包括一组自动化能源财务控制解决方案，一组自动化能源财务控制解决方案被配置为允许平台的用户设计、生成、配置或部署与控制与能源生成、存储、输送或利用中的一个或多个相关的财务因素有关的策略。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该系统还被配置为确定与一组能源实体或一组分布式边缘能源资源中的至少一个相关联的优先级，并且优先级基于与一组能源实体或一组分布式能源资源中的至少一个相关联的策略。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该系统还被配置为通过一组能源实体执行对能源生产率的监测，并基于对生产率的监测来调整一组能源实体的自动和协调治理。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该系统还被配置为基于与一组能源实体相关联的至少一个能源测量和/或预测来分配对一组分布式边缘能源的处理。
在一些方面，本文描述的技术涉及一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：自适应能源数据管道，自适应能源数据管道被配置为跨网络中的一组节点传送数据，其中，一组至少一个节点子集被配置为由规则或算法中的至少一个来设置与自适应能源数据管道相关联的数据通信的至少一个参数，并且至少一个参数基于当前网络状况的一组指标，以便优化数据通信中使用的能源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个参数是以下各项中的一项或多项：路由指令；路由参数；误差校正参数；压缩参数；存储参数；或者定时参数。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的一项或多项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的一项或多项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的一项或多项：提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；过滤能源数据；突出显示能源数据；或者调整能源数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为通过以下各项中的一项或多项生成能源消耗的视觉和/或分析指标：一个或多个机器；一个或多个工厂；或者车队中的一个或多个车辆。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道还被配置为执行以下各项中的一项或多项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数据基于一个或多个公共数据资源，公共数据资源包括以下各项中的一项或多项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数据基于一个或多个企业数据资源，企业数据资源包括以下各项中的一项或多项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括至少一个基于AI的模型和/或算法，其中，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的一项或多项：一个或多个人类标签和/或标记；与硬件和/或软件系统的一个或多个人类交互；一个或多个结果；一个或多个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道还被配置为协调向一个或多个消耗点输送能源，并且能源输送包括以下各项中的一项或多项：一条或多条固定传输线；一个或多个无线能源传输实例；一个或多个燃料输送；或者一个或多个存储能源输送。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，一个或多个能源相关事件包括以下各项中的一项或多项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道的至少一部分部署在离网环境中，并且离网环境包括以下各项中的一项或多项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道还被配置为：监测以下一项或两项：一组节点中的至少一部分的总能源消耗；或者一组节点的至少一个节点在一组节点中的至少一部分的总能源消耗中的作用；以及基于监测，执行以下各项中的一项或多项：管理一组节点的能源消耗；预测一组节点的能源消耗；或者提供与一组节点的能源消耗相关联的资源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，网络中包括自适应能源数据管道的一组节点包括一组边缘联网设备，边缘联网设备通过经由边缘联网设备控制的一组操作设备来管理能源消耗、能源存储、能源输送或能源消耗中的至少一个。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道还被配置为自动选择用于跨一组节点传送的数据的最低成本路由，该选择基于与数据相关的低优先级能源使用。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道还被配置为自动选择用于跨一组节点传送的数据的高质量服务路由，该选择基于与数据相关的高优先级能源使用。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道包括一组人工智能能力，这些能力被配置为调整管道，以使得能够根据能源协调需求优化数据传输的元件。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道包括自组织数据存储器，数据存储器被配置为基于数据模式、数据内容或数据上下文中的一个或多个在设备上存储数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道被配置为执行自动化自适应联网，自适应联网包括自适应协议选择、基于RF状况的自适应数据路由、自适应数据过滤、网络带宽的自适应切片、认知网络容量的自适应使用或对等网络容量的自适应使用中的一个或多个。
在一些方面，本文描述的技术涉及一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：数字孪生系统，数字孪生系统具有采矿环境的数字孪生，其中，数字孪生包括由采矿环境的传感器检测到的至少一个参数。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个参数与以下各项中的一项或多项相关联：采矿环境的未开采部分；从采矿环境中开采材料；涉及与采矿环境相关联的智能容器的智能容器事件；与采矿环境相关联的矿工的生理状态；与采矿环境相关联的交易相关事件；或者采矿环境遵从一个或多个合约、监管和/或法律政策。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数字孪生系统还表示以下各项中的一项或多项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数字孪生系统还被配置为执行以下各项中的一项或多项：提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；过滤能源数据；突出显示能源数据；或者调整能源数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数字孪生系统还被配置为通过以下各项中的一项或多项生成能源消耗的可视和/或分析指标：一个或多个机器；一个或多个工厂；或者车队中的一个或多个车辆。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，参数基于一个或多个公共数据资源，公共数据资源包括以下各项中的一项或多项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，参数基于一个或多个企业数据资源，企业数据资源包括以下各项中的一项或多项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数字孪生系统包括至少一个基于AI的模型和/或算法，其中，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的一项或多项：一个或多个人类标签和/或标记；与硬件和/或软件系统的一个或多个人类交互；一个或多个结果；一个或多个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数字孪生系统还被配置为协调向一个或多个消耗点输送能源，并且能源输送包括以下各项中的一项或多项：一条或多条固定传输线；一个或多个无线能源传输实例；一个或多个燃料输送；或者一个或多个存储能源输送。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数字孪生系统还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，一个或多个能源相关事件包括以下各项中的一项或多项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数字孪生系统部署在离网环境中，并且离网环境包括以下各项中的一项或多项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，采矿环境是数据采矿环境。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，采矿环境是用于进行计算操作的一组资源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，平台包括采矿环境的矿级物联网(IoT)感测、采矿环境的未开采部分的地面穿透感测、采矿材料的基于质谱和计算机视觉的感测、智能容器的资产标记、用于检测矿工生理状态的可穿戴设备、交易和交易相关事件的安全记录和解决、用于自动分配从采矿环境获得的收益的智能合约、以及用于记录、报告和评估对合约、监管和法律政策要求的遵从性的自动化系统。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，平台包括一组碳感知能源边缘解决方案，解决方案包括探索、配置和实现一组关于碳生成的策略。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，解决方案要求监测采矿环境生产能源，以跟踪采矿环境生成的碳排放。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，解决方案要求采矿环境生产能源，以抵消采矿环境生成的碳。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，平台包括用户接口，并且平台包括一组自动化能源策略部署解决方案，解决方案能够经由用户与用户接口的交互来配置。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，平台包括智能代理，智能代理被训练以生成与采矿环境的治理相关的策略，在历史数据、来自结果的反馈和人类策略设置交互的训练集上训练智能代理。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，平台通过实施包括以下各项中的一项或多项的策略来促进采矿环境的治理：为实体设置一段时间的最大能源使用；为实体设置一段时间的最大能源成本；为实体设置一段时间内的最大碳产量；为实体设置一段时间内的最大污染排放；设置碳抵消要求；设置可再生能源额度要求；设置能源混合要求；基于生产实体的能源和其他边际成本设置利润率最小值；或者为能源存储实体设置最低存储基线。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个参数包括由传感器进行的测量，并且测量与包括在采矿环境的工业操作中的至少一件设备相关联。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数字孪生系统包括调度器，调度器被配置为确定用于生成、存储和/或输送能源到与采矿环境的工业操作相关联的至少一件设备的计划表，并且计划表基于由传感器检测的至少一个参数。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数字孪生中包含的至少一个参数包括与采矿环境相关联的至少一个数据集的至少一个属性。
在一些方面，本文描述的技术涉及一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：采矿作业的治理系统；以及报告系统，该报告系统用于传送由采矿作业的矿井的传感器感测的至少一个参数，其中，至少一个参数与采矿作业遵从一组劳动标准相关联。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，报告系统还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的一项或多项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的一项或多项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的一项或多项：提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；过滤能源数据；突出显示能源数据；调整能源数据，或者通过以下各项中的一项或多项生成能源消耗的视觉和/或分析指标：一个或多个机器；一个或多个工厂；或者车队中的一个或多个车辆。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，报告系统还被配置为执行以下各项中的一项或多项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，报告系统还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，一个或多个能源相关事件包括以下各项中的一项或多项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个参数中的至少一个基于以下各项中的一项或多项：一个或多个公共数据资源，一个或多个公共数据资源包括以下各项中的一项或多项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源，或者一个或多个企业数据资源，一个或多个企业数据资源包括以下各项中的一项或多项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括至少一个基于AI的模型和/或算法，其中，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的一项或多项：一个或多个人类标签和/或标记；与硬件和/或软件系统的一个或多个人类交互；一个或多个结果；一个或多个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，治理系统还被配置为协调向一个或多个消耗点输送能源，并且能源输送包括以下各项中的一项或多项：一条或多条固定传输线；一个或多个无线能源传输实例；一个或多个燃料输送；或者一个或多个存储能源输送。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组劳动标准与由矿井工人执行的至少一个活动相关联，并且传送由传感器感测的至少一个参数包括传送由传感器感测的工人对至少一个活动的表现的指示。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组劳动标准与至少一个对象相关联，至少一个对象与矿井工人相关联，并且传送由传感器感测的至少一个参数包括传送由传感器对至少一个对象的检测的指示。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组劳动标准包括矿井的属性的阈值，并且报告系统还被配置为基于由传感器感测的至少一个参数与阈值的比较来传送确定。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括遵从性恢复系统，遵从性恢复系统被配置为基于由传感器感测的至少一个参数指示不遵从一组劳动标准的状况这一确定来执行至少一个遵从性恢复动作。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括紧急响应系统，紧急响应系统被配置为基于由传感器感测的至少一个参数指示与矿井相关联的紧急事件的发生这一确定来执行至少一个紧急响应动作。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括传感器配置系统，传感器配置系统被配置为确定传感器的配置，以执行至少一个参数的感测，其中，配置基于采矿作业遵从一组劳动标准。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组劳动标准可由传感器配置系统访问并以自然语言指定，并且传感器配置系统被配置为基于对一组劳动标准的自然语言解析来确定传感器的配置。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括传感器修复系统，传感器修复系统被配置为基于对传感器未感测到至少一个参数这一确定来执行至少一个传感器修复措施，其中，至少一个传感器修复措施包括以下各项中的一项或多项：发起传感器的更换；发起涉及传感器的诊断操作；发起传感器的重新配置，以不同的方式检测至少一个参数；发起对矿井工人的请求，以执行对至少一个参数的手动感测；或者发起用矿井的至少一个其他传感器替换矿井的传感器，以感测至少一个参数。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括遵从性验证系统，遵从性验证系统被配置为验证由传感器感测的至少一个参数指示采矿作业遵从一组劳动标准，其中，验证包括以下各项中的一项或多项：验证矿井的传感器的校准；基于至少一个参数与由矿井的至少一个其他传感器感测的至少一个参数的比较，验证由矿井的传感器感测的至少一个参数；请求由矿井工人人工验证至少一个参数；或者请求合规官验证至少一个参数指示采矿作业遵从一组劳动标准。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括工人通信接口，工人通信接口被配置为基于由传感器感测的至少一个参数参与矿井工人的通信，其中，通信与采矿作业遵从一组劳动标准相关联。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括用户接口，用户接口被配置为显示采矿作业的地图，其中，地图包括基于由传感器感测的至少一个参数指示采矿作业遵从一组劳动标准。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组劳动标准包括对工人执行与采矿作业相关联的任务的一组工作要求，并且报告系统还被配置为基于一组工作要求使工人的分配适应任务。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个参数包括工人执行与采矿作业相关联的任务的计划表，并且报告系统还被配置为基于采矿作业遵从一组劳动标准来适应计划表。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，报告系统还被配置为响应于由传感器感测的至少一个参数发起至少一个协议，并且至少一个协议基于调整由传感器感测的至少一个参数，以维护或恢复采矿作业遵从一组劳动标准。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，报告系统还被配置为维护与采矿作业的至少一个任务相关联的至少一个工人的训练状态和/或认证状态的数字记录。
在一些方面，本文描述的技术涉及一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：一组边缘设备，其中，一组边缘设备中的每个边缘设备被配置为保持对链接到一组边缘设备和/或由一组边缘设备管理的一组能源使用的实体中的至少一个实体的碳生成和/或排放的感知。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该组中的至少一个边缘设备被配置为模拟一组能源使用的实体中的至少一个实体的碳生成和/或排放。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该组中的至少一个边缘设备被配置为执行在碳生成数据的训练数据集上训练的一组机器学习算法，以计算一组操作实体的碳生成和/或排放度量。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该组中的至少一个边缘设备被配置为执行在碳生成数据的训练数据集上训练的一组机器学习算法，以计算一组操作实体的碳生成和/或排放度量。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该组中的至少一个边缘设备还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的一项或多项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的一项或多项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的一项或多项：提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；过滤能源数据；突出显示能源数据；调整能源数据，或者通过以下各项中的一项或多项生成能源消耗的视觉和/或分析指标：一个或多个机器；一个或多个工厂；或者车队中的一个或多个车辆。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该组中的至少一个边缘设备还被配置为执行以下各项中的一项或多项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该组中的至少一个边缘设备包括至少一个基于AI的模型和/或算法，其中，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的一项或多项：一个或多个人类标签和/或标记；与硬件和/或软件系统的一个或多个人类交互；一个或多个结果；一个或多个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该组中的至少一个边缘设备被配置为协调向一个或多个消耗点输送能源，并且能源输送包括以下各项中的一项或多项：一条或多条固定传输线；一个或多个无线能源传输实例；一个或多个燃料输送；或者一个或多个存储能源输送。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该组中的至少一个边缘设备还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，一个或多个能源相关事件包括以下各项中的一项或多项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该组中的至少一个边缘设备部署在离网环境中，并且离网环境包括以下各项中的一项或多项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该组中的至少一个边缘设备还被配置为基于碳生成和/或排放的当前度量与碳生成和/或排放的历史度量的比较来确定一段时间内碳生成和/或排放的变化。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该组中的至少一个边缘设备还被配置为基于碳生成和/或排放策略来确定碳生成和/或排放目标。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该组中的至少一个边缘设备还被配置为：执行碳生成和/或排放度量与碳生成和/或排放目标的比较；以及基于比较来确定碳生成和/或排放对碳生成和/或排放策略的遵从性。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该组中的至少一个边缘设备还被配置为基于碳生成和/或排放度量以及碳生成和/或排放目标来确定碳生成和/或排放的环境影响。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，碳生成和/或排放与一组活动相关联，并且组中的至少一个边缘设备还被配置为将碳生成和/或排放的至少一部分分配给一组活动中的至少一个活动。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该组中的至少一个边缘设备还被配置为将至少一个指标与碳生成和/或排放度量与碳生成和/或排放目标相关联，其中，指标包括以下各项中的一项或多项：碳生成和/或排放的日期、时间和/或时间段；碳生成和/或排放的来源位置；碳生成和/或排放的输送方向和/或速度；碳生成和/或排放的受影响位置；碳生成和/或排放的物理度量；碳生成和/或排放的化学成分；与碳生成和/或排放相关的区域中出现的天气模式；与碳生成和/或排放相关的区域中的野生动物种群；或者受碳生成和/或排放影响的人类活动。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该组中的至少一个边缘设备还被配置为基于碳生成和/或排放度量与和碳生成和/或排放关联的警报阈值的比较来传输与碳生成和/或排放关联的警报。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该组中的至少一个边缘设备还被配置为基于碳生成和/或排放度量来调整与碳生成和/或排放相关联的活动，并且调整修改碳生成和/或排放的未来状态。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组边缘设备中的至少一个边缘设备还被配置为通过基于检测间隔检测与一组能源使用的实体中的至少一个实体相关联的碳生成和/或排放的测量来保持感知。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组边缘设备中的至少一个边缘设备还被配置为通过生成至少一个局部报告和/或警报来保持感知，并且至少一个局部报告和/或警报与碳生成和/或排放模式相关联，碳生成和/或排放模式与一组能源使用的实体中的至少一个实体相关联。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组边缘设备中的至少一个边缘设备还被配置为改变与一组能源使用的实体中的至少一个实体相关联的一件或多件设备和/或过程的操作，并且改变操作基于与一组能源使用的实体中的至少一个实体相关联的碳生成和/或排放的至少一个测量。
在一些方面，本文描述的技术涉及一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：数字孪生，数字孪生由数据收集系统更新，数据收集系统动态地维护定义域内的一组固定实体和一组移动实体的一组历史、当前和/或预测能源需求参数，其中，数字孪生的更新基于一组能源需求参数。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组操作实体经由一组链接到一组操作实体的边缘联网设备来控制，并且能源需求参数基于以下各项中的一项或多项：从来自一组操作实体的需求中导出的一组当前汇总数据，其中，一组操作实体经由链接到一组操作实体的一组边缘联网设备来控制；从来自一组操作实体的需求中导出的一组历史汇总数据，其中，一组操作实体经由链接到一组操作实体的一组边缘联网设备来控制；或者从来自一组操作实体的需求中导出的一组模拟汇总数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数据收集系统还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的一项或多项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数字孪生表示以下各项中的一项或多项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数字孪生还被配置为执行以下各项中的一项或多项：提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；过滤能源数据；突出显示能源数据；调整能源数据，或者通过以下各项中的一项或多项生成能源消耗的视觉和/或分析指标：一个或多个机器；一个或多个工厂；或者车队中的一个或多个车辆。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个能源需求参数基于以下各项中的一项或多项：在一个或多个公共数据资源上，一个或多个公共数据资源包括以下各项中的一项或多项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源；或者一个或多个企业数据资源，一个或多个企业数据资源包括以下各项中的一项或多项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数字孪生包括至少一个基于AI的模型和/或算法，其中，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的一项或多项：一个或多个人类标签和/或标记；与硬件和/或软件系统的一个或多个人类交互；一个或多个结果；一个或多个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数字孪生还被配置为协调向一个或多个消耗点输送能源，并且能源输送包括以下各项中的一项或多项：一条或多条固定传输线；一个或多个无线能源传输实例；一个或多个燃料输送；或者一个或多个存储能源输送。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数字孪生还被配置为基于能源输送和/或消耗策略来调整向一个或多个消耗点输送能源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数字孪生还被配置为确定向一个或多个消耗点输送能源的碳生成和/或排放效果。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数字孪生还被配置为基于一个或多个消耗点处的可用能源不足的概率和一个或多个消耗点处的可用能源不足的后果来调整向一个或多个消耗点输送能源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数字孪生还被配置为基于两个或更多个能源中的每一个的能源可用性的比较来确定向一个或多个消耗点输送能源，其中，比较包括以下各项中的一项或多项：由两个或多个能源来源中的至少一个存储的当前和/或未来的能源数量，与由两个或多个能源中的至少一个获取、存储和/或输送能源相关联的当前和/或未来资源消耗，或者其他能源消费者对两个或多个能源中的至少一个的当前和/或未来需求。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数字孪生还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，一个或多个能源相关事件包括以下各项中的一项或多项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数字孪生部署在离网环境中，并且离网环境包括以下各项中的一项或多项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，基于AI的平台被配置为基于预测增量来测量数字孪生的性能，并且预测增量基于由数字孪生基于一组能源需求参数生成的预测与数据收集系统内对应于预测的测量的比较。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，基于AI的平台被配置为基于预测增量更新数字孪生，并且更新包括以下各项中的一项或多项：基于预测增量重新训练数字孪生，基于预测增量调整应用于数字孪生的预测的预测校正，用至少一个其他经过训练的机器学习模型来补充数字孪生，或者用替代数字孪生替换数字孪生。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数字孪生还被配置为生成：基于至少一个能源需求参数的预测，以及至少一个能源需求参数对预测的影响的指示。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数字孪生还被配置为确定一组能源需求参数的一个或多个修改，以改进数字孪生的未来预测，其中，一个或多个修改包括以下各项中的一项或多项：与定义域内的一组固定实体和一组移动实体相关联的一个或多个附加的历史、当前和/或预测能源需求参数；或者与定义域内的一组固定实体和一组移动实体相关联的历史、当前和/或预测能源需求参数中的一个或多个能源需求参数的一个或多个修改。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数字孪生还被配置为基于从定义域内的一组固定实体和/或一组移动实体中的至少一个实体接收的一个或多个实体参数来协调向一个或多个消耗点输送能源，并且一个或多个实体参数包括以下各项中的一项或多项：至少一个实体的当前和/或未来能源状态，至少一个实体的当前和/或未来能源消耗，或者由至少一个实体执行的与能源消耗相关联的当前和/或未来活动。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数字孪生还被配置为向定义域内的一组固定实体和/或一组移动实体中的至少一个实体传输调整与至少一个实体相关联的一个或多个实体参数的请求，并且一个或多个实体参数包括以下各项中的一项或多项：至少一个实体的当前和/或未来能源状态，至少一个实体的当前和/或未来能源消耗，或者由至少一个实体执行的与能源消耗相关联的当前和/或未来活动。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数字孪生还被配置为：执行与一组固定实体或一组移动实体中的一个或两个相关联的至少一个物理机器的至少一个过程的模拟，以及基于模拟，输出由至少一个过程产生的至少一个能源需求参数。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数字孪生与至少一个物理机器相关联，至少一个物理机器与一组固定实体或一组移动实体中的一个或两个相关联，并且数字孪生由数据收集系统更新，以生成与由至少一个物理机器执行的过程的输出的更新检测相对应的过程的输出。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数字孪生由数据收集系统基于与一组能源需求参数相关联的节省电力和能源消耗的策略来更新。
在一些方面，本文描述的技术涉及一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：一组模块化分布式能源系统，一组模块化分布式能源系统可基于本地需求要求进行配置。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，通过在链接到一组消耗能源的系统的一组边缘联网设备上操作的需求预测算法来预测本地需求要求。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该组中的至少一个模块化分布式能源系统由基于AI的平台配置为位于需求的位置和时间附近。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该组中的至少一个模块化分布式能源系统由基于AI的平台配置为基于本地需求要求的位置和类型来定位。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该组中的至少一个模块化分布式能源系统由基于AI的平台配置为在本地需求点处生成能源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该组中的至少一个模块化分布式能源系统由基于AI的平台配置为将模块化发电系统输送到需求位置。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该组中的至少一个模块化分布式能源系统由基于AI的平台配置为将一组能源输送设施的能源输送路由至需求位置。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该组中的至少一个模块化分布式能源系统由基于AI的平台协调，以在需求的位置和时间附近存储能源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该组中的至少一个模块化分布式能源系统还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的一项或多项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的一项或多项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的一项或多项：提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；过滤能源数据；突出显示能源数据；调整能源数据，或者通过以下各项中的一项或多项生成能源消耗的视觉和/或分析指标：一个或多个机器；一个或多个工厂；或者车队中的一个或多个车辆。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个模块化分布式能源系统还被配置为执行以下各项中的一项或多项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，本地需求要求基于以下各项中的一项或多项：在一个或多个公共数据资源上，一个或多个公共数据资源包括以下各项中的一项或多项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源；或者一个或多个企业数据资源，一个或多个企业数据资源包括以下各项中的一项或多项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括至少一个基于AI的模型和/或算法，其中，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的一项或多项：一个或多个人类标签和/或标记；与硬件和/或软件系统的一个或多个人类交互；一个或多个结果；一个或多个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个模块化分布式能源系统被配置为协调向一个或多个消耗点输送能源，并且能源输送包括以下各项中的一项或多项：一条或多条固定传输线；一个或多个无线能源传输实例；一个或多个燃料输送；或者一个或多个存储能源输送。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，模块化分布式能源系统的第一系统被配置为与模块化分布式能源系统的第二系统通信，以通过调整第一系统或第二系统中的一个或两个的能源生成、存储、输送和/或消耗来协调向一个或多个消耗点输送能源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个模块化分布式能源系统被配置为基于碳生成和/或排放策略来调整向一个或多个消耗点输送能源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个模块化分布式能源系统还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，一个或多个能源相关事件包括以下各项中的一项或多项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个模块化分布式能源系统部署在离网环境中，并且离网环境包括以下各项中的一项或多项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个模块化分布式能源系统与数字孪生相关联，数字孪生被配置为对至少一个模块化分布式能源系统的一个或多个属性和/或操作进行建模和/或预测。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组模块化分布式能源系统可以被配置为改变预留容量的量，以适应与本地需求要求相关联的能源需求模式。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组模块化分布式能源系统可以被配置为基于对本地需求要求的测量和/或预测来改变能源供应和/或访问资源的位置。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组模块化分布式能源系统可以被配置为基于对本地需求要求的测量和/或预测来改变能源生产计划表。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组模块化分布式能源系统可以被配置为改变与一组模块化分布式能源系统相关联的资源分配，并且分配基于本地需求要求的子集。
在一些方面，本文描述的技术涉及一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：人工智能系统，人工智能系统被配置为：执行与涉及一组资源的操作过程相关联的能源模式的分析，一组资源至少部分地独立于电网；以及输出一组操作参数，以提供能源生成、存储和/或消耗，从而实现操作过程，其中，一组操作参数基于分析。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组操作参数中的至少一个操作参数是分布式能源发电资源的生成输出水平。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组操作参数中的至少一个操作参数是分布式能源存储资源的目标存储水平。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组操作参数中的至少一个操作参数是分布式能源输送资源的输送时间。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的一项或多项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的一项或多项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的一项或多项：提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；过滤能源数据；突出显示能源数据；调整能源数据，或者通过以下各项中的一项或多项生成能源消耗的视觉和/或分析指标：一个或多个机器；一个或多个工厂；或者车队中的一个或多个车辆。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统还被配置为执行以下各项中的一项或多项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个操作参数基于以下各项中的一项或多项：一个或多个公共数据资源，一个或多个公共数据资源包括以下各项中的一项或多项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源；或者一个或多个企业数据资源，一个或多个企业数据资源包括以下各项中的一项或多项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统基于训练数据集进行训练，并且训练数据集基于以下各项中的一项或多项：一个或多个人类标签和/或标记；与硬件和/或软件系统的一个或多个人类交互；一个或多个结果；一个或多个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统被配置为协调向一个或多个消耗点输送能源，并且能源输送包括以下各项中的一项或多项：一条或多条固定传输线；一个或多个无线能源传输实例；一个或多个燃料输送；或者一个或多个存储能源输送。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，一个或多个能源相关事件包括以下各项中的一项或多项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统部署在离网环境中，并且离网环境包括以下各项中的一项或多项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统还被配置为确定与操作过程相关联的碳生成和/或排放对与操作过程相关联的区域的环境影响。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统还被配置为评估操作过程对以下一项或两项的遵从性：碳生成和/或排放策略，或者与操作过程相关的一组劳动标准。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统还被配置为基于以下一项或两项来调整一组操作参数，以提供与操作过程相关联的能源生成、存储和/或消耗：碳生成和/或排放策略，或者与操作过程相关的一组劳动标准。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统还被配置为向与操作过程相关联的一组边缘设备中的至少一个边缘设备传输消息，并且消息包括基于一组操作参数来调整至少一个边缘设备的至少一个操作的请求。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统还被配置为从与操作过程相关联的一组边缘设备中的至少一个边缘设备接收至少一个边缘设备的当前和/或预测能源状态的指标，并且一组操作参数基于至少一个边缘设备的当前和/或预测能源状态的指标。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统还被配置为基于数字孪生的输出来确定一组操作参数，数字孪生表示与操作过程相关联的一组边缘设备中的至少一个边缘设备，并且数字孪生的输出指示至少一个边缘设备的当前和/或预测能源状态。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统还被配置为协调一组模块化分布式能源系统，以生成、存储和/或输送能源，其中，协调基于一组操作参数和本地需求要求。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，与操作过程相关联的能源模式的分析包括基于电网的至少一部分的故障来分析备用电源的可用性。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，与操作过程相关的能源模式的分析包括与一组资源相关的至少一个辅助功能的分析，并且一组操作参数包括与至少一个辅助功能相关的至少一个操作参数。
在一些方面，本文描述的技术涉及一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：策略和治理引擎，策略和治理引擎被配置为部署一组规则和/或策略，一组规则和/或策略治理一组能源生成、存储和/或消耗工作负荷，其中，规则和/或策略与一组边缘设备的配置相关联，一组边缘设备与一组能源生成设施、能源存储设施、能源输送设施或能源消耗系统进行本地数据通信操作。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，在策略和治理引擎中配置时，由至少一个边缘设备自动应用与能源生成指令相关联的策略，以控制经由边缘设备控制的至少一个能源生成系统的能源生成。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，在策略和治理引擎中配置时，由至少一个边缘设备自动应用与能源消耗指令相关联的策略，以控制经由边缘设备控制的至少一个能源消耗系统的能源消耗。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，在策略和治理引擎中配置时，由至少一个边缘设备自动应用与能源输送指令相关联的策略，以控制经由边缘设备控制的至少一个能源输送系统的能源输送。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，在策略和治理引擎中配置时，由至少一个边缘设备自动应用与能源存储指令相关联的策略，以控制经由边缘设备控制的至少一个能源存储系统的能源存储。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，策略和治理引擎被配置为在所存储的一组策略模板上进行操作，以便配置策略。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，基于历史策略的数据集、表示一组分布式能源的操作状态和/或配置的数据集以及一组历史结果，自动生成一组推荐策略，以在策略和治理引擎中呈现。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，策略和治理引擎还被配置为基于至少一个上下文因素来调整规则和/或策略，并且至少一个上下文因素包括以下各项中的至少一项：能源交易的历史数据；至少一个操作因素；至少一个市场因素；至少一个预期的市场行为；或者至少一个预期的客户行为。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，策略和治理引擎还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的至少一项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的至少一项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的至少一项：提供至少一个能源消费者的能源消耗的视觉和/或分析指标，过滤能源数据；突出显示能源数据；或者调整能源数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：至少一个机器；至少一个工厂；或者车队中的至少一个车辆。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，策略和治理引擎还被配置为执行以下各项中的至少一项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个规则和/或策略基于至少一个公共数据资源，至少一个公共数据资源包括以下各项中的至少一项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个规则和/或策略基于至少一个企业数据资源，至少一个企业数据资源包括以下各项中的至少一项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括至少一个基于AI的模型和/或算法，其中，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的至少一项：至少一个人类标签和/或标记；与硬件和/或软件系统的至少一个人类交互；至少一个结果；至少一个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，策略和治理引擎被配置为协调向至少一个消耗点输送能源，并且能源输送包括以下各项中的至少一项：至少一条固定传输线；至少一个无线能源传输实例；至少一个燃料输送；或者至少一个存储能源输送。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，策略和治理引擎还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，至少一个能源相关事件包括以下各项中的至少一项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，策略和治理引擎部署在离网环境中，并且离网环境包括以下各项中的至少一项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，策略和治理引擎还被配置为生成和/或执行至少一个智能合约，其中，至少一个智能合约中的每一个将规则和/或策略应用于至少一个能源相关交易。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组规则和/或策略基于与一组能源生成、存储和/或消耗工作负荷相关联的至少一个目标，并且策略和治理引擎还被配置为基于目标将对一组规则和/或策略的更新部署到一组边缘设备。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，策略和治理引擎还被配置为向一组边缘设备部署至少一个指令，以适应与由一组边缘设备控制的至少一个工业机器和/或工业过程相关联的至少一个操作参数。
在一些方面，本文描述的技术涉及一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：一组边缘设备，一组边缘设备被配置为：与至少一个能源生成设施、能源存储设施和/或能源消耗系统通信，以及自动执行一组预配置策略，一组预配置策略管理相应的能源生成设施、能源存储设施或能源消耗系统的能源生成、能源存储或能源消耗。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自动执行的策略是一组上下文策略，一组上下文策略基于能源电网中的一组能源生成实体的当前状态进行调整。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自动执行的策略是一组上下文策略，一组上下文策略基于能源生成环境中的一组能源生成实体的当前状态进行调整，能源生成环境包括能源电网和独立于能源电网操作的一组分布式能源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自动执行的策略是一组上下文策略，一组上下文策略基于能源电网中的一组能源存储实体的当前状态进行调整。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自动执行的策略是一组上下文策略，一组上下文策略基于能源存储环境中的一组能源存储实体的当前状态进行调整，能源存储环境包括能源电网和独立于能源电网操作的一组分布式能源资源，其中，自动执行的策略是一组上下文策略，一组上下文策略基于能源电网中的一组能源输送实体的当前状态进行调整。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自动执行的策略是一组上下文策略，一组上下文策略基于能源传输环境中的一组能源传输实体的当前状态进行调整，能源传输环境包括能源电网和独立于能源电网操作的一组分布式能源资源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自动执行的策略是一组上下文策略，一组上下文策略基于从能源电网中消耗能源的一组能源消耗实体的当前状态进行调整。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自动执行的策略是一组上下文策略，一组上下文策略基于一组能源消耗实体的当前状态进行调整，一组能源消耗实体从能源电网中和从独立于能源电网操作的一组分布式能源资源中消耗能源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组边缘设备还被配置为基于至少一个上下文因素来调整一组预配置策略，并且至少一个上下文因素包括以下各项中的至少一项：能源交易的历史数据；至少一个操作因素；至少一个市场因素；至少一个预期的市场行为；或者至少一个预期的客户行为。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个边缘设备还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的至少一项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的至少一项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的至少一项：提供至少一个能源消费者的能源消耗的视觉和/或分析指标，过滤能源数据；突出显示能源数据；或者调整能源数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：至少一个机器；至少一个工厂；或者车队中的至少一个车辆。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个边缘设备还被配置为执行以下各项中的至少一项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个预配置策略基于至少一个公共数据资源，至少一个公共数据资源包括以下各项中的至少一项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个预配置策略基于至少一个企业数据资源，至少一个企业数据资源包括以下各项中的至少一项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个边缘设备包括至少一个基于AI的模型和/或算法，其中，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的至少一项：至少一个人类标签和/或标记；与硬件和/或软件系统的至少一个人类交互；至少一个结果；至少一个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个边缘设备还被配置为协调向至少一个消耗点输送能源，并且能源输送包括以下各项中的至少一项：至少一条固定传输线；至少一个无线能源传输实例；至少一个燃料输送；或者至少一个存储能源输送。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个边缘设备还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，至少一个能源相关事件包括以下各项中的至少一项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个边缘设备部署在离网环境中，并且离网环境包括以下各项中的至少一项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组边缘设备还被配置为：基于与至少一个能源生成设施、能源存储设施和/或能源消耗系统的通信来确定至少一种能源可用性模式，以及基于至少一种模式更新一组预配置策略的执行。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组边缘设备中的至少一个边缘设备被配置为管理工业设施的操作，并且一组预配置策略基于与工业设施相关联的至少一个能源目标。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个能源生成设施、能源存储设施和/或能源消耗系统位于地理区域中，并且一组预配置策略基于与地理区域相关联的至少一个能源目标。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组边缘设备被配置为通过调整与至少一个能源生成设施、能源存储设施和/或能源消耗系统相关联的能源资源的分配或由至少一个能源生成设施、能源存储设施和/或能源消耗系统执行的过程的计划表中的至少一个来自动执行一组预配置策略。
在一些方面，本文描述的技术涉及一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：机器学习系统，机器学习系统在一组能源智能数据上进行训练并且部署在边缘设备上，其中，机器学习系统被配置为接收边缘设备进行的附加训练，以改进能源管理。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，能源管理包括管理一组分布式能源生成资源的能源生成。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，能源管理包括管理一组分布式能源存储资源的能源存储。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，能源管理包括管理一组分布式能源输送资源的能源输送。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，能源管理包括管理一组分布式能源消耗资源的能源消耗。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，能源管理基于与边缘设备和一组能源生成设施、能源存储设施、能源输送设施或能源消耗系统相关联的一组规则和/或策略。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，机器学习系统还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的至少一项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的至少一项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的至少一项：提供至少一个能源消费者的能源消耗的视觉和/或分析指标，过滤能源数据；突出显示能源数据；或者调整能源数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：至少一个机器；至少一个工厂；或者车队中的至少一个车辆。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，机器学习系统还被配置为执行以下各项中的至少一项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，能源智能数据基于至少一个公共数据资源，至少一个公共数据资源包括以下各项中的至少一项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，能源智能数据基于至少一个企业数据资源，至少一个企业数据资源包括以下各项中的至少一项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，机器学习系统还基于训练数据集进行训练，并且训练数据集基于以下各项中的至少一项：至少一个人类标签和/或标记；与硬件和/或软件系统的至少一个人类交互；至少一个结果；至少一个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，机器学习系统还被配置为协调向至少一个消耗点输送能源，并且能源输送包括以下各项中的至少一项：至少一条固定传输线；至少一个无线能源传输实例；至少一个燃料输送；或者至少一个存储能源输送。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，机器学习系统还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，至少一个能源相关事件包括以下各项中的至少一项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，边缘设备部署在离网环境中，并且离网环境包括以下各项中的至少一项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，边缘设备位于生成、存储、输送和/或使用能源的至少一个实体附近。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，边缘设备提供关于生成、存储、输送和/或使用能源的至少一个实体的能源状态和/或能源流的信息。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，边缘设备包含和/或治理一组传感器中的至少一个传感器，并且一组传感器与被配置为生成、存储、输送和/或使用能源的一组基础设施资产相关联。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，边缘设备与情况和/或环境相关联，并且边缘设备还被配置为响应于情况和/或环境的变化来执行机器学习系统的附加训练。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，边缘设备还被配置为基于机器学习系统对模型漂移的确定来执行机器学习系统的附加训练。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，附加训练基于机器学习系统最初进行训练的一组能源智能数据和机器学习系统尚未进行训练的附加能源智能数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，附加训练包括将机器学习系统添加到包括至少一个其他人工智能系统的集合中。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组能源智能数据基于至少一个能源相关策略和/或规则，并且附加训练基于至少一个能源相关策略和/或规则的变化。
在一些方面，本文描述的技术涉及一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：一组边缘设备，一组边缘设备包括一组人工智能系统，一组人工智能系统被配置为：处理由边缘设备处理的数据；以及基于数据，确定与边缘设备进行本地通信的一组系统的能源生成、存储、输送和/或消耗特征的混合，并输出表示混合的组成比例的数据集。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，输出数据集指示由能源电网生成的能源的分数和由独立于能源电网操作的一组分布式能源生成的能源的分数。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，输出数据集指示由可再生能源生成的能源的分数和由不可再生资源生成的能源的分数。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，输出数据集指示针对一系列时间间隔中的每个间隔按类型划分的能源生成的分数。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，输出数据集指示在一系列时间间隔的每个间隔期间与能源混合中的每种能源类型的能源生成相关联的碳生成。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，输出数据集指示在一系列时间间隔的每个间隔期间与能源混合中的每种能源类型的能源生成相关联的碳排放。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个边缘设备还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的至少一项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的至少一项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的至少一项：提供至少一个能源消费者的能源消耗的视觉和/或分析指标，过滤能源数据；突出显示能源数据；或者调整能源数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：至少一个机器；至少一个工厂；或者车队中的至少一个车辆。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个边缘设备还被配置为执行以下各项中的至少一项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数据基于至少一个公共数据资源，公共数据资源包括以下各项中的至少一项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数据基于至少一个企业数据资源，企业数据资源包括以下各项中的至少一项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个边缘设备包括至少一个基于AI的模型和/或算法，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的至少一项：至少一个人类标签和/或标记；与硬件和/或软件系统的至少一个人类交互；至少一个结果；至少一个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个边缘设备还被配置为协调向至少一个消耗点输送能源，并且能源输送包括以下各项中的至少一项：至少一条固定传输线；至少一个无线能源传输实例；至少一个燃料输送；或者至少一个存储能源输送。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个边缘设备还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，至少一个能源相关事件包括以下各项中的至少一项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个边缘设备部署在离网环境中，并且离网环境包括以下各项中的至少一项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组边缘设备的至少一部分位于生成、存储、输送和/或使用能源的至少一个实体附近。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组边缘设备提供关于生成、存储、输送和/或使用能源的至少一个实体的能源状态和/或能源流的信息。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组边缘设备包含和/或治理一组传感器中的至少一个传感器，并且一组传感器与被配置为生成、存储、输送和/或使用能源的一组基础设施资产相关联。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，能源生成、存储、输送和/或消耗特征的混合基于与一组边缘设备相关联的至少一个能源需求要求。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，能源生成、存储、输送和/或消耗特征的混合基于与一组边缘设备相关联的每个能源来源相关联的能源收集、存储、运输和/或使用的优先级。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，能源生成、存储、输送和/或消耗特征的混合基于与一组边缘设备相关联的每个能源来源相关联的存储、运输和/或使用的计划表。
在一些方面，本文描述的技术涉及一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：数据处理系统，数据处理系统被配置为将能源电网实体生成、存储、输送或消耗电网数据集的至少一个实体与离网能源实体生成、存储、输送和/或消耗数据集的至少一个实体融合。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数据处理系统被配置为自动地将能源电网实体数据与离网能源实体数据进行时间对齐。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数据处理系统被配置为从一组边缘设备自动收集离网能源实体传感器数据，经由一组边缘设备控制一组离网能源实体。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数据处理系统被配置为自动归一化能源电网实体数据和离网能源实体数据，以便根据一组公共单元来呈现数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数据处理系统还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的至少一项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的至少一项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的至少一项：提供至少一个能源消费者的能源消耗的视觉和/或分析指标，过滤能源数据；突出显示能源数据；或者调整能源数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：至少一个机器；至少一个工厂；或者车队中的至少一个车辆。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数据处理系统还被配置为执行以下各项中的至少一项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括至少一个基于AI的模型和/或算法，其中，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的至少一项：至少一个人类标签和/或标记；与硬件和/或软件系统的至少一个人类交互；至少一个结果；至少一个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数据处理系统还被配置为协调向至少一个消耗点输送能源，并且能源输送包括以下各项中的至少一项：至少一条固定传输线；至少一个无线能源传输实例；至少一个燃料输送；或者至少一个存储能源输送。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数据处理系统还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，至少一个能源相关事件包括以下各项中的至少一项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，离网能源生成、存储和/或消耗数据集的至少一个实体部署在离网环境中，并且离网环境包括以下各项中的至少一项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数据处理系统还被配置为基于一组基础设施资产的能源生成、存储和/或消耗数据的数据集来智能协调和管理电力和/或能源，并且数据集至少部分由一组边缘设备中包含的和/或由其管理的一组传感器产生。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数据处理系统还被配置为管理以下各项中的至少一项：由一组分布式能源生成资源生成能源；由一组分布式能源存储资源存储能源；由一组分布式能源输送资源输送能源；或者由一组分布式能源消耗资源消耗能源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数据处理系统还被配置为智能协调和管理一组实体的电力和/或能源，其中，一组实体包括以下各项中的至少一项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数据处理系统还被配置为执行至少一种算法，算法对至少一个实体的能源消耗进行模拟，其中，模拟基于数据集，数据集包括至少一个实体的替代状态或事件参数，替代状态或事件参数反映替代消耗情况，并且算法访问需求响应模型，需求响应模型说明能源需求如何响应能源价格或消耗能源的操作或活动的价格的变化。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数据处理系统包括策略和治理引擎，策略和治理引擎被配置为将一组规则和/或策略部署到与至少一个实体进行本地通信的至少一个边缘设备，并且边缘设备被配置为基于规则和/或策略来治理至少一个实体。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数据处理系统包括分析系统，分析系统基于一组感测到的参数表示至少一个实体的一组操作参数和当前状态，一组感测到的参数由一组靠近至少一个实体的边缘设备生成，并且分析系统被配置为提供与至少一个实体或至少一个附加可用实体中的至少一个相关联的推荐。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数据处理系统包括人工智能系统，人工智能系统在历史数据集上进行训练，历史数据集涉及与至少一个实体相关联的操作过程的能源生成、存储和/或利用，并且数据处理系统还被配置为：分析操作过程的能源模式，以及基于当前状态和/或与至少一个实体相关联的信息，输出操作过程的能源需求预测。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数据处理系统还被配置为将能源电网实体生成、存储、输送或消耗电网数据集和离网能源实体生成、存储、输送和/或消耗数据集与备用和/或辅助能源生成、存储、输送或消耗电网数据集的至少一个实体相融合。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数据处理系统还被配置为基于融合能源电网实体生成、存储、输送或消耗电网数据集和离网能源实体生成、存储、输送和/或消耗数据集来协调能源电网资源和/或离网能源资源的开发。
在一些方面，本文描述的技术涉及一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：一组自主协调系统，该自主协调系统用于基于以下各项改进将一组异构能源类型输送到消耗点：消耗点的位置，以及一组消费属性，消费属性包括以下各项中的至少一项：在消耗点处的峰值电力需求；在消耗点处的电力需求的连续性；以及能够在消耗点处使用的能源的类型。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组自主协调系统协调将定义类型的能源生成容量输送到消耗点。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组自主协调系统协调将定义类型的能源存储容量输送到消耗点。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少部分地基于一组操作兼容性参数来确定能够使用的能源类型。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少部分地基于一组治理参数来确定能够使用的能源类型。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组治理参数涉及可再生能源的使用。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组治理参数涉及碳生成或排放。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组自主协调系统中的至少一个还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的至少一项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的至少一项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的至少一项：提供至少一个能源消费者的能源消耗的视觉和/或分析指标，过滤能源数据；突出显示能源数据；或者调整能源数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：至少一个机器；至少一个工厂；或者车队中的至少一个车辆。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组自主协调系统中的至少一个还被配置为执行以下各项中的至少一项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个消费属性基于至少一个公共数据资源，公共数据资源包括以下各项中的至少一项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个消费属性基于至少一个企业数据资源，企业数据资源包括以下各项中的至少一项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括至少一个基于AI的模型和/或算法，其中，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的至少一项：至少一个人类标签和/或标记；与硬件和/或软件系统的至少一个人类交互；至少一个结果；至少一个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组自主协调系统中的至少一个还被配置为协调向至少一个消耗点输送能源，并且能源输送包括以下各项中的至少一项：至少一条固定传输线；至少一个无线能源传输实例；至少一个燃料输送；或者至少一个存储能源输送。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组自主协调系统中的至少一个还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，至少一个能源相关事件包括以下各项中的至少一项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组自主协调系统中的至少一个部署在离网环境中，并且离网环境包括以下各项中的至少一项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组自主协调系统还被配置为基于管理一组能源生成、存储和/或消耗工作负荷的一组规则和/或策略来确定一组异构能源类型的输送，并且规则和/或策略与一组边缘设备的配置相关联，一组边缘设备与一组能源生成设施、能源存储设施、能源输送设施或能源消耗系统进行本地数据通信操作。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组自主协调系统还被配置为基于至少一个能源消费者的能源消耗模拟来确定一组异构能源类型的输送，模拟基于包括至少一个能源消费者中的至少一个的替代状态或事件参数的数据集，替代状态或事件参数反映替代消耗情况，并且模拟基于需求响应模型，需求响应模型说明能源需求如何响应于能源价格或消耗能源的操作或活动的价格的变化。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组自主协调系统通过将一组异构能源类型中的每一个与和消耗点相关联的至少一个消费者进行匹配，来改进将一组异构能源类型输送到消耗点。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组自主协调系统通过确定一种或多种能源类型的附加能源的开发来改进将一组异构能源类型输送到消耗点，并且开发基于与消耗点相关联的能源需求的预测。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组自主协调系统通过比较与消耗点相关联的能源需求的特征和一组异构能源类型的每种能源类型的特征，来改进将一组异构能源类型输送到消耗点。
在一些方面，本文描述的技术涉及一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：智能代理，智能代理在与能源供应系统的专家交互的数据集上进行训练，其中，智能代理被训练成相对于至少一个能源目标和至少一个其他目标的优化生成至少一个推荐和/或指令。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，另一目标是企业的操作目标。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，智能代理对来自一组边缘设备的状态数据进行操作，经由一组边缘设备控制一组能源生成资源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，智能代理对来自一组边缘设备的状态数据进行操作，经由一组边缘设备控制一组能源消耗资源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，智能代理对来自一组边缘设备的状态数据进行操作，经由边缘设备控制一组能源存储资源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，智能代理对来自一组边缘设备的状态数据进行操作，经由一组边缘设备控制一组能源输送资源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，智能代理还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的至少一项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的至少一项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的至少一项：提供至少一个能源消费者的能源消耗的视觉和/或分析指标，过滤能源数据；突出显示能源数据；或者调整能源数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：至少一个机器；至少一个工厂；或者车队中的至少一个车辆。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，智能代理还被配置为执行以下各项中的至少一项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数据集基于至少一个公共数据资源，公共数据资源包括以下各项中的至少一项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数据集基于至少一个企业数据资源，企业数据资源包括以下各项中的至少一项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，智能代理基于训练数据集进行训练，并且训练数据集基于以下各项中的至少一项：至少一个人类标签和/或标记；与硬件和/或软件系统的至少一个人类交互；至少一个结果；至少一个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，智能代理还被配置为协调向至少一个消耗点输送能源，并且能源输送包括以下各项中的至少一项：至少一条固定传输线；至少一个无线能源传输实例；至少一个燃料输送；或者至少一个存储能源输送。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，智能代理还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，至少一个能源相关事件包括以下各项中的至少一项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，智能代理部署在离网环境中，并且离网环境包括以下各项中的至少一项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，智能代理位于生成、存储、输送和/或使用能源的至少一个实体附近。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，智能代理提供关于生成、存储、输送和/或使用能源的至少一个实体的能源状态和/或能源流的信息。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，智能代理管理一组传感器中的至少一个传感器，并且一组传感器与被配置为生成、存储、输送和/或使用能源的一组基础设施资产相关联。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，智能代理还被配置为管理与至少一个设备相关联的至少一个处理任务，并且至少一个建议和/或指令包括基于至少一个能源目标和/或至少一个其他目标调整至少一个处理任务。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，智能代理还被配置为：在至少两个设备之间迁移，以及当驻留在至少两个设备中的每个设备上时，将至少一个推荐和/或指令应用到智能代理驻留在其上的设备。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，智能代理还被配置为与至少一个其他智能代理交换信息，并且信息基于至少一个建议和/或指令、或至少一个能源目标和/或至少一个其他目标中的一个或两个。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，推荐和/或指令与至少一个设备相关联，并且智能代理还被配置为与至少一个其他智能代理交换与至少一个设备相关联的收集的和/或确定的数据。
在一些方面，本文描述的技术涉及一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：人工智能系统，人工智能系统在一组能源生成、能源存储、能源输送和/或能源消耗结果上进行,其中，人工智能系统被配置为：分析当前能源生成、当前能源存储、当前能源输送和/或当前能源消耗信息的数据集，以及提供包括满足定义域中的移动实体能源需求或固定位置能源需求两者的至少一个操作参数的推荐。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，定义域包括定义的地理位置和定义的时间段。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个操作参数指示用于一组能源生成资源的生成指令。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个操作参数指示用于一组能源存储资源的存储指令。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个操作参数指示用于一组能源输送资源的输送指令。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个操作参数指示用于消耗能源的一组实体的消耗指令。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的至少一项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的至少一项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的至少一项：提供至少一个能源消费者的能源消耗的视觉和/或分析指标，过滤能源数据；突出显示能源数据；或者调整能源数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：至少一个机器；至少一个工厂；或者车队中的至少一个车辆。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统还被配置为执行以下各项中的至少一项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数据集基于至少一个公共数据资源，至少一个公共数据资源包括以下各项中的至少一项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数据集基于至少一个企业数据资源，至少一个企业数据资源包括以下各项中的至少一项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统基于训练数据集进行训练，并且训练数据集基于以下各项中的至少一项：至少一个人类标签和/或标记；与硬件和/或软件系统的至少一个人类交互；至少一个结果；至少一个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统还被配置为协调向至少一个消耗点输送能源，并且能源输送包括以下各项中的至少一项：至少一条固定传输线；至少一个无线能源传输实例；至少一个燃料输送；或者至少一个存储能源输送。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，至少一个能源相关事件包括以下各项中的至少一项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统部署在离网环境中，并且离网环境包括以下各项中的至少一项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统位于生成、存储、输送和/或使用能源的至少一个实体附近。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统提供关于生成、存储、输送和/或使用能源的至少一个实体的能源状态和/或能源流的信息。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统管理一组传感器中的至少一个传感器，并且一组传感器与被配置为生成、存储、输送和/或使用能源的一组基础设施资产相关联。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，定义域包括至少一个边界，并且基于与定义域相关联的至少一个边界来限制数据集。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，推荐基于与至少一个操作参数相关联的至少一个约束，并且人工智能系统被训练成基于至少一个约束来分析数据集。
在一些方面，本文描述的技术涉及一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：人工智能系统，人工智能系统被配置为：分析监测的本地状况的数据集，以及生成一组分布式系统中的至少一个分布式系统的推荐配置，一组分布式系统中的每个分布式系统可以被配置为生产能源和消耗能源，其中，配置使得至少一个分布式系统基于监测的本地状况产生和/或消耗能源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统配置组中的多个分布式系统，使得跨多个分布式系统满足一组汇总性能要求。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，汇总性能要求是一组经济性能要求。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，汇总性能要求是一组监管性能要求。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，汇总性能要求与碳生成或排放有关。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，汇总性能要求是一组消耗要求。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的至少一项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的至少一项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的至少一项：提供至少一个能源消费者的能源消耗的视觉和/或分析指标，过滤能源数据；突出显示能源数据；或者调整能源数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：至少一个机器；至少一个工厂；或者车队中的至少一个车辆。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统还被配置为执行以下各项中的至少一项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数据集基于至少一个公共数据资源，公共数据资源包括以下各项中的至少一项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数据集基于至少一个企业数据资源，企业数据资源包括以下各项中的至少一项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统还被配置为协调向至少一个消耗点输送能源，并且能源输送包括以下各项中的至少一项：至少一条固定传输线；至少一个无线能源传输实例；至少一个燃料输送；或者至少一个存储能源输送。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，至少一个能源相关事件包括以下各项中的至少一项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统部署在离网环境中，并且离网环境包括以下各项中的至少一项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统基于训练数据集进行训练，并且训练数据集基于以下各项中的至少一项：至少一个人类标签和/或标记；与硬件和/或软件系统的至少一个人类交互；至少一个结果；至少一个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统位于生成、存储、输送和/或使用能源的至少一个实体附近。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统提供关于生成、存储、输送和/或使用能源的至少一个实体的能源状态和/或能源流的信息。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，人工智能系统管理一组传感器中的至少一个传感器，并且一组传感器与被配置为生成、存储、输送和/或使用能源的一组基础设施资产相关联。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，推荐配置基于与一组分布式系统相关联的至少一个辅助电力资源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，推荐配置基于以下各项中的至少一项：一组分布式系统中的至少一个分布式系统的当前和/或预测位置，或者与一组分布式系统相关联的至少一个能源资源的当前和/或预测位置。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，推荐配置还基于以下各项中的至少一项：与一组分布式系统中的至少一个分布式系统的当前和/或预测位置相关联的本地需求状况，或者与和一组分布式系统相关联的至少一种能源资源的当前和/或预测位置相关联的本地需求状况。
在一些方面，本文描述的技术涉及一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：一组自适应自主数据处理系统，该自适应自主数据处理系统用于从一组边缘联网设备收集和传输能源数据，经由一组边缘联网设备控制一组分布式能源实体，其中，数据处理系统基于训练数据集进行训练，以识别指示一组分布式能源实体的至少一个能源模式的一组事件和/或信号。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组分布式能源实体包括至少一种能源生成资源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组分布式能源实体包括至少一个能源消耗实体。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组分布式能源实体包括至少一个能源存储资源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组分布式能源实体包括至少一个能源输送资源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，训练数据集包括与经由边缘联网设备控制的实体类似的一组实体的历史能源生成数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，训练数据集包括与经由边缘联网设备控制的实体类似的一组实体的历史能源消耗数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，训练数据集包括与经由边缘联网设备控制的实体类似的一组实体的历史能源输送数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，训练数据集包括与经由边缘联网设备控制的实体类似的一组实体的历史能源存储数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个自适应自主数据处理系统还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的至少一项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的至少一项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的至少一项：提供至少一个能源消费者的能源消耗的视觉和/或分析指标，过滤能源数据；突出显示能源数据；或者调整能源数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：至少一个机器；至少一个工厂；或者车队中的至少一个车辆。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个自适应自主数据处理系统还被配置为执行以下各项中的至少一项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，能源边缘集基于至少一个公共数据资源，公共数据资源包括以下各项中的至少一项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，能源边缘集基于至少一个企业数据资源，至少一个企业数据资源包括以下各项中的至少一项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括至少一个基于AI的模型和/或算法，其中，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的至少一项：至少一个人类标签和/或标记；与硬件和/或软件系统的至少一个人类交互；至少一个结果；至少一个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个自适应自主数据处理系统还被配置为协调向至少一个消耗点输送能源，并且能源输送包括以下各项中的至少一项：至少一条固定传输线；至少一个无线能源传输实例；至少一个燃料输送；或者至少一个存储能源输送。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个自适应自主数据处理系统还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，至少一个能源相关事件包括以下各项中的至少一项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，至少一个自适应自主数据处理系统部署在离网环境中，并且离网环境包括以下各项中的至少一项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组自适应自主数据处理系统还被配置为基于数据处理系统被初始训练的初始一组能源智能数据和数据处理系统尚未被训练的附加能源智能数据，执行数据处理系统的附加训练。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组自适应自主数据处理系统还被配置为指示一组边缘联网设备中的至少一个边缘联网设备基于对一组事件和/或信号中的事件和/或信号的识别来调整与一组分布式能源实体相关联的操作参数。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组自适应自主数据处理系统还被配置为基于在一段时间内从一组边缘联网设备收集的数据来检测事件和/或信号，并且数据处理系统被训练为基于一段时间的至少一个特征来识别一组事件和/或信号。
在一些方面，本文描述的技术涉及一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：数据集成模块，数据集成模块集成从位于环境内的至少一个内部边缘设备和位于环境外的至少一个外部边缘设备收集的能源智能数据。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，从至少一个内部边缘设备或至少一个外部边缘设备中的至少一个收集的数据被矢量化。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，从至少一个内部边缘设备或至少一个外部边缘设备中的至少一个收集的数据存储在分布式数据库中。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，数据集成模块还被配置为基于与从至少一个内部边缘设备和至少一个外部边缘设备收集的数据相关联的本地化能源模式来确定能源模式。
在一些方面，本文描述的技术涉及一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：数字动态孪生，数字动态孪生被配置为对历史能源需求、当前历史能源需求或预测能源需求中的至少一个建模；以及基于AI的数字孪生更新器，基于AI的数字孪生更新器基于一组能源参数更新动态数字孪生。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，基于AI的数字孪生更新器执行动态数字孪生的更新，以确定未来一段时间期间的能源需求预测，并且更新基于另一AI模型对未来一段时间期间的能源需求的预测。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，动态数字孪生与设备类型相关联，并且基于AI的数字孪生更新器分析与设备类型的设备的能源消耗相关联的数据，以便更新动态数字孪生来对设备类型的设备的能源消耗进行建模。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，动态数字孪生还被配置为对至少一个实体的能源需求进行建模，其中，模型基于指示至少一个实体的能源消耗的数据。
在一些方面，本文描述的技术涉及一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：能源访问仲裁器，能源访问仲裁器在一组能源消耗设备中仲裁一组能源消耗设备中的至少一个能源消耗设备对至少一个能源来源的访问。
在一些方面，本文描述的技术涉及一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：一组边缘设备，一组边缘设备与至少一个能源消耗设备本地通信，以确定至少一个能源消耗设备的至少一个能源消耗特征，其中，一组边缘设备的至少一个边缘设备基于与至少一个能源消耗设备的能源消耗相关联的多个视角确定至少一个能源消耗设备的至少一个能源消耗特征。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括边缘设备监测系统，边缘设备监测系统监测至少一个能源消耗设备中的至少一个下游设备的能源消耗，并基于能源消耗在至少一个下游设备上实施能源策略。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，能源策略基于生成机制，通过生成机制生成与能源消耗相关联的能源。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，边缘设备监测系统还被配置为确定与至少一个下游设备的能源消耗相关联的碳排放。
在一些方面，本文描述的技术涉及一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：一组通用人工智能(AGI)代理，其中，每个AGI代理被分配来管理一组实体的一组能源生成、存储和/或消耗工作负荷。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组AGI代理中的至少一个AGI代理还被配置为基于至少一个AGI代理与人类、另一AGI代理或基于AI的平台的另一组件中的至少一个之间的至少一个交互来调整与基于AI的平台相关联的至少一个参数。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组AGI代理中的至少一个AGI代理监测一组AGI代理中的至少一个其他AGI代理的决策，并基于至少一个其他AGI代理的决策来调整与基于AI的平台相关联的至少一个参数。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组AGI代理中的至少一个AGI代理监测与以下各项中的至少一项相关联的能源相关数据：至少一个人和基于AI的平台的至少一个组件之间的至少一个交互；至少一个野生动物使用模式；至少一个太空旅行实例；至少一个卫星；至少一个小行星采矿作业；至少一个银行系统；至少一个营销操作；与至少一个核电厂相关的至少一个放射性废物处理实例；与至少一种能源相关联的至少一次网络攻击；至少一个土地清理作业；至少一个AI实体；或者至少一个机器人实体。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组AGI代理中的至少一个AGI代理执行与数据收集过程、数据存储过程、数据报告过程或数据传输过程中的至少一个相关联的数据的调整，并且适应基于与数据相关联的个人的匿名请求或与数据相关联的个人的隐私请求中的至少一个。
在一些方面，本文描述的技术涉及一种基于AI的平台，一组AGI代理中的至少一个AGI代理监测联网元件内至少一种能源资源的移动，并基于移动更新与至少一种能源资源相关联的策略。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，一组AGI代理中的至少一个AGI代理响应于移动，更新能源分配，以促进至少一个能源资源的能源可用性。
附图说明
通过具体实施方式和附图，本公开内容将会变得更加全面地理解。
图1是示出根据一些实施例的平台和主要元件的介绍的示意图。
图2A和图2B是示出根据一些实施例的主要生态系统的主要子系统的介绍的示意图。
图3是示出根据一些实施例的关于分布式能源生成系统的更多详细信息的示意图。
图4是示出根据一些实施例的关于数据资源的更多详细信息的示意图。
图5是示出根据一些实施例的关于配置的能源边缘利益相关者的更多详细信息的示意图。
图6是示出根据一些实施例的关于智能支持系统的更多详细信息的示意图。
图7是示出根据一些实施例的关于基于AI的能源协调的更多详细信息的示意图。
图8是示出根据一些实施例的关于可配置数据和智能的更多详细信息的示意图。
图9是示出根据一些实施例的双过程人工神经网络的双过程学习函数的示意图。
图10至图37是根据本公开的实施例的神经网络系统的实施例的示意图，神经网络系统可以连接到平台、集成到平台中并且可由平台访问，以实现智能交易，智能交易包括涉及专家系统、自组织、机器学习、人工智能的交易，并且包括被训练用于模式识别、用于一个或多个参数、特征或现象的分类、用于支持自主控制以及其他目的神经网络系统。
图38是根据本公开的一些实施例的量子计算服务的示例性实施例的示意图。
图39示出了根据本公开的一些实施例的量子计算服务请求处理。
图40是根据本公开的丘脑服务及其如何在模块内协调的图解视图。
图41是根据本公开的丘脑服务及其在模块内的协调的另一图解视图。
具体实施方式
图1：平台和主要元件的介绍
在实施例中，本文提供了基于AI的能源边缘平台102，为方便起见，在某些情况下，基于AI的能源边缘平台在本文中简称为平台102，包括一组系统、子系统、应用、过程、方法、模块、服务、层、设备、组件、机器、产品、子系统、接口、连接和其他协同工作的元件，以实现智能的、在某些情况下是自主或半自主的电力和能源在各种生态系统和环境中的协调和管理，这些生态系统和环境包括分布式实体(在本文中在某些情况下称为“分布式能源资源”或“DER”)和其他能源资源和系统，这些能源资源和系统生成、存储、消耗和/或运输能源，并且包括IoT、边缘和其他设备和系统，这些设备和系统处理与DER和其他能源资源相关的数据，并且可用于通知、分析、控制、优化、预测和以其他方式协助分布式能源资源和其他能源资源的协调。
举例来说，分布式能源(“DER”)可以包括(但不限于)：风力涡轮机(包括风力涡轮机农场)、太阳能光伏(PV)、柔性和/或浮动太阳能系统(包括太阳能发电场)、燃料电池(包括燃烧天然气的燃料电池和燃烧生物质的燃料电池)、煤矿、石油井、天然气井、模块化核反应堆、核电池、模块化水力发电系统、微型涡轮机和涡轮机阵列、往复式发动机、燃气涡轮机、热电联产工厂、生物质发电机、城市固体废物焚烧炉、电池储能(包括化学电池等)，电容储能、地热能系统、熔盐储能、电热储能(ETES)、基于重力的储能、压缩流体储能、泵送水电储能(PHES)、液态空气储能(LAES)、煤存储设施、石油储罐、天然气储罐、液化天然气(LNG)储罐、物理储能系统如飞轮、重力电池(例如，重力井中悬浮的物质)、燃料运输车辆、燃料运输管道、有线电力传输系统、无线电力传输系统等。
在实施例中，平台102实现一组配置的利益相关者能源边缘解决方案108，这些解决方案具有广泛的功能、应用程序、能力和用途，可以通过使用或协调一组高级能源资源和系统104(包括DER等)来实现，但不限于此。这组配置的利益相关者能源边缘解决方案108可以将例如领域特定利益相关者数据(例如，与企业运营、分析和/或策略相关地生成的专有数据集)、来自利益相关者资产的实时数据(例如，由位于利益相关者的资产和运营附近的IoT和边缘设备收集的数据)、利益相关者特定的能源资源和系统104(例如，可位于利益相关者位置以增强或替代电网的可用能源生成、存储或分布系统)等集成到满足利益相关者的能源需求和能力的解决方案中，包括进行大规模数据处理、运输、货物和材料生产、资源提取和处理、加热和冷却等操作的基线、周期和峰值能源需求。
在实施例中，平台102(和/或其元件)和/或该组配置的利益相关者能源优势解决方案108可以从用于能源边缘协调的一组数据资源110获取数据、向其提供数据和/或与其交换数据。平台102从用于能源边缘协调的一组数据资源110中获得信息。这些数据资源可能包括数据集，从实时能源消耗度量到未来能源需求的预测分析。通过使用这些资源，平台102能够做出及时且明智的决定。平台102还被配备为向用于能源边缘协调的一组数据资源110提供数据。这种数据可以包括关于能源优化策略的反馈、从AI分析导出的见解、和/或甚至从能源基础设施内的各种传感器和节点收集的原始数据。这种反馈循环确保数据资源保持更新，有助于更准确和动态的能源管理。此外，为满足各种利益相关者的独特需求而定制的该组配置的利益相关者能源优势解决方案108可以向平台102贡献数据并从平台102获得洞察。举例来说，为太阳能发电场设计的利益相关者解决方案可以提供关于太阳能电池板效率的实时数据，平台102然后可以使用这些数据来优化能源分布。平台102、一组配置的利益相关者能源边缘解决方案108和用于能源边缘协调的一组数据资源110之间的这种数据交换确保优化基于最新的可用数据。
平台102可以包括一组智能支持系统112、一组基于AI的能源协调、优化和自动化系统114以及一组可配置数据和智能模块和服务118，与其集成、与其交换数据和/或与其以其他方式链接。该组智能支持系统112充当平台102的认知中枢。该组智能支持系统112利用高级算法和计算工具，使平台102具有必要的智能来解析大量数据集、识别模式并做出明智的决定。该组基于AI的能源协调、优化和自动化系统114确保平台102实现效率和适应性。通过协调能源来源、优化能源流和自动化过程，该组基于AI的能源协调、优化和自动化系统114将平台102转变为动态实体，响应于实时变化并主动采取策略。该组可配置数据和智能模块和服务118为平台102提供了模块化和定制的灵活性。根据具体的用例，利益相关者可以配置这些模块来满足他们独特的需求。
该组智能支持系统112可以包括管理和处理信息的一组智能数据层130、确保安全和透明的交易和数据管理的一组分布式分类帐和智能合约系统132、创建物理能源资产的虚拟副本以便更好地监测和优化的一组自适应能源数字孪生系统134、和/或对潜在能源场景进行建模以帮助决策的一组能源模拟系统136。这些集成系统在智能支持系统112的集合内共同工作，以提供高级能源管理的综合解决方案。
该组基于AI的能源协调、优化和自动化系统114可以包括一组管理和协调能源生产源的能源生成协调系统138、一组监督和优化如何使用能源的能源消耗协调系统140、一组促进能源贸易和交易的能源市场协调系统146、一组确保有效和可靠的能源分布的能源输送协调系统147、以及一组管理能源存储的能源存储协调系统142。这些系统共同提供了协调整个能源生命周期的整体方法。
该组可配置数据和智能模块和服务118可以包括一组促进和简化能源相关交易的能源交易支持系统144、一组为更好的监测和管理提供利益相关者特定能源资产的虚拟表示的利益相关者能源数字孪生148、以及一组可以支持或有助于支持该组配置的利益相关者能源优势解决方案108的数据集成微服务150，从而确保能源管理的集成方法。
平台102可以包括一个或多个人工智能(AI)系统、与其集成、与其链接、与其交换数据、由其管理、从其获取输入和/或向其提供输出，人工智能(AI)系统可以包括模型、基于规则的系统、专家系统、神经网络、深度学习系统、监督学习系统、机器人过程自动化系统、自然语言处理系统、智能代理系统、自优化和自组织系统以及在本公开中和通过引用并入本文的文献中描述的其他系统。除非上下文另有具体指示，对AI或AI的一个或多个示例的引用应被理解为涵盖这些各种替代方法和系统；例如但不限于，被描述用于支持本文所描述的各种功能、能力和解决方案中的任一者(例如，优化、自主操作、预测、控制、协调等)的AI系统应当被理解为能够通过对模型或规则集的操作来实现；通过在人类标签、标记等的训练数据集上进行训练；通过在人类交互(例如，人类与软件接口或硬件系统的交互)的训练数据集上进行训练；通过在结果的训练数据集上进行训练；通过在AI生成的训练数据集上进行训练(例如，其中，完整的训练数据集由AI从种子训练数据集生成)；通过监督学习；通过半监督学习；通过深度学习；诸如这种。对于本文描述的任何给定功能或能力，可以使用各种类型的神经网络，包括本文或通过引用并入的文献中描述的任何类型，并且在实施例中，可以选择一组混合神经网络，使得在该组内，实现更有利于执行多功能或多能力系统或方法的每个元件的神经网络类型。作为许多示例中的一个示例，深度学习或黑盒系统可以使用门控递归神经网络来实现诸如智能代理的语言转化等功能，其中，只要用户有利地感知结果，就不需要理解AI操作的底层机制，而更透明的模型或系统和更简单的神经网络可以用于自动化治理的系统，其中，可能需要更好地理解如何将输入转化成输出，以遵从法规或策略。
基于AI的能源协调、优化和自动化系统
在实施例中，平台102可以采用需求预测，包括通过人工智能或通过从第三方获取预测信息的数据流来进行的自动预测。除此之外，预测需求有助于指导选址和智能规划网络扩展。在实施例中，机器学习算法可以生成多个预测——例如，关于天气、价格、太阳能发电、能源需求和其他因素——并且分析能源资产如何能够在不同时间和/或位置最好地捕获或生成价值。
在实施例中，基于AI的能源协调、优化和自动化系统114可以例如通过分析建筑物或其他运营能源使用并寻求重塑用于优化的模式(例如，通过对各种刺激的需求响应建模)来实现能源模式优化。通过分析能源消耗趋势，基于AI的能源协调、优化和自动化系统114可以识别浪费或低效的区域。举例来说，这些系统可以评估建筑物的能源消耗在一天的不同时间或不同季节是如何变化的。利用这一知识，自动化系统114然后可以重塑这些模式以实现最佳的能源使用。这可以应用在商业办公楼中，其中，基于AI的能源协调、优化和自动化系统114可以注意到由于同时使用照明、加热和冷却系统而导致的下午早些时候的能源消耗高峰。通过对建筑物可能如何响应某些刺激进行建模，例如，基于实时占用数据优化供暖、通风和空调(HVAC)系统，基于AI的能源协调、优化和自动化系统114可以建议在一天中更均匀地分配能源消耗的措施，从而降低高峰需求和相关成本。
基于AI的能源协调、优化和自动化系统114可以由一组智能支持系统112来实现，该组智能支持系统提供支持一系列应用和用例的功能和能力。
在实施例中，平台102可以被配置为集成来自位于环境内的至少一个内部边缘设备(例如，建筑物、车辆、机器、公用设施内的传感器)和位于环境外的至少一个外部边缘设备(例如，广播实时数据的气象监测站、车辆等上的传感器)的数据。平台102可以收集实时能源智能数据，并将实时能源智能数据提供给智能电路，该智能电路在数据和结果上进行训练，并自动执行动作，以优化能源管理。例如，连接到DER的边缘设备可以与来自本地气象监测站的边缘设备相结合。本地天气数据(例如，云量、温度、风力、降雨量等)可以与来自DER的能源输出相关联，并且可以训练机器学习模型，以利用来自第二边缘设备的变量来预测与第一边缘设备的环境相关联的动作。通过另一个示例，由气象站边缘设备输出的雷达特征可以用于对来自DER的能源进行斜升或斜降。
在实施例中，从一个或多个边缘设备输出的数据可以被矢量化和/或存储在分布式数据库中。通过使用基于矢量的数据更新，可以进一步优化从设备捕获能源数据，其中，仅传送影响消耗信息模型的变化。可以基于对来自上述消费设备的数据的分析来开发该矢量。复合能源消耗系统的矢量可以是表示消耗类型、目的、设备等的多维矢量，以形成传送复杂能源使用环境的高效方式。举例来说，考虑智能电网系统，其中，成千上万的家用电器、HVAC系统和照明解决方案不断发送能源消耗数据。该系统不是发送每一分钟的细节，而是分析这些数据，并根据消费模式，开发矢量。该矢量，尤其是用于复合能源消耗系统的矢量，可以包括各种参数，例如，消耗类型、消耗目的、特定设备的能源消耗等。
在实施例中，能源使用模式可以包括局部模式，例如，基于消费者的一天工作计划表。然而，能源使用模式可能基于更广泛的数据，包括天气预报数据；当前受天气系统影响的区域中用于准备预测接收天气系统的区域的能源消耗；诸如此类。模式分析不仅可以包括原始使用，还可以包括可能影响学习的关于消费者(例如，正在运行的消耗能源的设备)的信息。举例来说，消费者的一天工作计划表可以是系统可以识别和适应的局部模式，该计划表可以涉及在工作时间关闭所有家用电器和在晚上增加能源消耗。
人口统计和其他人类活动可能在能源模式分析中发挥作用。在一个示例中，建议消费者比在其他区域更频繁地用新车替换旧车的区域的人口统计可能表明，在这些区域电动车辆充电的本地能源需求可能更快地增加。当人口统计和/或消费者行为表明一个地区的消费者倾向于用二手车替换车辆时，则传统能源的维护可能被指示为这些区域的首选。
智能支持系统的子系统和模块
智能数据层
一组智能支持系统112可以包括一组智能数据层130，例如，一组服务(包括微服务)、API、接口、模块、应用、程序等，其可以消费在本公开中描述的数据实体和类型中的任何一个，并且承担广泛的处理功能，例如，提取、清洁、归一化、计算、变换、加载、批处理、流式传输、过滤、路由、解析、转换、模式识别、内容识别、对象识别等。通过一组接口，平台102的用户可以配置一组智能数据层130或其输出，以满足内部平台需求和/或支持进一步的配置，例如，针对一组配置的利益相关者能源边缘解决方案108。一组智能数据层130、更通常是一组智能支持系统112和/或可配置数据和智能模块和服务118可以访问来自整个平台102的各种源的数据，并且在实施例中，可以从这组共享数据资源操作，这组共享数据资源可以包含在集中式数据库和/或一组分布式数据库中，或者可以由一组分布式或分散式数据源组成，例如，生产能源相关事件日志或流的IoT或边缘设备。一组智能数据层130可以被配置用于广泛的能源相关任务，例如，能源消耗、生成、存储或分布参数的预测/预报(例如，在单个设备、子系统、系统、机器或车队的水平)；能源生成、存储、分布或消耗的优化(也处于不同的优化水平)；能源交易的自动发现、配置和/或执行(包括现货和期货市场以及点对点组或单一交易对手交易中的微交易和/或较大交易)；监测和跟踪能源消耗、生成、分布和/或存储的参数和属性(例如，基线水平、波动性、周期性模式、偶发事件、峰值水平等)；监测和跟踪与能源相关的参数和属性(例如，污染、碳生产、可再生能源额度、废热生产等)；自动生成与能源相关的警报、推荐和其他内容(例如，用于提示或促进有利的用户行为的消息传送)；诸如此类。
在实施例中，平台102可以被配置为分析被监测的能源数据集，并为分布式系统产生和消耗能源生成配置建议。平台102可以被配置为分析来自一个或多个本地功耗实体的流并生成建议。例如，制造厂可能有一系列与医院园区大不相同的需求。这样，基于AI的平台可以对多个能源消耗情况中的每一个以及相关的设备和需求进行分析，并且推荐用于提供能源并且调节对应于本地电力消耗实体的需求和需求的能源的DER的类型。医院的ER可能有一组特定的需求，例如，手术室开放的时间，或者基于紧急情况的应急需求。被监测的能源数据集的示例可以包括一个或多个基于电网的能源资源和移动能源资源。基于电网的能源资源可以包括例如基于化石燃料的能源生产设施(煤、石油、天然气等)、基于可再生能源的生产设施(太阳能发电场、风力发电场、地热发电机、潮汐发电机、水力发电设施等)。移动能源资源可以包括例如移动电池设备、移动化石燃料发电机、移动可再生能源生产商、移动变压器和电力调节系统、基于无人驾驶飞机的电力输送/存储系统、基于车辆的电力输送/存储系统等。
分布式分类账和智能合约系统
一组智能支持系统112可以包括用于处理一组智能合约的智能合约系统132，每个智能合约可以可选地在一组基于区块链的分布式分类账上操作。智能合约中的每个智能合约可以对存储在这组分布式分类账或区块链中的数据进行操作，例如，以记录与能源相关的交易事件，例如，能源采购和销售(在现货、远期和点对点市场中，以及直接交易对手交易)、相关服务费等；交易相关能源事件，例如，消耗、生成、分布和/或存储事件，以及通常与能源相关的其他交易相关事件，例如，碳产生或减排事件、可再生能源额度事件、污染产生或减排事件等。由智能合约系统132处理的这组智能合约可以将在本公开中描述的数据类型和实体中的任何数据类型和实体作为一组输入来消费，承担一组计算(可选地配置在从多步交易中的不同系统获取输入的流中)，并且提供一组输出，这组输出使得能够完成交易、报告(可选地记录在一组分布式分类账上)等。一组能源交易支持系统144可以由人工智能支持或增强，包括根据策略自主地发现、配置和执行交易和/或基于一组交易专家的训练和/或监督来提供交易的自动化或半自动化。
在实施例中，智能合约系统132可以由一组能源交易支持系统144(在本公开的其他地方描述)用来配置交易解决方案。智能合约系统132内的每个智能合约被复杂地设计成处理存储在这些分布式分类帐或区块链内的数据。智能合约的功能扩展到记录各种与能源相关的交易事件。这包括但不限于记录对等能源交易，甚至是各方之间的直接交易。此外，还捕获与服务费和其他交易相关的能源事件相关的数据，包括关于能源消耗、发电、配电和存储的信息。例如，城市的能源电网具有集成的可再生能源，例如，太阳能和风能，智能合约系统132可以自主地执行合约，在高峰日照时段购买太阳能，在有风期间购买风能。同时，记录每一笔交易、相关的服务费、甚至通过使用可再生资源实现的碳抵消。
自适应能源数字孪生系统
在实施例中，在本公开中提及的任何实体、分析结果、人工智能的输出、状态、操作状况或其他特征可以在数字孪生中呈现，例如，广泛适用的一组自适应能源数字孪生系统134和/或一组利益相关者能源数字孪生148，其被配置用于特定利益相关者或利益相关者解决方案的需求。一组自适应能源数字孪生系统134可以例如提供一组机器、一组工厂、一个车队等的能源消耗的视觉或分析指标；其子集(例如，比较一组类似机器中的每个机器的能源参数，以识别超出范围的行为)；等诸多方面。数字孪生可以是自适应的，例如，基于实时状况(例如，能源成本的变化、操作行为的变化等)来过滤、突出显示或以其他方式调整所呈现的数据。
在实施例中，平台102可以被配置为创建、管理和/或以其他方式提供基于域内的移动和固定实体的历史、当前和预测分布式能源需求的动态数字孪生。例如，相对较大的公司或组织环境可以经由数字孪生来建模，例如，工业环境、工厂环境、分配中心、医院环境、大学/学院环境、办公楼环境、采矿作业等。在特定示例中，对于具有许多机器、装配线和自动化系统的制造设施，平台102可以创建该环境的数字孪生，捕捉其能源消耗模式的每个细节。这种数字孪生可以提供关于工厂能源需求的实时信息，从每个机器的历史能源使用数据到当前的消耗率，甚至根据预测的生产计划表预测未来的能源需求。可以对更大的环境进行建模，其中，成本可以基于整个环境的能源调整而显著转移。举例来说，在能源消耗高的大型环境中，即使很小的调整也会导致巨大的财务影响。通过拥有动态数字孪生，利益相关者可以模拟各种能源调整并分析其影响。举例来说，在办公楼环境中，基于实时占用数据调整HVAC系统的运行或者基于自然日光可用性优化照明可以显著地转移能源成本。
在实施例中，平台102可以被配置为经由一个或多个数字孪生来建模政府实体，例如，州、县、城市、镇、开发区、社区等。在一个示例中，对于具有数千或数十万居民、企业、公共交通系统和众多设施的城市，平台102可以创建这样的城市的数字孪生，捕捉其能源消耗的每个方面。这种数字表示可能包括从公共公园的照明、政府建筑的HVAC系统到公共交通系统的能源需求等所有内容。这样做，平台102为城市管理者提供了城市能源足迹的整体视图，有助于在能源管理上做出明智的决策。平台102甚至可以建模更大的实体，例如，州或县，捕捉从城市中心到农村区域等各个地区的不同能源需求。另一个方面，平台102也可以表示较小的实体，例如，城镇。举例来说，在正在开发用于工业用途的新城镇中，平台102可以基于规划的工业对预期的能源需求进行建模，确保能源基础设施充分准备，以满足需求。在另一个示例中，计划过渡到可再生能源的县可以利用它的数字孪生来模拟集成太阳能发电场或风力涡轮机的影响。这种模拟可以提供对潜在节能、电网稳定性甚至这种转变的环境效益的见解。
在实施例中，平台102可以包括基于AI的系统，用于基于一组能源参数来更新数字孪生，这可以包括基于该组能源参数来适应来自物理设备的用于数字孪生的能源消耗数据，例如，通过基于该设备提供能源的动态能源市场来调整能源消耗所导致的成本。举例来说，考虑从动态能源市场获取其能源的设备，其中，能源成本基于需求、供应和其他市场因素而波动。如果设备在成本较高的时候消耗能源，则基于AI的系统可以调整数字孪生来反映这一点，确保虚拟表示准确反映现实世界能源消耗的财务影响。当更新设备时，基于AI的系统还可以结合设备的用户的能源来源偏好(可选地，如在设备数字孪生中表达的)。举例来说，如果用户通过其设备的数字孪生表达了对绿色能源的偏好，则AI系统会确保这种偏好被纳入能源消耗数据更新中。对于共享设备(例如，电动自行车)，在设备的用户共享期间消耗的和/或与设备的用户共享相关联的能源(当电动自行车在用户账户中结帐时)可以基于用户简档向/跨特定的能源来源分配。例如，当用户在他们的用户账户上给电动自行车结帐时，在他们使用期间消耗的能源可以特别地来自他们的优选能源来源，如在与用户账户相关联的他们的用户简档中详细描述的。附加地或替代地，设备和/或数字孪生的所有者可以识别要分配给多个能源中的每一个的消耗能源的分配。举例来说，可能存在这样的情况，其中，设备的所有者对跨多种能源消耗的能源具有特定的分配。在这种情况下，AI系统确保数字孪生准确地反映这种分配。例如，所有者可以指定设备消耗的能源的50％应该来自风能，剩余的50％来自水能。当更新数字孪生时，AI系统可以确保准确地表示这种分配。因此，具有基于AI的系统的平台102提供了数字孪生，数字孪生不仅仅是静态的表示，而是动态的、响应性的，并且适合于个人偏好和现实世界场景。
在实施例中，用于基于一组能源参数更新数字孪生的基于AI的系统可以包括基于该组能源参数为即将到来的时间段(例如，在即将到来的高需求事件等期间)适应能源生产和/或分配控制。这可能包括依靠未来一段时间的基于AI的能源需求预测来调整能源供应系统的操作方式，例如，确定存储多少能源与生成和输送多少能源的能源参数。举例来说，在存在预期的高需求事件的情况下，可能由于节日，基于AI的系统通过分析能源参数，可以预测这种需求激增，并相应地适应能源生产和/或分配控制。在另一个示例中，基于过去的数据和当前的趋势，基于AI的系统可以预测夏季月份期间增加的能源需求。除了基于AI的能源需求预测，基于AI的系统可以基于能源参数评估宏观趋势/活动。在一个示例中，更新能源消耗系统的基于AI的系统可以检测表明能源成本可能急剧增加的定价模式(例如，由于重大天气事件等)，该组能源参数可以指导基于AI的系统针对至少选定的消费者(例如，公共系统(例如，基于税收的系统)，以避免纳税人的不必要负担)适应能源消耗和/或存储指导。举例来说，如果基于AI的系统检测到表明能源成本可能因即将到来的重大天气事件而增加的模式，则可以采取先发制人的措施。通过分析这组能源参数，基于AI的系统可以指导某些消费者适应他们的能源消耗或存储模式，或者指导公共系统减少消耗或增加存储。因此，具有基于AI的系统的平台102确保能源管理是主动的和有效的。
在实施例中，平台102可以被配置为提供和/或促进常见设备类型(例如，相同型号的电动自行车)的数字孪生。数字孪生可以在一系列使用实例中交换消耗数据，以了解这种常见设备类型如何在不同环境中、在一天的不同时间、不同地理位置、用户的人口统计数据(包括使用点本地的人口统计数据)中消耗能源。例如，与在平坦的城市环境中使用的电动自行车相比，主要在丘陵地带使用的电动自行车可能会表现出不同的能源消耗模式。平台102通过聚集来自各种数字孪生的数据，可以识别这些模式并做出明智的预测。这可以让特定设备的数字孪生(特定的电动自行车)更好地预测能源需求，从而产生动态充电概况等。一些设备可能位于高需求区域，这表明需要更频繁的充电，而其他设备可能由于例如更短和不太频繁的使用而允许维护较低的平均能源费用。例如，位于繁忙城市中心的电动自行车可能被识别为由于高需求而需要频繁充电；另一个方面，可能位于一个不经常使用的区域的另一辆电动自行车即使不经常充电，也可能运行良好。这还可以允许聚集一系列地理区域的需求概况，以识别需求，例如，充电需求、可用能源等。举例来说，在电动自行车高度集中的地方(例如)，平台102可建议交错充电计划表来平衡需求并防止电网过载。这可以导致对电动自行车充电活动的管理，包括一个区域内其他充电设备的需求平衡。
在实施例中，平台102可以被配置为使得不是设备的每个物理实例(例如，特定型号的电动自行车)都需要具有其自己的永久数字孪生。大多数此类设备的休眠时间远远长于其使用时间(占空比非常低)，因此，即使是支持此类设备的数字孪生处理的能源需求，也可以根据需求曲线进行管理。物理设备的实例(或配置的遗传实例)可以基于需求预测而被激活(可以被分配能源资源)。考虑一个特定型号的电动自行车的场景。虽然这些电动自行车可能分散在不同的位置，并且可以随时使用，但它们的实际使用或“工作周期”可能并不频繁，这些设备长时间处于休眠状态。了解到这个独特的特征，平台102以这样的方式被配置，即平台102可以基于预测的需求为这些设备激活数字孪生，而不是为每个电动自行车维护连续的数字孪生。举例来说，在城市环境中，如果平台102预测到在例如早高峰时段对电动自行车的需求激增，则可以在该时段激活电动自行车的数字孪生。这些数字孪生可以促进能源管理，确保电动自行车充满电，随时可用。高峰时段过后，这些数字孪生可以停用，以节省处理能源。这种需求驱动的方法确保处理数字孪生的能源资源得到最佳利用。
在实施例中，平台102可以提供和/或促进由物理设备实例提供给数字孪生的能源消耗数据的共享、交换和/或聚集，可以收集该能源消耗数据，以建立用于预测能源需求模型的一组能源需求参数等。例如，平台102被设计成便于来自各种物理设备实例的能源消耗数据的交换和聚集，并被引导到它们相应的数字孪生。举例来说，考虑具有多个智能住宅的社区，每个智能住宅都配备有多个智能设备。虽然每个家庭可能有其独特的能源消耗模式，但所有这些家庭的集体数据可以揭示更广泛的趋势。通过聚集该数据，平台102可以识别模式，例如，假期期间增加的能源消耗或假期期间减少的需求。这些洞察然后可以为预测模型提供信息，确保能源供应商做好充分准备，以满足预期需求。
在实施例中，平台102可以被配置为使得提供给数字孪生的能源消耗数据也可以有助于预测与能源相关的需求，例如，能源提供基础设施的维护等。例如，解决能源生产浪费的需求不仅可以基于消费，还可以基于数字孪生可以获得的供应来源来更好地预测。换句话说，物理设备不仅消耗能源，而且还必须被提供能源(或者必须自己生成能源)。数字孪生可使用能源供应和/或来源来指示支持能源生产的时间/区域/具体来源(废物清除、翻新等)。举例来说，如果本地能源生产设施主要依赖不可再生资源，则将会生成更高的相关废物。数字孪生通过预测这一点，可以确保适当的废物管理措施到位。此外，本地能源生产设施的数字孪生可以利用来自能源消耗数字孪生的预测需求，不仅解决生产问题，还解决上游采购问题。例如，如果对即将到来的事件(毕业、新生日等)的电动自行车利用的预测需求(再次以电动自行车为例)可以与例如太阳能产生的能源预期的可用性一起被预测，则本地能源供应站可以仅在需要时和/或根据需要供应上游能源。举例来说，如果太阳能预测是有利的，则供应站可以主要依赖太阳能，否则供应站可以从上游能源供应商获取能源来满足需求。
能源模拟系统
在实施例中，提供了一组能源模拟系统136，例如，用于开发和评估能源生成、需求响应和电荷管理的详细模拟，包括模拟使用各种算法的结果的模拟环境，各种算法可以管理各种发电资产的发电、需要能源的设备和系统的消耗以及能源的存储。数据可用于模拟不可控负载和优化充电过程的交互以及其他用例。模拟环境可以向该组自适应能源数字孪生系统134提供输出、与其集成或与其共享数据。举例来说，如果一个城市计划过渡到可再生能源，则该城市可以使用一组能源模拟系统136来模拟各种结果。这种模拟可以预测太阳能电池板如何响应于变化的天气状况，风力涡轮机如何在不同季节运行，或者在需求高峰期需要如何管理储能解决方案。
在实施例中，随着越来越多的企业采用混合基础设施，正常运行时间变得更加复杂，需要跨云、主机托管、内部设施和边缘基础设施的备份和故障转移策略。这可以包括用于自动管理设备和这种设备中的系统的能源的基于AI的算法。例如，人工智能可以支持自主数据中心冷却和工业控制。在实施例中，分布式能源或DER 128可以集成到例如AI驱动的计算基础设施、智能配电单元(PDU)、不间断电源(UPS)系统、能源支持的气流管理系统和HVAC系统等中或与其集成。通过模拟能源场景，该组能源模拟系统136确保企业(不管它们的基础设施模型如何)无缝且可持续地运行。
基于AI的能源协调、优化和自动化系统的主要子系统和模块的介绍
一组基于AI的能源协调、优化和自动化系统114可以包括一组能源生成协调系统138、一组能源消耗协调系统140、一组能源存储协调系统142、一组能源市场协调系统146和一组能源输送协调系统147等。例如，一组能源输送协调系统147可以支持诸如通过固定传输线、无线能源传输、燃料输送、存储能源(例如，化学或核电池)的输送等将能源输送到消耗点的协调，并且可以涉及基于各种因素自主地优化前述可用资源中的能源类型的混合，例如，消耗位置(例如，基于距电网的距离)、目的或类型(例如，是否需要非常高的峰值能源输送，例如，用于电力密集型生产过程)等。考虑一个远离主电网的远程工业单元，其生产过程需要电力。该组能源生成协调系统138可以分析位置并确定将这样的单元连接到主电网可能是不可行的。相反，该组能源生成协调系统138可以建议无线能源传输和化学电池输送的组合在这种情况下可能最合适。
可配置数据和智能模块和服务
在实施例中，平台102可以包括一组可配置数据和智能模块和服务118。这些可以包括一组能源交易支持系统144、一组利益相关者能源数字孪生148、一组数据集成微服务150等。每个模块或服务(可选地配置在微服务架构中)可以与各种数据资源交换数据，以便提供相关输出，例如，支持平台102的一组内部功能或能力和/或支持一组配置的利益相关者能源边缘解决方案108中的一个或多个的一组功能或能力。作为许多示例中的一个示例，服务可以被配置为从具有监测发电机的相机或传感器的IoT设备获取事件数据，并将其与来自公共数据资源162的天气数据集成，以提供发电机的能源生成数据的天气相关时间线，该时间线又可以由一组配置的利益相关者能源边缘解决方案108消耗，例如，以基于日前天气预报来辅助发电机的日前能源生成。平台102可以支持广泛的这种配置的数据和智能模块和服务118，表示例如由平台处理的广泛的能源边缘数据源的融合或组合组成的各种输出、由数据的专家分析产生的更高级别的分析输出、基于数据模式的预报和预测、自动化和控制输出等。
在实施例中，平台102可以被配置为使得能源消耗设备和/或系统(例如，家庭中的一组能源消耗设备)可以在本地仲裁对能源来源的访问，例如，干线能源、第一级存储能源(例如，在设备处)、本地存储能源(例如，可以向多个设备提供能源的本地电池)等。此外，设备可以出于消耗、存储、平衡来源、充当其他设备的代理等各种目的消耗能源。此外，能源消耗设备可以被配置/可以被配置为使用多种能源类型，例如，电网、太阳能、地热、化石燃料(内燃机)、氢气等。此外，在能源消耗系统(如上所述的一组设备)中，能源消耗可以跨越一系列能源(例如，用于烹饪的氢、用于能源存储的太阳能、废能回收等)。举例来说，考虑一个配备了多种能源消耗设备的家庭，每种能源消耗设备都有其独特的能源需求和偏好。平台102可以促进动态环境，其中，这些设备可以基于它们的即时需求和可用资源来在本地仲裁对各种能源的访问。举例来说，在晴天，房屋中的太阳能电池板可能生成过剩的能源，在这种情况下，平台102可以主要利用来自太阳能电池板的能源，减少来自电网的能源消耗。
在实施例中，平台102可以从/经由边缘设备捕获能源消耗信息，并开发表示关于消耗能源的多个观点的数据集。可以与一系列能源消耗设备和设备类型进行通信(例如，本地或非常接近)的边缘设备可以收集关于设备的数据，包括例如设备可以消耗哪些源、设备消耗了哪种源、消耗的能源的目的/用途等。进一步的示例可以包括看起来好像设备执行任何种类的优化，例如，在高能源成本期间利用本地存储(包括可能基于输送的效率等来测量的高传输成本)，在非高峰时段消耗能源来补充存储，和/或在容易获得时利用低成本源(例如，太阳能)。可以在能源管理系统中生成、捕获、使用各种各样的分析等。举例来说，考虑连接到冰箱的智能插头，该智能插头可以提供对其能源消耗模式的见解，揭示细节，例如，其在高能源成本期间对利用本地存储的偏好。通过聚集来自各种边缘设备的该数据，平台102可以识别模式，预测未来的能源需求，并优化跨设备的能源消耗。
能源交易支持系统
可配置数据和智能模块和服务118可以包括一组能源交易支持系统144。这组能源交易支持系统144可以包括一组智能合约，该组智能合约可以对存储在这组分布式分类账或区块链中的数据进行操作，例如，以记录与能源相关的交易事件，例如，能源采购和销售(在现货、远期和点对点市场中，以及直接交易对手交易)、相关服务费；交易相关能源事件，例如，消耗、生成、分布和/或存储事件，以及通常与能源相关的其他交易相关事件，例如，碳产生或减排事件、可再生能源额度事件、污染产生或减排事件等。这组智能合约可以将在本公开中描述的数据类型和实体中的任何数据类型和实体作为一组输入来消费，承担一组计算(可选地配置在从多步交易中的不同系统获取输入的流中)，并且提供一组输出，这组输出使得能够完成交易、报告(可选地记录在一组分布式分类账上)等。这组能源交易支持系统144可以由人工智能支持或增强，包括根据策略自主地发现、配置和执行交易和/或基于一组交易专家的训练和/或监督来提供交易的自动化或半自动化。自主和/或自动化(监督的或半监督的)可以通过机器人过程自动化来实现，例如，通过训练一组智能代理来实现一组交易专家与交易支持系统(例如，用于配置和执行能源交易活动的软件系统)的交易发现、配置或执行交互。
随着越来越多地在本地分散式市场中生产和消费能源，能源市场很可能会遵循其他点对点或共享经济市场的模式，例如，拼车、合住公寓和二手商品市场。技术能够绕过自上而下或集中式的能源供应，并使运营商能够创建可以管理闲置产能并将其货币化的平台，例如，通过资产和产出的租赁和交易。
随着更多分布式或点对点交易能源市场的发展，平台102可以包括系统，或者与其他平台链接、与其他平台集成或支持其他平台，以促进P2P交易、批发合约、可再生能源证书(REC)跟踪以及更广泛的分布式能源供应、支付管理和其他交易元件。在实施例中，前述可以使用区块链、分布式分类账和/或智能合约系统132。举例来说，太阳能过剩的房主可能会决定出售这些过剩的能源。这项交易在区块链上安全地记录下来。
在实施例中，随着透明度、选择和灵活性的增加，消费者将能够通过生成、存储和销售以及消费电力来积极参与能源市场。举例来说，本地社区可能决定利用其集体太阳能发电。平台102使拥有太阳能电池板的家庭能够与没有太阳能电池板的家庭交换多余的能源，确保整个社区受益。
在实施例中，交易元件可以由能源交易支持系统144配置，以优化能源生成、存储或消耗，例如，公用事业公司使用时间费用。利用基于IoT的平台，将能源需求从高价时段转移，这些平台可以识别能源成本最便宜的时段。举例来说，在公用事业费用根据使用时间而变化的地区，平台102可以将能源需求转移到能源更便宜的时期。在一个示例中，链接到平台102的智能家居设备可以识别能源成本最低的时段，并相应地调整它们的操作，从而确保高效且成本有效的能源消耗。
利益相关者能源数字孪生
可配置数据和智能模块和服务118可以包括一组利益相关者能源数字孪生148，其在实施例中可以包括一组数字孪生，该组数字孪生被配置为表示与能源相关的一组利益相关者实体，包括利益相关者拥有的和利益相关者操作的能源生成资源、能源分布资源和/或能源分布资源(包括通过类型来表示这些资源，例如，指示可再生能源系统、碳生产系统等)；利益相关者信息技术和网络基础设施实体(例如，边缘和IoT设备和系统、网络系统、数据中心、云数据系统、内部信息技术系统等)；能源密集型利益相关者生产设施，例如，制造中使用的机器和系统；利益相关者运输系统；市场状况(例如，与能源、利益相关者的供应链、利益相关者的产品和服务等的当前和远期市场定价相关)等。这组利益相关者能源数字孪生148可以提供关于状态、操作状况等的实时信息，例如，来自IoT和边缘设备的所提供的传感器数据、事件日志和其他信息流，特别是与能源消耗、生成、存储和/或分布有关。
这组利益相关者能源数字孪生148可以提供能源对企业的所有方面的影响的可视化、实时视图。数字孪生可以是基于角色的，例如，提供适合于用户角色的视觉和分析指标，例如，首席财务官(CFO)的财务报告信息；用于发电厂管理者的操作参数信息；以及能源交易者的能源市场信息。举例来说，CFO可能需要强调能源消耗的财务成本的可视化表示，例如，将运营转移到非高峰时段会如何影响能源成本。相比之下，发电厂经理可能对操作参数更感兴趣，例如，发电资源的效率。另一个方面，能源交易员可能希望了解能源市场，例如，跟踪价格。因此，通过提供适合个人作用的见解，一组利益相关者能源数字孪生148确保不同的利益相关者具有他们做出明智决策所需的相关信息。
数据集成微服务
可配置数据和智能模块和服务118可以包括一组数据集成微服务150，例如，在面向服务的架构中组织，使得各种微服务可以串联、并行或以更复杂的流分组，以创建更高级别的、更复杂的服务，每个服务通过处理定义的一组输出来提供定义的一组输出，以便支持一组配置的特定利益相关者能源边缘解决方案108或促进基于AI的协调、优化和/或自动化系统114。可配置数据和智能模块和服务118可以(但不限于)由一组智能数据层130的各种功能和能力配置，智能数据层继而对用于各种能源边缘协调的数据资源110和/或平台102的内部事件日志、输出、数据流等进行操作。
图2A至图2B：主要生态系统组成部分的主要子系统的介绍
能源边缘协调的数据资源
参考图2A，用于能源边缘协调的数据资源110可以包括一组边缘和IoT网络系统160、公共数据资源162和/或一组企业数据资源168，在实施例中，它们可以使用自适应能源数据管道164或由自适应能源数据管道支持，自适应能源数据管道自动处理数据处理、过滤、压缩、存储、路由、传输、纠错、安全、提取、转换、加载、归一化、清洁和/或在通过网络或通信系统传输数据时涉及的其他数据处理能力。这可以包括基于数据内容(例如，通过分组检查或用于理解分组的其他机制)、基于网络状况(例如，拥塞、延迟/时延、丢包、失误率、运输成本、服务质量(QoS)等)、基于使用上下文(例如，基于用户、系统、用例、应用等，包括基于其优先级)、基于市场因素(例如，价格或成本因素)、基于用户配置或其他因素以及基于其各种组合，来调整数据处理的这些方面中的一个或多个方面。例如，在许多其他路由中，可以为与能源的低优先级使用的管理相关的数据自动选择最低成本路由，例如，加热游泳池，而可以为支持优先级使用或能源的数据选择最快或最高QoS路由，例如，支持关键医疗保健基础设施。
参考图2B，平台102和协调可以包括、集成、链接到、集成到、使用、创建或以其他方式处理用于高级能源资源和系统104、一组配置的利益相关者能源边缘解决方案108和/或能源边缘协调110的广泛数据资源。在实施例中，高级能源资源和系统104、一组配置的利益相关者能源边缘解决方案108和/或能源边缘协调110的元件可以与图1中所示的对应元件相同、相似或不同。数据资源可以包括单独数据库、分布式数据库和/或联合数据资源等。
边缘和IoT网络系统
可以收集和处理广泛的能源相关数据(包括通过人工智能服务和其他能力)，并且可以由一组边缘和IoT网络系统160处理控制指令，例如，集成到设备、组件或系统中的网络系统、位于IoT设备和系统中的网络系统、位于边缘设备和系统中的网络系统等，例如，前述网络系统位于能源相关实体中或周围，例如，由消费者或企业使用的网络系统，例如，涉及能源生成、存储、输送或使用的网络系统。这些包括本文描述的广泛的软件、数据和网络系统中的任一者。
公共数据资源
在实施例中，平台102可以跟踪公共数据资源162，例如，天气数据。天气状况会影响能源使用，尤其是当天气状况与HVAC系统相关时。收集、汇编和分析与其他建筑信息相关的天气数据使建筑管理者能够积极主动地了解HVAC能源消耗。公共数据资源162可以包括卫星数据、人口统计和心理数据、人口数据、普查数据、市场数据、网站数据、电子商务数据和许多其他类型的数据。
企业数据资源
一组企业数据资源168可以包括广泛的企业资源，例如，企业资源规划数据、销售和营销数据、财务规划数据、会计数据、税务数据、客户关系管理数据、需求规划数据、供应链数据、采购数据、定价数据、客户数据、产品数据、运营数据等。
高级能源资源和系统的子系统和模块
在实施例中，高级能源资源和系统104可以包括分布式能源资源或“DER”128。更分散的能源资源将说明更多的个人、网络团体和能源社区将能够生成和共享他们自己的能源，并协调系统，以实现最终的功效。DER 128可以是小规模或中等规模的发电和/或存储单元，这些发电和/或存储单元在本地运行并且可以在配电级别连接到更大的电网。例如，DER128可以连接到本地电网，或者在独立应用中与电网隔离。
转换的能源基础设施
由平台102协调的高级能源资源和系统104可以包括一组转换的能源基础设施系统120。能源边缘将涉及发电、输电、变电站和配电资产的数字化程度不断提高，这反过来将影响传统电网基础设施的运营、维护和扩展。在实施例中，一组转换的能源基础设施系统120可以与平台102集成或链接到平台。向改进的基础设施的过渡可能包括从SCADA系统和其他现有的控制、自动化和监测系统移动到具有高级功能的IoT平台。
在实施例中，添加到电网或与电网协调的新资产(例如，DER 128)可以与现有基础设施兼容，以维护电压、频率和相位同步。举例来说，考虑一个将风力涡轮机和太阳能电池板(DER 128)等可再生能源纳入其现有电网的城市。这些新资产需要与旧的基础设施集成，以确保一致的电力输送。这种兼容性确保即使在城市过渡到更绿色的能源时，居民也不会经历电压、频率或相位同步的波动，从而确保稳定的电力供应。
在实施例中，对传统电网资产、新的并网设备和支持系统的任何改进可以遵从来自NERC、FERC、NIST和其他相关机构的监管标准；积极影响电网的可靠性；降低电网对网络攻击和其他安全威胁的脆弱性；提高电网适应能源广泛双向流动的能力(即DER增殖)；并提供与提高电网效率的技术的互操作性(即，通过提供和促进需求响应、减少电网拥塞等)。
传统电网资产的数字化可以涉及用于发电、输电、存储、配电等的资产，包括发电站、变电站、传输线等。
在实施例中，为了维护和改进现有的能源基础设施，平台102可以包括各种能力，包括跨公用事业公司拥有的资产(即，发电、输电、变电站和配电)的完全集成的预测性维护；智能(基于AI/ML)停电检测和响应；和/或智能(基于AI/ML)负载预测，包括DER 128与现有电网的可选集成。举例来说，考虑这样一种情况，其中，一家公用事业公司拥有发电和配电资产网络，其中一些资产已有几十年的历史。为了确保这些资产的寿命和效率，平台102可以提供预测性维护，在潜在问题变得严重之前警告公用事业公司。
在实施例中，可以提供电网维护。通过主动维护，公用事业公司可以准确检测缺陷并减少计划外停电，从而更好地为客户服务。与IoT和/或边缘计算一起部署的AI系统可以帮助监测能源资产并降低维护成本。举例来说，如果传输线显示出磨损的迹象，平台102可以提醒公用事业公司及时修理。这种主动方法不仅减少了计划外停电，还降低了维护成本，从而实现了更高效、更具成本效益的电网。
数字化资源
在实施例中，平台102可以利用广泛的数字化资源的数字化转换。机器变得越来越智能，软件智能嵌入到业务的各个方面，有助于推动运营效率和创新的新水平。此外，数字化转换正在进行中，包括具有数据处理和通信能力的智能设备和系统、边缘、IoT和其他设备中几乎无处不在的传感器的不断增加以及大量密集数据流的产生，所有这些都为提高智能化、自动化、优化和灵活性提供了机会，因为信息在物理世界和数字世界之间不断流动。这种设备和系统需要大量的能源。例如，数据中心消耗大量能源，边缘和IoT设备可以部署在需要替代形式的能源生成、存储或移动的离网环境中。在实施例中，一组数字化资源可以被集成、访问或用于优化用于数据中心和边缘等处的计算、存储和其他资源的能源。在实施例中，随着越来越多的设备嵌入传感器和控制器，在机器彼此“交谈”时，信息可以在物理世界和数字世界之间连续流动。产品可以从源头到客户，或者在使用过程中进行跟踪，从而能够快速响应于内部和外部变化。负责管理或调节这种系统的人员可以从这些设备获得详细数据，以优化整个过程的操作。这一趋势将大数据转变为智能数据，能够显著提高成本和流程效率。
在实施例中，数字技术的进步支持以前不可能的监测和操作性能水平。借助传感器和其他智能资产，服务提供商可以收集多个参数的广泛数据，每天进行24小时实时监测。
在实施例中，DER 128将集成到计算网络和基础设施设备和系统中，增强现有电网并用于降低成本和提高可靠性。例如，平台102通过将DER 128(例如，本地化的太阳能发电场或风力涡轮机)集成到城市基础设施中，可以显著增强现有的电网。举例来说，在需求高峰时段，平台102可以使城市的能源管理系统能够利用本地能源，而不是仅仅依赖于传统发电厂，这又可以减少主电网的压力，并且还可以节省大量成本。
移动能源资源
在实施例中，DER可以集成到移动能源资源124中，例如，电动车辆(EV)及其充电网络/基础设施，从而增强现有电网并用于降低成本和提高可靠性。鉴于EV(所有类型)的兴起，充电基础设施和车辆充电规划需要优化，以匹配供需。此外，不断增长的电力需求和EV基础设施的发展将需要使用边缘和IoT等其他相关技术进行优化。EV充电可以集成到分散的基础设施中，并且甚至可以通过添加到电网(例如，通过双向充电站)或通过在本地为另一个系统供电而用作DER 128。车辆电源电子系统和电池可以通过提供系统和电网服务来使电网受益。多余的能源可以根据需要存储在车辆中，并在需要时排出。这种灵活性选项不仅避免了短期高能源需求期间昂贵的负荷高峰，而且还增加了可再生能源的使用份额。
在实施例中，为了将电动车辆和充电基础设施普遍集成到配电网络中，需要与各种其他归一化通信协议进行协调。平台102可以包括、集成和/或链接到一组通信协议，这组通信协议使得能够使用这种协议来管理、供应、治理、控制能源边缘设备和系统。在此，平台102可以用作中央集线器，集成各种协议，确保当EV停靠在充电站时，车辆、充电站和电网之间的通信是顺利、高效和协调的。
配置的利益相关者能源边缘解决方案
一组配置的利益相关者能源边缘解决方案108可以包括一组移动需求解决方案152、一组企业优化解决方案154、一组能源供应和治理解决方案156和/或一组本地化生产解决方案158等，这些解决方案使用各种高级能源资源和系统104和/或各种可配置数据和智能模块和服务118来实现对特定利益相关者(例如，私营企业、非政府组织、独立服务组织、政府组织等)的益处。所有这种解决方案可以利用边缘智能，例如，使用从位于生成、存储、输送和/或使用能源的实体附近的机载或集成传感器、IoT系统和边缘设备收集的数据，来馈送模型、专家系统、分析系统、数据服务、智能代理、机器人过程自动化系统和其他人工智能系统，以便促进针对特定利益相关者需求的解决方案。举例来说，在城市的情况下，该组移动需求解决方案152可用于预测高峰出行时间并相应地调整公共交通计划表。类似地，在大型企业园区的情况下，该组企业优化解决方案154可以用于管理其能源消耗，确保办公建筑在工作时间充分供电，同时在非工作时间节约能源。
企业优化解决方案
在实施例中，DER 128将与企业和共享资源集成或者集成到企业和共享资源中，增强现有电网并用于降低成本和提高可靠性。数字化水平的提高将有助于集成活动，并促进优化建筑物/运营以及校园和企业中能源的新方法。举例来说，通过集成DER 128，校园可以用可再生能源补充其电力需求。能源管理的数字化可以帮助校园实时监测和调整其能源消耗。在实施例中，这可以使得能够通过利用大数据和插头负载分析来有效地管理建筑物，从而增加营利性企业的运营底线。例如，校园可以高效地管理其建筑，确保能源用在需要的地方，从而优化运营成本。
在实施例中，IoT传感器和建筑物自动化控制系统可以被配置为帮助优化楼层空间、识别未使用的设备、自动化高效能源消耗、提高安全性和减少建筑物对环境的影响。举例来说，在配备有IoT传感器和建筑自动化控制系统的多层办公楼中，这些系统可以监测每层的能源消耗，确保照明和HVAC系统针对居住者的数量进行优化。在一个示例中，未使用的会议室可以自动关灯和调节温度，减少能源浪费。
在实施例中，平台102可以管理连接到电网或一组DER 128的系统和设备的总能源消耗。一些系统几乎总是在运行中，而其他设备和机器可能只是偶尔连接。通过保持对建筑物的总每日电力消耗和单个设备在特定系统的总能源使用中所起的作用的理解，平台102可以可选地通过AI或算法来预测、提供、管理和控制总消耗。例如，平台102通过AI和算法，可以基于每个建筑物的特定需求来监测和调整能源消耗，从而优化能源使用。
在实施例中，平台102可以跟踪和利用对居住者行为的理解。居住者的活动水平、行为模式和舒适度偏好可以作为能源效率措施的考虑因素。这可能包括跟踪各种周期性或季节性因素。随着时间的推移，建筑物的能源生成、存储和/或消耗可以遵循基于IoT的分析平台在生成建议的解决方案时可以考虑的可预测模式。举例来说，在冬天，如果平台注意到居民倾向于在晚上呆在家里，可以相应地调整供暖。随着时间的推移，系统从这些模式中学习，确保能源得到有效利用。
在实施例中，平台102可以支持用于自主操作的系统或平台或与其集成。例如，工业场所，例如，石油钻井平台和发电厂，需要对效率和安全性进行广泛的监测，因为液体、蒸汽或油泄漏可能是灾难性的、昂贵的且浪费的。人工智能和机器学习可以为发电厂提供自主能力，例如，由边缘设备、IoT设备以及现场摄像头和传感器服务的发电厂。模型可以部署在发电厂的边缘处或DER 128上，例如，使用实时推断和模式检测来识别故障，例如，泄漏、震动、应力等。操作员可以使用计算机视觉、深度学习和智能视频分析(IVA)来监测重型机械，检测潜在危险，并实时提醒工人，以保护他们的健康和安全，防止事故发生，并指派维修技术人员进行维护。举例来说，在具有多个机器的工厂，通过AI和机器学习，平台102可以实时监测机器的健康状况，预测潜在的弱点，并建议及时维护和修理。
在实施例中，平台102可以支持用于管道优化的系统或平台或与其集成。例如，石油和天然气企业可能依靠寻找最合适的路线，以将石油输送到炼油厂并最终输送到加油站。边缘AI可以计算石油的最佳流量，以确保生产的可靠性并保护管道的长期健康。在实施例中，企业可以检查管道中可能导致危险故障的缺陷，并自动向管道操作员发出警报。
能源供应和治理解决方案
能源供应和治理解决方案156可以包括用于治理采矿作业的解决方案。钴、镍和其他金属是绿色EV革命所需的电池的基本成分。支持不断增长的市场所需的资金将给采矿作业带来经济压力。公司正在格陵兰岛等地区勘探钴，部分原因是该地区可以提供可靠的劳动法执行、税收遵从性等。可以通过一组采矿治理解决方案542在那里和其他司法管辖区更可靠地做出这种承诺。这组采矿治理解决方案542可以包括采矿环境的矿级IoT感测、未开采部分的地面穿透感测、开采材料的基于质谱和计算机视觉的感测、智能容器的资产标记(例如，检测和记录打开和关闭事件，以确保放置在容器中的材料是在终点处输送的相同材料)、用于检测矿工生理状态的可穿戴设备、交易和交易相关事件的安全(例如，基于区块链和DLT的)记录和解决、用于自动分配收益(例如，向税务机关、工人)的智能合约以及用于记录、报告和评估对合约、监管和法律政策要求的遵从性的自动化系统。从基础传感器到遵从报告，上述所有内容都可以在代表每个矿主或由企业运营的数字孪生中选择性地表示。
能源供应和治理解决方案156还可以包括一组碳感知能源解决方案，其中，通过边缘和IoT设备收集关于当前碳生成或排放状态的数据，并且通过自动生成一组建议和/或控制指令来管理操作实体，以满足策略，例如，通过将操作保持在由可用碳抵消额度抵消的范围内等，从而管理对生成(或捕获)碳的操作实体的控制。
下面提供关于各种能源供应和治理解决方案156的更多详细信息。
本地化生产解决方案
在实施例中，一组本地化生产解决方案158可以与平台102集成、链接到平台或由平台管理，使得可以满足本地化生产需求，特别是对于运输成本非常高的货物(例如，食品)或能源分布的成本对产品或服务利润具有大的不利影响(例如，在电网不存在、缺乏容量、不可靠或过于昂贵的地方需要密集计算)的服务。平台102可以管理该组本地化生产解决方案158的能源消耗，基于可用资源优化使用，尤其是在传统电网可能不存在或不可靠的地方。
在实施例中，电力管理系统可以与其他系统(例如，建筑物管理系统、操作管理系统、生产系统、服务系统、数据中心等)会聚，以允许企业范围的能源管理。平台102通过将电力管理与建筑物管理系统、操作管理系统、生产系统、服务系统、数据中心等融合，可以确保在企业中全面最佳地使用能源。例如，在下班时间，当建筑管理系统减少照明时，数据中心可以转移其繁重的计算，平衡整体能源负载。
图3：关于分布式能源生成系统的更多详细信息
参考图3，分布式能源生成系统302可以包括风力涡轮机、太阳能光伏(PV)、柔性和/或浮动太阳能系统、燃料电池、模块化核反应堆、核电池、模块化水电系统、微型涡轮机和涡轮机阵列、往复式发动机、燃气轮机和热电厂等。分布式能源存储系统304可以包括电池存储能源(包括化学电池等)、熔盐能源存储、电热能存储(ETES)、基于重力的存储、压缩流体能源存储、抽水水电能源存储(PHES)和液态空气能源存储(LAES)等。分布式能源存储系统304可以是由平台102管理的。在实施例中，分布式能源存储系统304可以是便携式的，使得能源单元可以被输送到使用点，包括未连接到传统电网的使用点或传统电网不完全满足需求的使用点(例如，需要更大的峰值电力、更可靠的连续电力或其他能力的使用点)。管理可以包括集成、协调和最大化分布式能源(DER)的投资回报(ROI)，同时为能源需求提供可靠性和灵活性。
在实施例中，DER 128可以使用具有各种能源输送能力的各种分布式能源输送方法和系统308，包括传输线(例如，传统电网和建筑物基础设施)、无线能源传输(包括通过耦合、高Q谐振器之间的谐振传输、近场能源传输和其他方法)、流体、电池、燃料电池、小型核系统等的运输等。
移动能源资源124包括用于以各种规模生成、存储或输送能源的各种资源；因此，移动能源资源124可以包括具有移动性属性的DER 128的子类别，例如，其中，移动能源资源124集成到车辆310(例如，电动车辆、混合动力电动车辆、氢燃料电池车等，并且在包括一组自动驾驶车辆的实施例中，自动驾驶车辆可以是无人驾驶车辆(UAV)、无人机等)中；其中，资源集成到移动电子设备312或其他移动系统中或由移动电子设备或其他移动系统使用；其中，移动能源资源124是便携式资源314(包括移动能源资源可从车辆或其他系统移除和更换)等。随着移动能源资源124和支持基础设施(例如，充电站)在容量和可用性方面的缩放，移动能源资源124和其他DER 128的协调(可选地与可用电网资源协调)变得越来越重要。
涉及能源的生成、存储和传输的资源越来越多地进行数字化转换。这些数字化资源122可以包括智能资源318(例如，智能设备(例如，恒温器)、智能家居设备(例如，扬声器)、智能建筑物、智能可穿戴设备以及利用处理器、网络连接、智能代理和其他机载智能特征实现的许多其他设备)，其中，智能资源318的智能特征可以用于能源协调、优化、自主、控制等和/或用于为与前述相关的人工智能和分析提供数据。数字化资源122还可以包括IoT数字化资源和边缘数字化资源320，其中，传感器或其他数据收集器(例如，监测事件日志、网络分组、网络业务模式、联网设备位置模式或其他可用数据的数据收集器)提供附加的能源相关智能，例如，与传统基础设施系统和设备的能源生成、存储、传输或消耗相关的智能，传统基础设施系统和设备的范围从大规模发电机和变压器到消费者或商业设备、电器以及可以监测这些的一组IoT或边缘设备附近的其他系统。因此，IoT和边缘设备可以提供关于这种设备和系统的能源状态和流量的数字信息，无论这些设备和系统是否具有机载智能特征；例如，IoT设备还可以在到电器的电力线上部署电流传感器，以检测利用模式，或者边缘联网设备可以通过监测来自另一设备的网络流量来检测连接到该设备的另一设备或系统是否正在使用(以及处于什么状态)。数字化资源122还可以包括关于能源生成、存储、传输或使用的云汇总资源322，例如，通过跨由企业拥有或运营的、与定义的工作流或活动结合使用的类似资源的车队汇总数据等。云汇总资源322可以消耗来自各种数据资源110、来自众包、来自传感器数据收集、来自边缘设备数据收集以及许多其他源的数据。
在实施例中，数字化资源122可以用于涉及或受益于关于能源生成、存储、传输或消耗的属性、状态或流的实时信息的广泛用途，包括实现数字孪生，例如，一组自适应能源数字孪生系统134和/或一组利益相关者能源数字孪生148，以及用于一组配置的利益相关者能源边缘解决方案108。举例来说，城市公共交通系统的数字孪生可以根据通勤模式预测能源需求，从而相应地调整电动公交车的运行。类似地，数字孪生可以应用于各种领域，例如，监测机械能源消耗的制造单位。平台102与这些数字孪生的集成确保了总是最佳地使用能源，以适应相应系统的实时需求。
近几十年来，能源生产、存储和消费，特别是涉及绿色或可再生能源的能源，一直是密集研究和开发的主题，产生更高的峰值发电能力、增加存储容量、减小尺寸和重量、改进智能和自主性等。高级能源资源和系统104可以包括由特征和能力的组合产生的广泛的高级能源基础设施系统和设备。在实施例中，可以提供灵活的混合能源系统324，其适于满足变化的能源消耗要求，例如，可以提供一种以上的能源(例如，太阳能或风能)以满足离网操作的基线要求的能源消耗要求，还可以提供核电池，以满足高得多的峰值电力要求，例如，用于临时的资源密集型活动，例如，在矿井中操作钻机或周期性地运行大型工厂机器。本文设想了各种各样的灵活的混合能源系统324，包括被配置用于与如本文本文和其他地方描述的各种类型的本地化生产基础设施进行模块化互连的系统。在实施例中，高级能源资源和系统104可以包括从流体流汲取电力的高级能源生成系统，例如，便携式涡轮机阵列328，该阵列可以被运输到接近风或水流的消耗点，以替代或增强电网资源。高级能源资源和系统104还可以包括模块化核系统330，包括被配置为使用核电池的核系统和被配置为具有机械、电气和数据接口以与各种消耗系统一起工作的核系统，消耗系统包括车辆、本地化生产系统(如本文别处所描述的)、智能建筑物等。模块化核系统330可以包括SMR和其他反应堆类型。高级能源资源和系统104可以包括高级存储系统332，包括高级电池和燃料电池，包括具有用于自主管理的机载智能的电池、具有用于远程管理的网络连接的电池、具有替代化学(包括绿色化学，例如，镍锌)的电池、由替代材料或结构制成的电池(例如，金刚石电池)、包含发电能力的电池(例如，核电池)、高级燃料电池(例如，阴极层燃料电池、碱性燃料电池、汇总物电解质燃料电池、固体氧化物燃料电池和许多其他)。
图4：关于数据资源的更多详细信息
参考图4，用于能源边缘协调的数据资源110可以包括广泛的公共数据集以及企业或个人的私有或专有数据集。这可以包括由边缘和IoT网络系统160生成或通过边缘和IoT网络系统160传送的数据集，例如，传感器数据402(例如，来自集成到或放置在机器或设备上的传感器、可穿戴设备中的传感器等)；网络数据404(例如，关于网络业务量、时延、拥塞、服务质量(QoS)、丢包、失误率等的数据)；事件数据408(例如，来自边缘和IoT设备的事件日志的数据、来自企业的运营资产的事件日志的数据、可穿戴设备的事件日志、通过检查应用编程接口上的流量检测到的事件数据、由设备和系统发布的事件流、用户接口交互事件(例如，通过跟踪点击、眼睛跟踪等捕获的)、用户行为事件、交易事件(包括财务交易、数据库交易等)、工作流(包括定向流、非循环流、迭代流和/或循环流等)内的事件等)；状态数据410(例如，指示实体(例如，机器、系统、设备、用户、对象、个人和许多其他)的历史、当前或预测/预期状态的数据，并且包括与这种实体的能源生成、存储、输送或利用相关的广泛的属性和参数)；和/或前述的组合(例如，指示实体的状态和涉及该实体的工作流的状态的数据)。
在实施例中，数据资源可以包括与能源相关的公共数据资源162，例如，能源电网数据422(例如，历史的、当前的和预期的/预测的维护状态、操作状态、能源生产状态、容量、效率或涉及能源的生成、存储或传输的能源电网资产的其他属性)；能源市场数据424(例如，能源或能源相关实体的历史、当前和预期/预测定价数据，包括基于位置、消费类型、发电类型等的能源现货市场价格、其日前或其他期货市场定价、燃料成本、所涉及的原材料成本(例如，电池生产中使用的材料成本)、能源相关活动(例如，矿物提取等)的成本)；位置和移动性数据428(例如，指示个体群体(例如，参加大型活动，例如，音乐会、节日、体育赛事、会议等的人群)的历史、当前和/或预期/预测的位置或移动的数据、指示车辆(例如，用于运输人、货物、燃料、材料等)的历史、当前和/或预期/预测的位置或移动的数据等、指示生产点和/或资源需求的历史、当前和/或预期/预测的位置或移动的数据灯)；以及天气和气候数据430(例如，指示历史、当前和/或预期/预测的与能源相关的天气模式，包括温度数据、降水数据、云量数据、湿度数据、风速数据、风向数据、风暴数据、气压数据等)。
在实施例中，用于能源边缘协调的数据资源110可以包括一组企业数据资源168，其可以包括与能源相关的财务和交易数据432(例如，指示涉及财务实体、资产等的历史、当前和/或预期/预测的状态、事件或工作流数据，例如，与能源和/或商品和服务的价格和/或成本相关的数据、与交易相关的数据、与资产估值相关的数据、资产负债表数据、会计数据、与利润或损失相关的数据、与投资相关的数据、利率数据、与债务和股权融资相关的数据、利率数据、与债务和股权融资相关的数据、资本化数据等)；运营数据434(例如，指示操作实体的历史、当前和/或预期/预测的状态或流，例如，与用于生产商品和执行服务的资产和系统的操作有关，与个人、设备、车辆、机器和系统的移动有关，与维护和修理操作有关，诸如这种)；人力资源数据438(例如，指示企业人员的历史、当前和/或预期/预测的状态、活动、位置或移动)；以及销售和营销数据440(例如，指示客户的历史、当前和/或预期/预测的状态或活动、广告数据、促销数据、忠诚度规划数据、客户行为数据、需求规划数据、定价数据等)；等等。
在实施例中，用于能源边缘协调的数据资源110可以由自适应能源数据管道164处理，自适应能源数据管道可以利用平台102的人工智能能力，以便优化各种数据资源的处理。设备的处理能力和存储容量的增加与边缘和IoT设备的更广泛部署相结合，以大规模增加本文描述的许多类型的可用数据的规模和数据粒度。因此，甚至更强大的网络(例如，5G和预期的6G)可能难以在没有拥塞、延迟、误差和QoS降低的问题的情况下传输可用的数据量。自适应能源数据管道164可以包括一组人工智能能力，用于调整数据资源的管道，以支持能源相关活动的更有效协调，例如，通过与能源协调需求协调地优化数据传输的各种元件。在实施例中，自适应能源数据管道164可以包括自组织数据存储412(例如，基于数据的模式或属性(例如，随时间推移的数据量的模式或其他度量)、数据的内容、数据的上下文(例如，数据是否与高风险企业活动相关)等将数据存储在设备或系统(例如，边缘、IoT或其他联网设备、云或数据中心系统、本地系统等)上)。在实施例中，自适应能源数据管道164可以包括自动化自适应联网414(例如，基于网络路由状况(包括丢包、失误率、QoS、拥塞、成本/定价等)的自适应路由)、自适应协议选择(例如，在传输层协议(例如，TCP或UDP)等之间进行选择)、基于RF状况的自适应路由(例如，在可用RF网络(例如，蓝牙、Zigbee、NFC等)之间进行自适应选择)、数据的自适应过滤(例如，基于是否允许设备使用RF能力的识别的数据的基于DSP的过滤)、网络带宽的自适应切片、认知和/或对等网络容量的自适应使用等。在实施例中，自适应能源数据管道164可以包括企业上下文调整418，例如，其中，基于上下文(例如，企业的操作上下文(例如，区分关键任务操作和不太关键操作、区分时间敏感操作和其他操作、区分遵从策略或法律所需的上下文等)、交易或财务上下文(例如，基于合约要求是否需要数据、基于数据对于实时交易或财务利益是否有用或必要(例如，时间敏感的套利机会或减轻损害的需求))等)。在实施例中，自适应能源数据管道164可以包括基于市场的调整420，例如，其中，存储、联网或其他适应基于历史、当前和/或预期/预测的市场因素(例如，基于数据的存储、传输和/或处理的成本(包括用于数据的能源成本)、基于数据生产的商品或服务的价格、成本和/或利润率等)。
在实施例中，自适应能源数据管道164可以调整数据处理的任何和所有方面，包括存储、路由、传输、纠错、定时、安全性、提取、变换、加载、清洁、归一化、过滤、压缩、协议选择(包括物理层、媒体访问控制层和应用层协议选择)、编码、解码等。
图5：有关配置的能源边缘利益相关者解决方案的更多详细信息
本地化生产
参考图5，平台102可以协调所描述的各种服务和能力，以便配置一组配置的利益相关者能源边缘解决方案108，包括一组移动需求解决方案152、一组企业优化解决方案154、能源供应和治理解决方案156以及一组本地化生产解决方案158。
这组本地化生产解决方案158可以包括一组计算密集型解决方案522，其中，在一个位置中的计算活动中涉及的能源需求在操作上是显著的，无论是就总体能源使用还是峰值需求而言(特别是位置是操作中的相关因素，但是能源可用性可能无法以可接受的价格以足够的容量得到保证的那些)，例如，数据中心操作(例如，以支持需要低延迟并受益于靠近市场和交易所的计算系统)、使用量子计算的操作、使用非常大的神经网络或计算密集型人工智能解决方案的操作(例如，密码学中使用的编码和解码系统)、涉及复杂优化解决方案的操作(例如，高维数据库操作、分析等，例如，计算机网络中的路线优化、营销中的行为定位、运输中的路线优化)、支持加密货币的操作(例如，使用工作量证明或其他计算密集型方法的加密货币中的挖掘操作)、能源来自本地能源(例如，水电大坝、风力发电场等)的操作等。
该组本地化生产解决方案158可以包括一组运输成本缓解解决方案524，例如，其中，将原材料或成品运输到销售点或使用点所需的能源成本是货物总成本中的重要组成部分的解决方案。一组运输成本缓解解决方案524可以配置一组DER 128或其他高级能源，以提供补充或替代传统电网能源的能源，以便允许传统远程生产并通过运输和物流网络(例如，长途卡车运输)运输到销售点或使用点的货物的本地化生产。例如，具有高含水量的作物可以在本地生产，例如，在配备有照明系统、水合系统等的容器中，以便将能源混合转向作物的生产，而不是成品的运输。平台102可以用于在车队级别优化一组本地化模块化能源生成系统或存储系统的组合，以支持一组用于重型货物的本地化生产系统，例如，通过在本地化生产系统之间旋转能源生成或存储系统，以满足需求(例如，季节性需求、基于作物周期的需求、基于市场周期的需求等)。
该组本地化生产解决方案158可以包括一组远程生产操作解决方案528，例如，协调DER 128或其他高级能源，以更优化的方式向远程操作提供能源，例如，矿物开采操作、能源勘探操作、钻井操作、军事操作、消防和其他灾难响应操作、林业操作以及在给定时间点的本地化能源需求周期性地超过能源网所能提供的或者能源网不可用的其他操作。这可以包括协调便携式能源存储系统(例如，车辆、电池等)的路由和供应、便携式可再生能源生成系统(风能、太阳能、核能、水电等)的路由和供应、以及燃料(例如，燃料电池)的路由和供应。
该组本地化生产解决方案158可以包括一组灵活且可变的生产解决方案530，例如，其中，一组生产资产(例如，3D打印机、CNC机器、反应器、制造系统、输送机和其他组件)被配置为与一组模块化能源生产系统接合，例如，接受来自电网和来自本地化能源生成或存储源的能源的组合，并且其中，能源存储和生成系统被配置为在生产资产之间是模块化的、可移除的以及便携式的，以便在车队级别提供电网增强或替代，而不需要用于每个生产资产的专用能源资产。平台102可用于配置和协调该组能源资产和该组生产资产，以便优化本地化生产，包括基于本文所述的各种因素，例如，能源市场中的市场状况以及企业的商品和服务市场中的市场状况。
企业优化解决方案
该组配置的利益相关者能源边缘解决方案108还可以包括一组企业优化解决方案154，例如，为企业提供对能源在企业运营中所扮演的角色的更大可见性(例如，实现对能源相关资产的有针对性的战略投资)；在配置操作和交易以满足至少部分由能源可用性、能源市场价格等驱动的操作和财务目标方面具有更大的灵活性；改进对能源相关因素的治理和控制，例如，碳生产、废热和污染排放；提高从电子设备和智能建筑物到工厂和能源开采活动的任何和所有使用规模的能源使用效率。除非上下文另有要求，本文使用的术语“企业”可以包括私人和公共企业，包括公司、有限责任公司、合伙企业、独资企业等、非政府组织、营利性组织、非营利性组织、公私伙伴关系、军事组织、急救人员组织(警察、消防部门、紧急医疗服务等)、私人和公共教育实体(学校、学院、大学等)、政府实体(市、县、州、省、地区、联邦、国家和国际)、机构(地方、州、联邦、国家和国际)、合作社(例如，基于条约的机构)、监管、环境、能源、国防、民权、教育等)等。与营利性企业相关的示例应理解为适用于其他企业，反之亦然，除非上下文排除了这种适用性。
一组企业优化解决方案154可以包括一组智能建筑物解决方案512，其中，平台102可以用于协调由企业拥有或运营的一组建筑物的能源生成、传输、存储和/或消耗，例如，通过汇总一组智能建筑物的能源采购交易，在一组智能建筑物上提供一组共享移动或便携式能源单元，该组共享移动或便携式能源单元是基于上下文因素(例如，每个建筑物处的利用要求、天气、市场价格等)来供应的。
一组企业优化解决方案154可以包括一组智能能源输送解决方案514，其中，平台102可以用于以有利的成本和在有利的时间将输送或能源协调到操作使用点。在实施例中，平台102可以例如用于通过基于上下文因素(例如，操作利用率要求、监管要求、市场价格等)自动控制管道的切换点，来对液体燃料通过管道的元件的路由进行计时。在其他实施例中，平台102可用于协调便携式能源存储单元或便携式能源生成单元的路由，以便输送能源，以在操作使用的点和时间增强或替代电网能源容量。在实施例中，平台102可用于协调无线电力的路由和输送，以将能源输送到使用点和时间。能源输送优化可以基于市场价格(历史、当前、期货市场和/或预测)、基于操作状况(当前和预测)、基于策略(例如，规定某些用途的优先级)和许多其他因素。
一组企业优化解决方案154可以包括一组智能能源交易解决方案518，其中，平台102可以用于协调跨一组企业资产和/或操作的能源或能源相关实体(例如，可再生能源额度(REC)、污染减少额度、碳减排额度等)中的交易，例如，以在任何和所有能源使用规模下与能源相关操作协调来优化能源采购和销售。在实施例中，这可以包括跨资产和操作汇总和定时当前和期货市场能源采购，自动配置用于企业操作使用的共享发电、存储或输送能力的采购等。平台102可以利用区块链、智能合约和人工智能能力，如在本公开中所描述的那样训练，以基于企业的操作需求、战略目标和上下文因素以及外部上下文因素(例如，市场需求)来进行这种活动。例如，企业机器对能源的预期需求可以作为事件流提供给智能合约，智能合约可以通过从提供商采购基于电网的能源或通过订购便携式能源存储单元等来自动确保未来的能源输送合约以满足需求。智能合约可以被配置有智能，例如，基于预测的市场价格来对采购进行计时，该预测的市场价格可以例如由智能代理基于历史市场价格和当前上下文因素来预测。
一组企业优化解决方案154可以包括一组企业能源数字孪生解决方案520，其中，平台102可以用于收集、监测、存储、处理并以数字孪生表示广泛的数据，这些数据表示能源相关实体的状态、状况、操作参数、事件、工作流和其他属性，例如，参与操作的企业的资产、与企业的能源利用或交易相关的外部实体的资产(例如，能源电网实体、管道、充电位置等)、能源市场实体(例如，交易对手、智能合约、区块链、价格等)。该组企业能源数字孪生解决方案520的用户可以例如查看正在消耗能源的一组工厂，并且呈现指示每个工厂、工厂内的单独机器或机器的组件的相对效率的视图，例如，以识别应该被替换的低效资产或组件，因为替换的成本将通过更少的能源使用来快速补偿。在这种示例中，数字孪生可以提供低效资产的视觉指标，例如，红旗，可以提供最受益于替换的资产的有序列表，可以提供可以被用户接受的推荐(例如，触发替换订单)等。数字孪生可以是基于角色的、基于上下文或市场状况自适应的、个性化的、由人工智能增强的等，以本文和通过引用并入本文的文档中描述的多种方式进行。
移动需求解决方案
仍然参考图5，一组配置的利益相关者能源边缘解决方案108可以包括一组移动需求解决方案152，例如，其中，平台102可以用于由一组移动实体(例如，车队、一组个人、一组移动事件生产单元或一组移动工厂单元等)或为一组移动实体协调能源生成、存储、输送和/或消耗。
该组移动需求解决方案510可以包括一组运输解决方案502，例如，其中，平台102可以用于由一组车辆或为一组车辆协调能源生成、存储、输送和/或消耗，例如，用于运输货物、乘客等。平台102可以处理相关的操作和上下文数据，例如，指示运输的需求、优先级等，以及处理相关的能源数据，例如，用于在不同时间点使用不同运输模式运输实体的能源成本，并且可以提供运输的一组推荐或自动供应，以便在充分考虑能源成本和价格的同时优化运输操作。例如，电动或混合动力客运旅游巴士还可以自动地路由到靠近低成本的可再生能源充电站的风景位置，使得巴士可以在游客体验该位置时再充电，从而满足与能源相关的目标(成本降低)和操作目标(客户满意度)。可以使用本文和通过引用并入的文献中描述的技术(例如，通过在专家交互的训练集上训练机器人过程自动化)来训练智能代理，以提供用于优化能源相关目标和其他操作目标的一组推荐。
该组移动需求解决方案510可以包括一组移动用户解决方案504，例如，其中，平台102可以用于由一组移动用户(例如，移动设备的用户)或为一组移动用户(例如，移动设备的用户)协调能源生成、存储、输送和/或消耗。例如，在预期一个位置(例如，在举办大型体育赛事的小城市中)的人数的大量暂时增加的情况下，平台102可以为一组便携式再充电单元提供一组推荐或自动配置一组订单，以支持消费者设备的充电。
该组移动需求解决方案510可以包括一组移动事件生产解决方案508，例如，其中，平台102可以用于由参与事件生产的一组移动实体或为参与事件生产的一组移动实体协调能源生成、存储、输送和/或消耗，例如，音乐会、体育赛事、会议、马戏团、集市、复兴、毕业典礼、大学聚会、节日等。这可以包括基于事件的操作配置(例如，以满足照明、食品服务、运输、扬声器和其他视听元件、机器(例如，3D打印机、视频游戏机等)、游乐设施等的需求)来自动配置一组能源生成、存储或输送单元，基于能源能力来自动配置这种操作配置，基于上下文因素(例如，市场价格、与会者的人口统计因素等)来配置能源或操作因素中的一个或多个等。
该组移动需求解决方案510可以包括一组移动工厂解决方案，例如，其中，平台102可以用于由一组移动工厂实体或为一组移动工厂实体协调能源生成、存储、输送和/或消耗。这些可以包括基于容器的工厂，例如，其中，3D打印机、CNC机器、封闭环境农业系统、半导体制造商、基因编辑机器、生物或化学反应器、熔炉或其他工厂机器集成到运输容器或其他移动工厂外壳中或以其他方式包含在运输容器或其他移动工厂外壳中，其中，平台102可以基于该组工厂机器的一组操作需求来配置一组建议或指令，以提供能源生成、存储或输送，从而在一组时间和地点满足该组工厂机器的操作需求。配置可以基于能源因素、操作因素和/或上下文因素，例如，商品和能源的市场价格、人群的需求(例如，灾难恢复需求)以及许多其他因素。
能源供应和治理解决方案
仍然参考图5，一组配置的利益相关者能源边缘解决方案108可以包括一组能源供应和治理解决方案156，例如，其中，平台102可以用于基于一组策略、法规、法律等来由一组实体或为一组实体协调能源生成、存储、输送和/或消耗，例如，促进遵从公司财务控制策略、关于碳减排的政府或公司策略等。
该组能源供应和治理解决方案156可以包括一组碳感知能源边缘解决方案532，例如，其中，可以在平台102中探索、配置和实现关于碳生成的一组策略，例如，要求监测一个或多个资产或操作的能源生产，以便跟踪碳生成或排放，要求抵消这种生成或排放等。在实施例中，能源生成控制指令(例如，用于机器或一组机器)可以配置有嵌入式策略指令，例如，在允许机器生成能源(和碳)之前，或者在机器可以在给定时间段内超过给定生产量之前，对可用抵消的所需确认。在实施例中，嵌入式策略指令可以包括一组覆盖规定，其使得能够覆盖策略(例如，由用户，或基于上下文因素，例如，宣布的紧急状态)，以用于关键任务或紧急操作。可以跨企业的操作和资产优化碳生成、减少和抵消，例如，通过以如本公开中别处所描述的各种方式训练的智能代理。
该组能源供应和治理解决方案156可以包括一组自动化能源策略部署解决方案534，例如，其中，用户可以与用户接口交互，以设计、开发或配置(例如，通过输入规则或参数)与能源生成、存储、输送和/或利用相关的一组策略，这可以由平台处理，例如，通过将策略呈现给与受策略约束的实体交互的用户(例如，这种实体的接口和/或这种实体的数字孪生，例如，以提供关于有不遵从风险的动作的警报、记录不遵从事件、推荐替代的遵从选项等)，通过将策略嵌入生成、存储、输送或使用能源的实体的控制系统中(使得以遵从策略的方式控制这种实体的操作)，通过将策略嵌入实现能源相关交易的智能合约中(使得交易按照策略自动执行，使得在不遵从的情况下提供警告或警报等)，通过设置基于上下文因素(例如，运营和/或市场因素)和其他因素自动重新配置的策略。在实施例中，可以例如在历史数据的训练数据集上、在来自结果的反馈上和/或在人类策略设置交互的训练数据集上，训练智能代理，以生成策略、配置或修改策略和/或基于策略采取动作。可以实现广泛的策略和配置，例如，为实体设置一段时间的最大能源使用、为实体设置一段时间的最大能源成本、为实体设置一段时间的最大碳产量、为实体设置一段时间的最大污染排放、设置碳抵消要求、设置可再生能源额度要求、设置能源混合要求(例如，要求可再生能源的最小比例)、基于生产实体的能源和其他边际成本设置利润率最小值，为能源存储实体设置最低存储基线(例如，为灾难恢复提供安全裕度)等。
该组能源供应和治理解决方案156可以包括一组能源治理智能合约解决方案538，以允许平台102的用户设计、生成、配置和/或部署自动提供一组能源交易的治理程度的智能合约，例如，其中，智能合约将一系列运营、市场或其他上下文输入(例如，由边缘设备收集的关于运营资产的能源利用信息)作为输入，并且自动配置遵从用于能源、能源相关额度等的采购、销售、预订、共享或其他交易的一组策略的一组合约。例如，智能合约可以自动汇总平衡跨企业运营中使用的一组机器检测到的碳生成所需的碳抵消额度。
该组能源供应和治理解决方案156可以包括一组自动化能源财务控制解决方案540，以允许平台102的用户和/或智能代理设计、生成、配置或部署与控制与能源生成、存储、输送和/或利用相关的财务因素有关的策略。例如，用户可以设置要求机器继续运行的利润率最小值的策略，并且该策略可以呈现给机器的操作员、管理者等。作为另一个示例，策略可以嵌入用于机器的控制系统中，该控制系统采用确定边际盈利能力所需的一组输入(例如，生产中使用的输入和其他非能源资源的成本、能源成本、生产输出所需的预测能源以及输出的市场价格)，并自动确定是否继续生产以及在什么水平上，以便维护边际盈利能力。这种策略可以采取进一步的输入，例如，与预期的市场和客户行为相关的输入，例如，基于对相关输出的需求弹性。
在实施例中，自动化能源和治理策略可以指底层系统必须遵守的策略。换句话说，自动化能源和治理策略就像一个系统严格遵循的规则手册。在一些实施例中，一组边缘设备可以对一组“下游设备”(在边缘设备覆盖区域中使用电力的任何设备)实施能源策略。举例来说，在智能城市电网中，可以利用自动化能源和治理策略来确保路灯在特定的能源限制内运行。作为平台102的一部分，可以包括高能效控制器的边缘设备可以负责确保连接到它们的其他设备的这些能源策略。在一个示例中，在使用附加装饰灯的节日期间，这些边缘设备可以实施能源策略，确保所有灯(包括附加装饰灯，即“下游设备”)的总能源消耗不超过预定义的限制。
在实施例中，能源策略可以定义“碳生成”的上限，这意味着单个设备或一组下游设备在给定时间内不可以超过总碳足迹。举例来说，对于以碳中和为目标的公司，可以设置能源策略以确保他们的建筑或工厂不超过特定的碳足迹。在一个示例中，一个公司可能有一个策略，声明其运营在一年内不产生超过特定吨位的碳排放。这确保了该公司的活动保持环境可持续性，即使扩大了其业务。
在实施例中，能源输送机制可以包括“能源来源”元数据，其指示输送的能源是如何生成的以及每“使用单位”的碳输出的测量。因此，如果能源是由风能、太阳能、核能等生成的，则每使用单位的碳足迹将为零或接近于零，但如果是煤、天然气、煤气等，则会有一个非零因子。考虑由可再生和不可再生能源混合驱动的工厂。输送给工厂的能源可能带有指示其来源的元数据。如果能源主要通过风能或太阳能等绿色能源生成，则相关的碳足迹将会很低。然而，如果很大一部分来自煤炭或天然气，碳足迹会更高。在这些情况下，电力可以在便携式存储器或有线存储器中输送。如果有线存储器具有混合电网，则能源元数据可以指示从每个电源馈入电网的能源的总百分比(例如，20％可再生、50％核能、10％煤)，使得每使用单位参数的碳输出可以从相应的百分比中导出。总的来说，这些元数据对于在混合能源电网区域运营的企业特别有用，可以帮助他们计算实际的碳影响。
在实施例中，边缘设备可以监测该组下游设备正在使用的电量，并且可以基于能源元数据和与能源元数据相关联的碳输出率来确定碳输出。当边缘设备确定该组下游设备接近策略限制时，能源和治理引擎可以采取一组预防性动作来避免达到上限。预防性动作的示例可以包括切换到不同的能源输送机制(在其他方面可能更昂贵或更不理想)、关闭某些设备以减少能源消耗、在不同设备之间切换能源使用、向人类用户发送警报等。当边缘设备确定一组下游设备超过上限时，能源和治理引擎可以采取一组校正动作来避免触及上限。校正动作可以包括购买碳抵消额度、关闭系统和切换到碳中和运行模式中的一个或多个。举例来说，在由多种能源供电的住宅社区中，边缘设备可以监测家庭的能源消耗并确定他们的碳输出。如果住宅社区由于过度使用不可再生能源而接近其碳极限，则平台102可以将住宅社区中的更多家庭转移到太阳能，尽管潜在增加了成本。
在实施例中，能源边缘组件的可靠性和正常运行时间的管理可能是分布式边缘环境的整体操作的关键部分。与任何企业一样，确保运营不中断至关重要。对于医疗保健或数据中心等行业来说尤其如此，在这些行业中，能源可靠性会直接影响人类生活或重要数据。因此，维护能源边缘组件的可靠性和正常运行时间成为其运营中不容置疑的一个方面。平台102被配置为确保识别这些操作，并确保它们的操作不被中断，例如，通过在需要时从其他来源转移能源。
在实施例中，平台102可以被配置为提供和/或促进基于通用人工智能(AGI)的能源管理。平台102可以包括一个或多个AGI代理，其被配置为做出决定并与人类、其他AGI代理和平台102的组件中的一个或多个交互。一个或多个AGI代理可以被配置为基于一个或多个AGI代理的内部状态做出决定。平台102可以被配置为创建一个或多个AGI代理的内部状态的快照，该快照与一个或多个AGI代理做出的决策相关联。平台102可以被配置为分析和/或监测快照，以改进能源的管理和/或治理。
在实施例中，平台102可以被配置为监测平台102的组件的决策，以执行、提供和/或促进组件的连续和/或接近连续的校正和/或微调整，以与平台102的战略目标一致。举例来说，在大型能源项目中，确保所有组件都有助于实现项目的战略目标至关重要。通过连续监测这些组件的决策，平台102可以重新调整任何偏差，确保整个系统和谐地工作。
在实施例中，平台102可以被配置为检测不良行为者。随着网络威胁的增加，平台102检测不良行为者的能力变得重要。平台102可以被配置为响应于检测到不良行为者来执行一个或多个动作。举例来说，如果有人试图操纵智能电网的能源消耗数据以获得不适当的优势，则平台102可以检测这种异常并采取校正动作，例如，阻止这种操纵代理、发出标记等。
在实施例中，平台102可以被配置为跟踪和监测人与平台102的组件和相关的边缘设备和/或能源设备的交互。平台102可以跟踪和监测人类交互，以评估分布式代理的决策的一致性，从而鼓励平台102及其组件做出的决策在多个分布式能源上是一致的。平台102可以被配置为附加地或替代地跟踪和监测关于平台102的组件的资源分配的一个或多个决策、能源的供应和需求的管理、以及对环境和/或市场变化的响应。举例来说，在人类操作员定期与工厂中的能源管理系统交互的情况下，通过跟踪这些交互，平台102可以确定由不同代理做出的决策的一致性，确保工厂中的协调方法。这种跟踪对于具有多个班次的工厂可能特别有用，确保能源决策是一致的，而不管操作人员是谁。
在实施例中，平台102可以被配置为提供和/或促进检测和防止能源基础设施对野生动物的伤害。基础设施的发展往往以环境为代价。对于位于森林或水体附近的能源项目，存在伤害野生动物的风险。平台102可以被配置为检测由于基础设施而对野生动物的任何潜在威胁，例如，鸟飞入风力涡轮机或水生生物受到水力发电厂的影响，并采取预防性措施。
在实施例中，平台102可以被配置为收集与野生动物模式相关的数据，并使用野生动物模式数据来执行能源生成和分配的优化。举例来说，在位于候鸟栖息地附近的风力发电场中，平台102可以分析与鸟类运动模式相关的数据。通过了解这些模式，可以优化发电计划表，减少鸟与风力涡轮机叶片碰撞的风险，最终也可能减少基础设施的损坏。举例来说，在极端情况下，在迁徙高峰期，平台102可以直接在鸟的移动路径上停止风力涡轮机的运行，以使鸟的影响最小化。
在实施例中，平台102可以被配置为确定和/或管理与太空旅行相关的能源需求。平台102可基于所确定的能源需求在太空任务期间执行和/或提供对生成、存储和分配的改进。像火星车这样的太空任务需要精确的能源管理。平台102可以监测这种火星车中的太阳能电池板效率、电池存储水平和能源消耗率。举例来说，在没有阳光的时期，平台102可以帮助优化能源消耗，确保基本系统保持功能。
在实施例中，平台102可以被配置为从一个或多个卫星接收数据和/或向一个或多个卫星传输能源相关数据。平台102可以基于从一个或多个卫星接收的数据来改进一个或多个组件系统的操作。举例来说，气象卫星提供了影响能源生成的重要数据，特别是可再生能源(例如，某个区域的云层会影响太阳能发电)。通过从这些卫星接收数据，平台102可以预测云量，帮助太阳能发电场预测能源生成下降，并相应地调整它们的分配策略。
在实施例中，平台102可以被配置为使用从一个或多个卫星接收的数据来执行和/或改进监测能源使用、预测能源需求和分配能源资源中的一个或多个。例如，卫星数据对于能源管理也是非常宝贵的。举例来说，通过分析来自卫星的云运动模式，平台102可以预测一个地区的太阳能发电场何时可能减少阳光，并调整来自其他来源的能源分布。
在实施例中，平台102可以被配置为规划和/或管理与小行星采矿作业相关的能源需求和资源。正在探索小行星采矿作为未来开采稀有矿物的方法。平台102可以考虑小行星采矿作业的提取和/或运输作业的能源需求。在这样的操作中，平台102可以管理用于矿物开采(例如，操作用于采矿作业的各种工具)和运输(例如，推进)的能源。举例来说，当从前往地球的小行星中提取矿物时，平台102可以优化提取过程和提取的矿物的后续运输的能源使用。
在实施例中，平台102可以被配置为管理和/或跟踪由核电站产生的放射性废物的处置。平台102可确保安全并符合国际标准和法规。在本文，平台102可以跟踪废物数量，监测存储状况，并确保处置方法符合国际标准。举例来说，在反应堆的燃料耗尽之后，平台102可以监测冷却过程，以确保这种冷却操作的安全性以及乏燃料的后续安全存储。
在实施例中，平台102可以被配置为经由高级分析来优化太阳能发电。平台102可确保太阳能发电厂和分布式太阳能资源的最大效率和可靠性。例如，在太阳能的情况下，太阳能发电厂和太阳能设备变得越来越复杂。为了确保它们的最佳性能，平台102可以利用高级分析来分析这些系统的运营数据。这样做，平台102可以提供对面板效率、灰尘积聚等的见解。举例来说，使用平台102，操作者可以预测哪些面板可能需要维护，基于太阳的位置确定最佳面板角度，甚至基于天气预报预测能源生成。
在实施例中，平台102可以被配置为预测和响应于来自敌对国家的威胁，例如，针对能源电网的网络攻击和/或对能源的破坏。在网络战日益增加的时代，能源电网是潜在的目标。平台102可以监测用于检测网络入侵的异常模式，确保能源资源保持安全。举例来说，在电网突然关闭期间，平台102可以识别这是技术故障还是网络攻击。
在实施例中，平台102可以被配置为规划和/或管理与地雷清除作业相关的能源需求。平台102可以考虑探测、提取和/或安全处理地雷所需的能源。地雷清除是一项危险和高能源消耗的工作。平台102可以管理检测机器人的能源需求，确保它们高效运行。举例来说，在大范围的地雷探测作业期间，平台102可以优化机器人路径，以使能源消耗最小化。
在实施例中，平台102可以被配置为解决由平台102做出的决策的法律和/或伦理影响。平台102可确保符合法律和法规，和/或可实施安全措施，以防止与平台102的操作相关的损害。具有AI系统的平台102可以做出影响人类生活的决策。平台102被配置为用法律和伦理准则交叉检查每个决策，确保甚至不会无意中造成伤害。举例来说，在电力短缺的情况下，在切断关键设施的电力之前，平台102可以评估人的影响，并且可以相应地决定不采取这样的步骤，并且可以尝试从其他来源转移电力，诸如此类。
在实施例中，平台102可以被配置为遵照监管要求来管理数据存储，从而确保数据隐私和安全。数据存储，尤其是在能源领域，涉及大量用户特定的信息，这些信息对于运营来说既敏感又重要。特别地，在数据法规严格的地区，例如，具有GDPR的欧盟，平台102确保所有存储的能源消耗数据符合本地法规，保护用户隐私。使用平台102，该数据可以用高级加密标准存储，并且仅在必要时被访问。
在实施例中，平台102可以被配置为根据数据隐私和保护法来管理和尊重来自个人和/或个人群体的数据匿名请求。随着能源消耗数据变得越来越精细，借助智能家居设备，通过分析人类的能源使用模式来了解他/她的行为变得越来越可能。考虑到这一点，个人可能会要求他们的数据匿名化。平台102可以确保个体能源消耗模式不可追溯到特定用户，遵守隐私规范。
在实施例中，平台102可以被配置为管理和/或处理AI实体和/或机器人实体可以请求匿名的场景。举例来说，采用AI实体为其用户提供能源管理支持(例如，聊天机器人)的企业可能不希望让他们的用户知道AI的使用；在这种情况下，AI实体可以在其交互中向平台102发送匿名请求，并且平台102可以被配置为确保其身份保持受到保护。
在实施例中，平台102可以存储与DNA相关的数据，并根据法律和法规执行DNA数据的处理。举例来说，平台102可以存储与生物能源项目相关的DNA数据，确保该敏感数据得到合乎道德和合法的处理。在一个示例中，利用平台102，研究机构可以存储用于生物燃料生产的藻类物种的DNA序列。然后可以访问和分析这些数据，以确定在特定状况下哪个物种产生的生物燃料最多，同时确保敏感的基因数据得到保护。
在实施例中，平台102可以被配置为与银行系统交互，以管理与能源交易相关的财务交易。平台102可以确保安全和/或高效的能源交易操作。随着能源交易的增长，平台102可以充当能源生产者、交易者和消费者之间的桥梁。平台102可以与银行系统集成，以简化财务交易。举例来说，在两个企业之间的能源交易期间，平台102可以管理财务方面，确保迅速和安全的支付。
在实施例中，平台102可以被配置为执行自动化营销操作。平台102可以提供和/或促进个性化客户参与、与营销操作相关的预测分析以及营销活动的优化中的一个或多个。例如，平台102可以使用能源消耗数据来定制营销活动。在一个示例中，如果一个地区具有高太阳能潜力(例如，由于一年四季都有阳光可用)，则平台102可以用太阳能电池板产品广告来瞄准该地区的消费者。在另一个示例中，如果一个地区已经具有较高的太阳能采用率，则平台102可以用太阳能配件产品广告瞄准该地区的消费者。
在实施例中，平台102可以被配置为提供和/或促进与客户和利益相关者中的一个或两个的文本消息通信的安全和合规使用。平台102可以遵守与隐私和/或同意相关的规定。例如，平台102可以管理与利益相关者的基于文本的通信，确保发送的每个消息符合隐私和同意规定。举例来说，在向用户发送促销消息之前，平台102可以检查所述用户是否已经同意这样的通信。
在实施例中，平台102可以被配置为使得边缘设备可以监测能源生产、存储和消耗设备在由能源电网服务的整个区域中的移动。设备的移动和/或部署可以基于对通过/经过诸如联网设备等边缘设备的网络流量的监测。移动和/或部署也可以基于网络活动的变化，例如，与能源生产/存储/消耗设备相关联的局部网络活动的增加。
在实施例中，平台102可以被配置为检测能源产生设备的运动。当能源产生设备在联网环境中移动时，例如，由于在联网环境的新场所(不同/新的片段)中被检测到，边缘设备可以使用该信息来调整关于能源产生、定价等的本地能源系统的指导/指令。根据新定位的能源产生资源的性质(例如，暂时的或永久的)，管理能源生产、存储和利用的规则或策略可能受到影响。作为一个示例，专用于诸如建筑、高出席率的本地事件(例如，体育事件)、节日等临时事件的新能源产生资源可以建议为事件/在事件期间可以减轻对本地能源基础设施的需求。尽管对本地能源的需求可能会显著增加，但由于专用能源资源在本地处理，所以能源策略可能会建议将本地能源电网和/或能源产生资源的一部分离线进行维护。如果看起来新处置的生成能源的资源具有更一般化的本地供应方法(包括长期存在)，例如，当响应于需求的增加和/或不可靠来源的减少时，检测这些新的能源供应资源的边缘设备可以充当缓和器，以缓和对本地能源供应提供者的影响，例如，通过限制对新的供应源的访问、向本地能源机构警告新的来源存在，诸如此类。
在实施例中，平台102可以被配置为基于例如消费者移动设备的移动来检测能源消耗设备或能源消费者的移动。这可以通过检测局部网络中设备存在的异常增加来实现，例如，在一个或多个蜂窝天线附近等。一旦检测到局部网络环境中潜在能源消费者的存在增加(例如，在社交活动、音乐会、体育活动、政治活动等中)，边缘设备可以调整能源输送基础设施以使相应量的能源在受影响区域中可用，从而对该存在增加做出响应。在这种情况下，边缘设备可以扮演的另一个作用是增加受影响区域上的无线电发射电力和/或接收电力，以适应设备流量的增加。这可以扩展到向能源提供商发信号通知联网的边缘设备(在一个地区内和/或由特定标识符标识)将在近期增加能源消耗。
在实施例中，平台102可以被配置为使得边缘设备也可以检测能源存储系统的流入和/或对检测到能源存储系统的流入做出反应，能源存储系统包括但不限于整个家庭的能源存储系统。当边缘设备检测到新的能源存储设备时，可以调整地区的能源管理规划，以考虑新的能源存储容量。这可能涉及管理能源电网利用率，以更好地利用增加的存储容量。能源的本地存储，特别是直达消费者能源，可以用来通过在高需求时间指示本地能源存储系统向电网放弃其能源，从而在特定时间(例如，当需求高时)卸载能源电网。同样，边缘设备可以配置来源和存储之间的通信信道，以便于这些资源之间的协调。
图6：关于智能支持系统的更多详细信息
参考图6，提供了关于智能支持系统112的实施例的进一步详细信息，包括一组智能数据层130、分布式分类账和智能合约系统132、一组自适应能源数字孪生系统134和一组能源模拟系统136。
该组智能数据层130可以承担在本公开中和通过引用并入本文的文献中提到的广泛的数据处理能力中的任何一种，可选地，自主地、在用户监督下或在半监督下进行，包括提取、变换、加载、归一化、清洁、压缩、路由选择、协议选择、存储的自组织、过滤、传输定时、编码、解码等。该组智能数据层130可以包括能源生成数据层602(例如，产生、自动配置和路由与一组实体(例如，企业的运营资产)的能源生成相关的数据流或数据批次)、能源存储数据层604(例如，产生、自动配置和路由一组实体(例如，企业的运营资产或一组客户的资产)与能源存储相关的数据流或数据批次)、能源输送数据层608(例如，产生、自动配置和路由与由一组实体进行的能源输送相关的数据流或批次，例如，通过传输线、通过管道、通过便携式能源存储等进行的输送)以及能源消耗数据层610(例如，产生、自动配置和路由与由一组实体(例如，企业的运营资产、一组客户、一组车辆等)的能源消耗相关的数据流或批次)。
分布式分类账和智能合约系统132可以提供一组底层能力，以实现与能源相关的交易，例如，用于能源生成、存储、交付或消耗的采购、销售、租赁、期货合约等，以及实现用于相关类型的交易，例如，可再生能源额度、碳减排额度、污染减少额度、资产租赁、用于资产使用的共享经济交易、共享消费合约、批量采购、移动资源的供应等。这可以包括一组能源交易区块链612或分布式分类账，以记录能源交易，包括生成、存储、输送和消耗交易。一组能源交易智能合约614可以对区块链事件和其他输入数据进行操作，以支持、配置和执行上述类型的交易等。在实施例中，该组能源交易智能代理618可以被配置为设计、生成和部署该组能源交易智能合约614，优化交易参数，自动发现交易对手、套利机会等，推荐和/或自动发起合约要约或执行的步骤，基于区块链数据在完成时解决合约，还具有许多其他功能。
该组自适应能源数字孪生系统134可以包括能源相关实体(例如，生成、存储、输送或消耗能源的企业的运营资产)的数字孪生，并且可以包括能源生成数字孪生622(例如，显示来自事件日志的内容，或者来自与一组实体(例如，企业的运营资产)的能源生成相关的数据的流或批的内容)、能源存储数字孪生624(例如，显示一组实体的能源存储状态信息、使用模式等，例如，企业的运营资产或一组客户的资产)、能源输送数字孪生628(例如，显示与一组实体的能源输送相关的状态数据、事件、工作流等，例如，通过传输线、通过管道、通过便携式能源存储等进行输送)以及能源消耗数字孪生630(例如，显示与一组实体的能源消耗相关的数据，例如，企业的运营资产、一组客户、一组车辆等的能源消耗相关的数据)。该组自适应能源数字孪生系统134可以包括在本公开中和/或通过引用并入本文的文档描述的各种类型的数字孪生，例如，由来自边缘和IoT设备的数据流馈送的数字孪生、基于用户角色或上下文进行调整的数字孪生、基于市场上下文进行调整的数字孪生、基于操作上下文进行调整的数字孪生等。
该组能源模拟系统136可以包括广泛系统，用于基于历史模式、当前状态(包括上下文、操作、市场和其他信息)以及参与能源的生成、存储、输送和/或消耗的实体的预期/预测状态来模拟能源相关行为。这可以包括能源生成模拟632、能源存储模拟634、能源输送模拟638和能源消耗模拟640等。该组能源模拟系统136可以采用广泛的模拟能力，例如，物理行为的3D可视化模拟、在数字孪生中呈现模拟输出、针对一组不同操作场景生成模拟财务结果、生成模拟操作结果等。模拟可以基于一组模型，例如，机器或系统的能源生成、存储、输送和/或消耗行为的模型，或者一组机器或系统(其可以基于基础模型和/或基于从模型子集到更大集合的投影来汇总)。可以迭代地改进模型，例如，通过来自操作的结果的反馈和/或通过将基于模型的预测与实际结果和/或其他模型或人类专家的预测进行比较的反馈。可以使用概率技术、通过随机游走或随机森林算法、通过从过去数据对当前状况的趋势的预测等进行模拟。模拟可以基于行为模型，例如，基于各种因素的企业或个人行为的模型，包括过去的行为、经济因素(例如，响应于价格变化的需求或供应的弹性)、能源利用模型等。模拟可以使用来自人工智能的预测，包括通过机器学习(包括深度学习、监督学习、半监督学习等)训练的人工智能。模拟可以被配置用于在增强现实、虚拟现实和/或混合现实接口和系统(统称为“XR”)中呈现，例如，使得用户能够与模拟的各方面交互，以便被训练来控制机器、设置策略、管理工厂或包括多个机器的其他实体、处理机器或工厂的车队等。作为多个示例中的一个示例，工厂的模拟可以模拟工厂中所有机器的能源消耗，同时在模拟中呈现其他数据，例如，运营数据、输入成本、生产成本、计算成本、市场定价数据和其他内容。在模拟中，用户可以例如通过设置每台机器的输出水平来配置工厂，并且模拟可以基于各种模拟的市场状况来模拟工厂的盈利能力。因此，可以训练用户在各种不同的市场状况下配置工厂。
图7：有关基于AI的能源协调、优化和自动化系统的更多详细信息
参考图7，提供了关于一组基于AI的能源协调、优化和自动化系统114的更多详细信息，这些系统中的每个系统可以使用平台102的各种其他能力、服务、功能、模块、组件或其他元件，以便代表企业或其他用户协调与能源相关的实体、工作流等。协调可以例如使用机器人过程自动化来促进基于训练数据集的能源相关实体和资源的自动化协调和/或基于历史人类交互数据的人类监督。作为另一个示例，协调可以涉及一组智能代理的设计、配置和部署，其可以基于操作、市场、上下文和其他输入自动协调一组与能源相关的工作流。协调可以涉及自主控制系统的设计、配置和部署，例如，基于由机载传感器、边缘设备、IoT设备等收集或从机载传感器、边缘设备、IoT设备等收集的运营数据来控制能源相关活动的系统。协调可以涉及优化，例如，基于模拟的多变量决策的优化、基于实时输入的优化等。协调可以涉及使用人工智能进行模式识别、预报和预测，例如，基于历史数据集和当前状况。
一组基于AI的能源协调、优化和自动化系统114可以包括一组能源生成协调系统138、一组能源消耗协调系统140、一组能源存储协调系统142、一组能源市场协调系统146和一组能源输送协调系统147等。
该组能源生成协调系统138可以包括一组生成定时协调系统702和一组位置协调系统704等。该组定时协调系统702可以协调能源生成的定时，例如，以确保生成的定时满足关键任务或操作需求、遵从策略和规划、进行优化以改进财务或操作度量和/或(在为销售而生成的能源的情况下)基于能源市场价格的波动是适时的。生成定时协调可以基于模型、模拟或历史数据集上的机器学习。生成定时协调可以基于当前状况(运营、市场等)。
该组位置协调系统704可以协调发电资产的位置，包括诸如便携式发电机、太阳能系统、风力系统、模块化核系统等移动或便携式发电资产，并且可以选择用于诸如发电厂、发电机、涡轮机等较大规模固定基础设施发电资产的位置，以确保对于任何给定的操作位置，可用发电容量(基线和峰值容量)满足关键任务或操作需求，遵从策略和规划，进行优化以改进财务或操作度量和/或(在为销售而生成的能源的情况下)基于能源市场价格的当地变化而处于有利位置。生成位置协调可以基于模型、模拟或历史数据集上的机器学习。生成位置协调可以基于当前状况(运营、市场等)。
该组能源消耗协调系统140可以包括一组消耗定时优化系统718和一组运营优先级系统720等。该组消耗定时优化系统718可以协调定时消耗，例如，将非关键活动的消耗转移到成本较低的能源资源(例如，通过转移到非高峰时间以获得电网能源消耗的较低电价，转移到成本较低的资源(例如，代替电网的可再生能源系统)，将消耗转移到更有利可图的活动(例如，基于当前市场和操作状况(例如，由边缘和IoT设备以及市场数据源的组合检测到的)，将消费转移到每时间段具有高利润率的机器等)。
该组运营优先级系统720可以使得用户、智能代理等能够例如通过规则或策略、通过设置目标度量(例如，用于效率、利润率产生等)、通过声明关键任务操作(例如，用于安全、灾难恢复和应急系统)、通过声明一组运营资产或活动中的优先级等，来设置运营优先级。在实施例中，能源消耗协调可以从运营优先级获取输入，以提供一组建议或控制指令，以优化机器、组件、一组机器、工厂或一组资产的能源消耗。
该组能源存储协调系统142可以包括一组存储位置协调系统708和一组安全裕度协调系统710。该组存储位置协调系统708可以协调存储资产的位置，包括诸如便携式电池、燃料电池、核存储系统等移动或便携式发电资产，并且可以选择用于诸如大规模电池阵列、燃料存储系统、热能存储系统(例如，使用熔盐)、基于重力的存储系统、使用流体压缩的存储系统等较大规模固定基础设施存储资产的位置，以确保对于任何给定的操作位置，可用存储容量满足关键任务或操作需求，遵从策略和规划，进行优化以改进财务或操作度量和/或(在为销售而存储和提供的能源的情况下)基于能源市场价格的当地变化而处于有利位置。存储位置协调可以基于模型、模拟或历史数据集上的机器学习，例如，指示个人或企业使用模式的行为模型。存储位置协调可以基于当前状况(运营、市场等)和许多其他因素；例如，可以将存储容量带到电网容量离线或异常受限的位置(例如，用于灾难恢复)。
该组安全裕度协调系统710可用于协调存储容量，以保持安全裕度，例如，在基线能源容量损失(例如，由于电网断电或限电)或可再生能源生产不足(例如，当由于天气状况、干旱等而存在风、水或太阳能不足时)的情况下，为关键任务系统(例如，生命支持系统、周边安全系统等)或高优先级系统(例如，高利润制造)供电的最小量的存储能源。最小量可以由规则或策略设置，或者可以例如由智能代理基于结果的训练数据集和/或基于历史、当前和预期状况(例如，气候和天气预报)自适应地学习。在实施例中，该组安全裕度协调系统710可以从能源供应和治理解决方案156获取输入。
该组能源市场协调系统146可以包括一组交易汇总系统722和一组期货市场优化系统724。
该组交易汇总系统722系统可以自动协调一组与能源相关的交易，例如，采购、销售、订单、期货合约、对冲合约、限价订单、止损订单等，用于能源生成、存储、交付或消耗，用于可再生能源额度、用于碳减排额度、用于污染减少额度等的其他交易，例如，将一组较小的交易汇总成批量交易，例如，利用批量折扣，以确保有利时的当前或日前定价，以使一组所有者、运营商，或消费者能够对某个能源生产、存储或输送能力块等进行部分所有权。例如，企业可以使用智能代理来汇总不同管辖范围内的一组资产的能源采购，该智能代理可以汇总整个管辖范围内的一组期货市场能源采购，并在一个集中位置(例如，企业的运营数字孪生)表示汇总的采购。
该组期货市场优化系统724可以基于对个人或企业的未来能源需求的预测，自动协调用于能源、可再生能源额度、用于碳抵消或减排额度、用于污染减少额度等的一组期货市场合约的汇总。预测可以基于历史使用模式、当前操作状况、当前市场状况、预期操作需求等。预测可以使用预测模型和/或由智能代理生成，例如，基于对结果、基于人类输出、基于人类标记的数据等的机器学习的智能代理。预测可以通过深度学习、监督学习、半监督学习等来生成。基于预测，智能代理可以设计、配置和执行一系列跨越各种管辖范围的期货市场交易，以满足预期的时间、位置和类型的需求。
该组能源输送协调系统147可以包括一组输送路由协调系统712和一组能源输送类型协调系统714。
该组能源输送路由协调系统712可以使用平台102的各种组件、模块、设施、服务、功能和其他元件来协调能源输送的路由，例如，基于需求的位置、定时和类型、在能源需求地点的可用发电和存储容量、用于路由的可用能源(例如，液体燃料、便携式能源生成系统、便携式能源存储系统等)、可用路线(例如，主管道、管道分支、传输线、无线电力传输系统和运输基础设施(公路、铁路和水路等))、市场因素(能源的价格，商品价格、生产活动的利润率、需要能源的事件的时间等)、环境因素(例如天气)、运营优先级等。可以训练以本文公开的各种方式训练的一组人工智能系统，来推荐或配置路线，例如，基于前述输入和一组训练数据，例如，人类路由活动、路线优化模型、大量模拟场景之间的迭代等或前述中的任何一个的组合。例如，一组控制指令可以引导能源管道的阀和其他元件，以将一定量的基于流体的能源输送到一个位置，同时基于管道路由指令将移动或便携式资源引导到将具有降低的能源可用性的另一个位置。
该组能源输送类型协调系统714可以使用平台102的各种组件、模块、设施、服务、功能和其他元件来协调能源输送的类型的优化，例如，基于需求的位置、定时和类型、在能源需求地点的可用发电和存储容量、用于路由的可用能源(例如，液体燃料、便携式能源生成系统、便携式能源存储系统等)、可用路线(例如，主管道、管道分支、传输线、无线电力传输系统和运输基础设施(公路、铁路和水路等))、市场因素(能源的价格，商品价格、生产活动的利润率、需要能源的事件的时间等)、环境因素(例如天气)、运营优先级等。可以训练以本文公开的各种方式训练的一组人工智能系统，来推荐或配置能源类型的混合，例如，基于前述输入和一组训练数据，例如，人类类型选择活动、输送类型优化模型、大量模拟场景之间的迭代等或前述中的任何一个的组合。例如，一组建议或控制指令可以选择与需求兼容的一组便携式模块化能源(例如，在存在高存储容量以满足操作需求的情况下指定可再生能源，使得廉价的间歇性能源是优选的)，而指令可以在存储容量有限或不存在并且使用是连续的(例如，对于远离能源网操作的24/7数据中心)选择更昂贵的天然气能源。
在本公开中提供了基于AI的能源协调、优化和自动化系统114的许多其他示例。
图8：有关可配置数据和智能模块和服务的更多详细信息
参考图8，该组可配置数据和智能模块和服务118可以包括该组能源交易支持系统144、该组利益相关者能源数字孪生148和该组数据集成微服务150等。这些数据和智能模块可以包括配置数据流或批处理、配置智能以提供特定类型的输出等所需的各种组件、模块、服务、子系统和其他元件，以便支持平台102的其他元件和/或各种利益相关者解决方案。
该组能源交易支持系统144可以包括一组交易对手和套利发现系统802、一组自动化交易配置系统804和一组能源投资和剥离推荐系统808等。该组交易对手和套利发现系统802可以被配置为对与运营能源需求、上下文因素以及一组交易对手的一组能源市场、可再生能源额度、碳抵消、污染减少额度或其他与能源相关的市场报价相关的各种数据源进行操作，以便确定对一组交易对手和报价的推荐或选择。该组交易对手和套利发现系统802的智能代理可以基于推荐或选择发起与一组交易对手的交易。因素可能包括成本、交易对手可靠性、交易对手报价的规模、能源需求的时间、位置等。
该组自动化交易配置系统804可以例如基于上下文因素(例如，天气)、历史、当前或预期/预测的市场数据(例如，与能源定价、生产成本、存储成本等相关)、操作需求的时间和位置以及其他因素自动地或在人工监督下推荐或自动地配置交易的条款。自动化可以通过人工智能进行，例如，在人类配置交互上进行训练、通过在结果上进行深度学习进行训练、或者通过一系列试验和调整(例如，神经网络的一系列输入和/或权重)由迭代改进进行训练。
该组能源投资和剥离推荐系统808可以例如基于上下文因素(例如，天气)、历史、当前或预期/预测的市场数据(例如，与能源定价、生产成本、存储成本等相关)、操作需求的时间和位置以及其他因素自动地或在人工监督下推荐或自动配置投资或剥离交易的条款。自动化可以通过人工智能进行，例如，在人类配置交互上进行训练、通过在结果上进行深度学习进行训练、或者通过一系列试验和调整(例如，神经网络的一系列输入和/或权重)由迭代改进进行训练。例如，该组能源投资和剥离推荐系统808可以输出对附近模块化便携式发电单元中投资的推荐，以支持规划的能源勘探活动的位置或相对低效的工厂的剥离，其中，预测能源成本产生负利润率。
一组利益相关者能源数字孪生148可以包括一组财务能源数字孪生810、一组运营能源数字孪生812和一组执行能源数字孪生814等。该组财务能源数字孪生810可以例如表示一组实体，例如，企业的运营资产以及与能源相关的财务数据，例如，机器、组件、工厂或一组资产正在使用或预计将使用的能源成本、可以出售的能源的价格、通过使用可再生能源生成能力可获得的可再生能源额度的成本或价格、抵消未来预期操作的当前所需的碳抵消的成本或价格、污染减少抵消或额度的成本等。该组财务能源数字孪生810可以与其他财务报告系统和接口集成，例如，企业资源规划套件、财务会计套件、税务系统等。
该组运营能源数字孪生812可以例如表示涉及能源生成、存储、输送或消耗的操作实体以及相关规范数据、历史、当前或预期/预测的操作状态或参数以及其他信息，例如，使得操作员能够在个体或汇总级别上查看组件、机器、系统、工厂及其各种组合和集合。该组运营能源数字孪生812可以显示与操作相关的能源数据和能源相关数据，例如，生成、存储、输送和消耗数据、碳生产、污染排放、废热生产等。一组智能代理可以在数字孪生中提供警报。数字孪生可以自动适应，例如，通过突出显示重要变化、关键操作、维护或更换需求等。该组运营能源数字孪生812可以从位于相关操作处或附近的机载传感器、IoT设备和边缘设备获取数据，以便以提供实时的当前数据。
该组执行能源数字孪生814可以例如显示涉及能源生成、存储、输送或消耗的实体以及相关规范数据、历史、当前或预期/预测的操作状态或参数以及其他信息，例如，使得执行人员能够在个体或汇总级别上查看由能源驱动的关于组件、机器、系统、工厂及其各种组合和集合的关键性能度量。该组执行能源数字孪生814可以显示与执行决策相关的能源数据和能源相关数据(例如，生成、存储、输送和消耗数据、碳生产、污染排放、废热生产等)以及财务性能数据、竞争市场数据等。一组智能代理可以在数字孪生中提供警报，例如，被配置为执行人员的角色(例如，向CFO提供财务数据，向首席法务官提供风险管理数据以及向首席执行官或首席战略官提供汇总性能数据)。该组执行能源数字孪生814可以自动适应，例如，通过突出显示重要变化、关键操作、战略机会等。该组执行能源数字孪生814可以从位于相关操作处或附近的机载传感器、IoT设备和边缘设备获取数据，以便提供实时的当前数据。
该组数据集成微服务150可以包括一组能源市场数据服务818、一组运营数据服务820和一组其他上下文数据服务822等。
该组能源市场数据服务818可以提供相关市场数据的配置、过滤和/或以其他方式处理的馈送，例如，企业的商品和服务的市场价格、企业的运营辖区中的历史、当前和/或期货市场能源价格的馈送(可选地基于跨辖区的相对能源使用来加权或排序)、根据用户或企业的一组偏好(例如，以显示与企业的运营要求或能源能力相关的交易)、历史、当前或未来可再生能源额度价格的馈送、历史、当前或未来碳抵消价格的馈送、历史、当前或未来污染减少额度价格等。
该组运营数据服务820可以提供运营数据的配置、过滤和/或以其他方式处理的馈送，例如，企业的运营资产的历史、当前和预期/预测状态和事件，例如，由传感器、IoT设备和/或边缘设备收集和/或基于一组模型、分析系统和/或人工智能系统(例如，智能预测代理)的操作来预期或推断。
该组其他上下文数据服务822可以提供广泛的上下文数据的配置、过滤或以其他方式处理的馈送，例如，天气数据、用户行为数据、群体的位置数据、人口统计数据、心理数据和许多其他数据。
各种类型的可配置数据集成微服务可以提供各种配置的输出，例如，批和文件、数据库报告、事件日志、数据流等。流和馈送可以被自动生成并推送到其他系统，服务可以查询和/或可以从源(例如，分布式数据库、数据湖等)拉取，并且可以由应用编程接口拉取。
在实施例中，平台102可包括一个或多个虚拟发电厂。虚拟发电厂可以是或包括以下的一个或多个：用于在一个地方聚集和管理多种异构能源的虚拟发电厂；虚拟发电厂，其中，能源包括太阳能发电厂、电池存储系统、风力涡轮机、电动车辆充电站、需求和响应管理中心以及智能仪表；以及用于管理一组小的、隔离的发电点的虚拟发电厂，发电点用于负载均衡、吸收来自间歇性可再生能源的过剩供应以及在短缺期间输送供应。
附加概念和示例
自适应能源数据管道
在实施例中，一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：自适应能源数据管道，自适应能源数据管道被配置为跨网络中的一组节点传送数据。一组节点中的每个节点适于对与能源生成、能源存储、能源输送或能源消耗中的至少一个相关联的能源数据集进行操作。一组节点中的至少一个节点被算法或规则集中的一个或两个配置为基于一组网络状况、数据大小、数据粒度或数据内容中的至少一个来过滤、压缩、变换、纠错和/或路由能源数据集的至少一部分。
例如，节点可以包括一组能源生产者，并且自适应能源数据管道可以被配置为适应与每个能源生产者的通信，从而使得能源生产者适应经由能源数据管道报告给其他节点的关于能源生产的数据。如果网络带宽低，自适应能源数据管道可以指示一个或多个能源生产者更紧密地压缩数据，以便可以更有效地传送数据；以较低的频率报告数据，以减少带宽消耗；和/或应用某种形式的纠错，以便减少包含可纠正误差的数据的重传。
例如，节点可以包括一组能源消费者，并且自适应能源数据管道可以指示一个或多个能源消费者适应数据内容，以适应报告的数据(例如，能源消耗类型、费率和/或使用)，从而关注比其他类型的消耗具有更高优先级的特定数据消耗。如果焦点包括气候控制，则自适应能源数据管道可以指示一个或多个能源消费者增加与气候控制相关联的能源消耗数据的报告和/或减少与气候控制不相关联的能源消耗数据的报告。如果焦点包括排放，则自适应能源数据管道可以指示一个或多个能源消费者增加与排放相关联的能源消耗数据的报告和/或减少与排放不相关联的能源消耗数据的报告。如果焦点包括涉及其他感兴趣的资源(例如，水)的能源消耗，则自适应能源数据管道可以指示一个或多个能源消费者增加与感兴趣的资源相关联的能源消耗数据的报告(例如，花费在水过滤和/或净化上的能源)和/或减少与感兴趣的资源不相关联的能源消耗数据的报告。
例如，节点可以包括一组异构能源生产者和能源消费者，并且自适应能源数据管道还可以指示一个或多个能源生产者和/或一个或多个能源消费者通过一个或多个通信路由(例如，一个或多个网络路径)进行通信。通信路由可以包括能源生产者和消耗至少部分由能源生产者产生的能源的能源消费者之间的直接通信路径。通信路由可以包括能源生产者和能源消费者之间的间接通信路径，该路径在一个或多个中间位置(例如，审计员或经纪人)之间通过。通信路由可以包括在能源消费者和能够生产能源消费者所需能源的两个或更多个能源生产者之间的共享通信路径，使得能源生产者可以协商和/或合作，以确定向能源消费者提供能源的方式。通信路由可以包括能源生产者和能够消耗由能源生产者产生的能源的两个或更多个能源消费者之间的共享通信路径，使得能源消费者可以协商和/或合作，以确定分配所产生的能源的消耗的方式。自适应能源数据管道可以帮助确定通信路由(例如，网络拓扑和/或通信的一组资源之间的带宽分配)，以实现资源之间高效、可靠、优先和/或有目的通信交换。
例如，节点可以包括管理多个微电网的智能电网控制中心。在高能源需求期间，控制中心需要实时或接近实时的能源使用数据来有效管理负载分配。在这种高需求期间，自适应能源数据管道可以使能源消耗数据的传输优先于不太关键的数据。相反，在低需求期间，自适应能源数据管道可以优先考虑维护或状态数据。
例如，节点可能负责监测能源基础设施(例如，发电厂或变电站)的健康和安全。如果该节点检测到潜在的安全危险，则自适应能源数据管道可以将这些关键警报的传输优先于传统数据，从而确保对潜在问题的快速响应。
例如，节点可以是具有多个能源消耗机器的工业环境，其中，不是所有的机器都具有各自操作的相同优先级。对于高优先级的机器，自适应能源数据管道可以请求详细的粒度数据，例如，每分钟的能源消耗度量。对于不太关键的机器，自适应能源数据管道可以仅请求每小时或每天的摘要，这对于这种不太关键的机器可能就足够了。
在实施例中，自适应能源数据管道还被配置为适应通过网络和/或通信系统的数据传输。适应基于以下各项中的一项或多项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；以及用户配置状况。例如，自适应能源数据管道可以基于网络和/或通信系统的参数来适应网络拓扑，例如，在资源之间部署新的通信路由；增加和/或减少资源间通信路由的带宽；在可用网络路由中路由或重新路由网络通信；和/或基于该组可用的通信状况来调度、优先化或以其他方式配置资源之间的通信，以利用可用的通信资源。该适应可以基于短期状况和/或优先级(例如，分配当前可用的带宽，以支持资源之间的当前通信需求)。基于当前和/或预计的需求，该适应可以基于长期状况和/或优先级(例如，分配开发资源，以规划基础设施的开发、建设、维护和转移，例如，新的网络部署或无线通信频谱的获取)。
在实施例中，基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的一项或多项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。例如，自适应能源孪生可以代表能源利益相关者实体做出关于购买能源相关资源的决策，并且可以与其他能源利益相关者实体进行交易，包括表示这些其他能源利益相关者实体的其他自适应能源孪生。自适应能源孪生可以自主地发起、交易、完成和/或记录能源相关交易的分类账条目，例如，购买原始能源、原始能源资源、能源生产、能源运输和/或能源消耗。自适应能源孪生可以确定能源利益相关者实体的能源活动相对于能源使用策略的遵从性，例如，能源消耗策略或碳排放策略。自适应能源孪生可以根据能源利益相关者实体和一个或多个其他方的一组需求、优先级和/或利益的组合来操作，例如，政府、公共机构、工业联盟、依赖于能源利益相关者实体的一个或多个实体(例如，由能源生产实体产生的能源的消费者)和/或环境。
在实施例中，基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的一项或多项：提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；过滤能源数据；突出显示能源数据；或者调整能源数据。例如，视觉和/或分析指标可以包括能源可用性警报(例如，由天气状况、设备故障和/或维护操作引起的断电、停电、电压不足、电涌等的警报)。视觉和/或分析指标可以包括向一个或多个能源消费者提供的关于某些活动(例如，制造活动或气候控制活动)的过度能源消耗的过度消耗和/或成本警报。视觉和/或分析指标可以包括基于各种状况适应能源消耗的建议(例如，在能源稀缺期间减少能源消耗的建议)。视觉和/或分析指标可以被呈现给一个或多个用户(例如，作为网络浏览器页面中示出的视觉警报、用户设备上的应用、配备显示器的消费设备的显示组件、由音频设备呈现的音频警报等)。视觉和/或分析指标可以包括用于提高能源消耗效率的建议(例如，用更新和更节能版本的电器替换能源效率特别低下的电器，例如，旧的冰箱或HVAC单元)。
在实施例中，基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生被配置为通过以下各项中的一项或多项生成能源消耗的视觉和/或分析指标：一个或多个机器；一个或多个工厂；或者车队中的一个或多个车辆。例如，视觉和/或分析指标可以由用户拥有的车辆来处理。视觉和/或分析指标可以使车辆以不同的方式运行，例如，使自动车辆可以更慢和/或更高效地行驶，以便在能源不足期间(例如，燃料短缺或成本增加)减少能源使用。视觉和/或分析指标可以告知用户由消费者使用车辆产生的排放，例如，在交通和/或天气状况变化的时期。视觉和/或分析指标可以通知用户在特定时段使用车辆的比较成本，例如，在高峰时段交通之前、期间和/或之后的行驶成本。视觉和/或分析指标可以包括各种运输模式的能源使用和/或效率的比较，例如，当乘坐汽车、卡车、公共汽车、摩托车、飞机、直升机等旅行时的能源使用。在一个示例中，城市和自治市可以采用自适应能源数字孪生系统来监测和管理，并为公共服务(例如，街道照明、公共交通系统和供水)提供视觉和/或分析指标。在本文，这些视觉和/或分析指标可以显示一天或一年中不同时间的能源消耗模式，帮助城市管理者优化操作并降低成本。在另一个示例中，自适应能源数字孪生可以在医院或保健设施中使用。在本文，自适应能源数字孪生可以提供关于不同部门或设备的能源消耗的视觉和/或分析指标。这种洞察可用于在断电或紧急情况下对电力供应进行优先排序。在又一个示例中，自适应能源数字孪生可以在大型工业单元中使用。在本文，自适应能源数字孪生可以提供与各种生产过程的能源消耗相关的视觉和/或分析指标。这可以帮助调度操作，以利用低能源率或将负载转移到非高峰时段。
在实施例中，自适应能源数据管道还被配置为执行以下各项中的一项或多项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转化、转换、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。例如，自适应能源数据管道可以适于使得某些种类的数据由某些位置存储、路由到某些位置和/或由某些位置处理，例如，使得特定能源消费者的能源消耗数据传输到产生特定能源消费者所消耗的能源的能源生产者和/或由能源生产者存储。自适应能源数据管道可以适于保留、分析、汇总和/或丢弃某些种类的数据，例如，由地区中的制冷系统自动收集和/或管理数据，以促进政府对激励节能制冷策略的研究。
在实施例中，能源数据集基于一个或多个公共数据资源，公共数据资源包括以下各项中的一项或多项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源。例如，自适应能源数据管道可以被配置为监测公共资源以获取关于气候状况、污染、政府能源策略、能源相关市场状况等的信息。自适应能源数据管道可以自动搜索公共数据源(例如，互联网)，以发现有价值的能源相关数据源，并且可以开发所发现的来源的目录，包括能源相关数据的类型、这种数据的准确性和/或可靠性、这种数据对各方的安全性和/或敏感性等。自适应能源数据管道可以分发目录(例如，向能源利益相关者实体的数字孪生)和/或将目录与来自其他来源的类似目录(例如，由能源利益相关者实体的数字孪生提供的数据源的指示)合并。自适应能源数据管道可以使用该目录来开发能源相关资源的指令。例如，自适应能源数据管道可以从研究组或政府机构接收数据，该数据描述与诸如能源效率、安全、排放等各种目标相关联的能源相关驾驶行为。自适应能源数据管道可以使用从编目数据源接收的数据来生成和/或适应用于车辆的指令，该指令适应自动驾驶行为，以促进所识别的目标。在一个示例中，自适应能源数据管道可以利用实时交通和公共交通数据来了解道路拥堵、公共交通计划表和交通模式。这些数据可以通过建议最佳路线、速度和充电计划表来帮助优化电动汽车或公共交通系统的能源消耗。在另一个示例中，自适应能源数据管道可以利用关于可再生能源的生产的数据，例如，风能、太阳能和水能。通过分析这些数据，基于AI的平台可以预测可再生能源的可用性，并相应地调整能源消耗或存储策略。在又一个示例中，自适应能源数据管道可以利用来自环境机构的实时空气质量指数。这些数据可以提供对污染水平的见解，这对于优化城市区域的能源生产或调整发电设施的运行(可能会在高峰时段增加污染)是有价值的。
在实施例中，能源数据集基于一个或多个企业数据资源，企业数据资源包括以下各项中的一项或多项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。例如，自适应能源数据管道可以访问诸如公司、教育机构或政府等能源利益相关者实体的组织数据。组织数据可以包括例如组织目标，例如，降低成本、提高能效、为组织过程优先考虑能源可用性、减少排放、转向可再生能源、在特定地理区域建立新资源、进入新市场、开发新产品、进行新制造过程等。自适应能源数据管道可以基于组织数据来调整能源资源，例如，分配能源资源或收集能源相关数据，以将能源资源规划和开发与组织目标相匹配。自适应能源数据管道可以通知组织关于可能影响一个或多个组织目标的策略，例如，通知组织在组织规划开发或定位新的组织资源的区域中与能源相关的资源开发和能源可用性的前景。
在实施例中，基于AI的平台还包括至少一个基于AI的模型和/或算法，其中，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的一项或多项：一个或多个人类标签和/或标记；与硬件和/或软件系统的一个或多个人类交互；一个或多个结果；一个或多个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。例如，自适应能源数据管道可以基于发现的数据源，例如，研究团体和/或政府机构，生成训练数据集。自适应能源数据管道可以基于新开发的训练数据集发起新的训练过程，例如，基于关于某些自动车辆驾驶行为的能源效率、安全性和/或排放的新研究的自动车辆控制的训练或重新训练模型。自适应能源数据管道可以识别新的或正在使用的基于AI的模型中的某些误差、弱点或信心丧失的区域，例如，与能源相关目标(例如，节约燃料资源和/或减少排放)相关的自动车辆在某些类型的状况下(例如，雨、雪或夜间)的驾驶模式。自适应能源数据管道可以生成新的AI模型，适应现有的AI模型，和/或发起AI模型的训练或重新训练程序，其中，执行这些过程，以将新的或调整后的AI模型包括在自动车辆的自动驾驶控制系统中。
在实施例中，一组节点中的至少一个节点被配置为协调向一个或多个消耗点输送能源，并且能源输送包括以下各项中的一项或多项：一条或多条固定传输线；一个或多个无线能源传输实例；一个或多个燃料输送；或者一个或多个存储能源输送。例如，自适应能源数据管道可以被配置为调度燃料资源向各个仓库的输送。自适应能源数据管道可以被配置为调度从一些电源或电力库(例如，工厂或电池)到其他电力库或电力消费者的电量传输。自适应能源数据管道可以被配置为基于这种能源的可用性、传输和/或成本来调度能源消费者对能源的使用。自适应能源数据管道可以被配置为开发能源相关策略，以便满足能源生产者、能源存储者、能源运输者和/或能源消费者的需求和/或目标，例如，确保能源利益相关者实体的基本操作的电力资源的可用性和/或在能源稀缺期间减少低优先级使用的过度消耗。
在实施例中，一组节点中的至少一个节点还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，一个或多个能源相关事件包括以下各项中的一项或多项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。例如，自适应能源数据管道可以在分布式分类账上生成条目，以指示一个或多个能源生产者和一个或多个能源消费者之间的能源相关交易的报价、协商、接受和/或完成。自适应能源数据管道可以生成一个或多个智能合约，通过该智能合约执行与能源相关的交易，和/或可以在分布式分类账上记录这一个或多个智能合约。自适应能源数据管道可审计分布式分类账，以开发可通知各种能源相关分析的数据和信息，例如，记录在分布式分类账上的能源交易的分析，以鉴于能源供应、能源需求、能源使用、能源成本等的指示来指导新能源生产和/或存储基础设施资源的开发。
在实施例中，一组节点中的至少一个节点部署在离网环境中，并且离网环境包括以下各项中的一项或多项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。例如，离网节点可以包括开发、存储、运输和/或消耗由可再生能源供应的能源的住宅、移动房屋、营地等。自适应数据能源数据管道可以基于这些节点的需求来适应能源资源。例如，自适应能源数据管道可以提供补充和/或应急能源生成、存储和/或运输设施，这些设施可以在离网可再生能源不能满足需求的情况下提供电力。自适应能源数据管道可以提供能源生成、存储和/或输送设施，这些设施可以利用由一个或多个离网节点生成的超出这些节点的能源消耗需求的过剩电力。自适应能源数据管道可以基于离网环境的节点来协调能源电网资源的开发，例如，基于离网环境中节点群的发起、扩展、减少和/或崩溃来调整新能源工厂、存储设施和/或传输通道的容量、规模和/或开发。
在实施例中，自适应能源数据管道还被配置为监测以下一项或两项：一组节点中的至少一部分的总能源消耗；或者一组节点的至少一个节点在一组节点中的至少一部分的总能源消耗中的作用；以及基于监测，执行以下各项中的一项或多项：管理一组节点的能源消耗；预测一组节点的能源消耗；或者供应与一组节点的能源消耗相关联的资源。例如，制造组织可以适应制造资源的作用，例如，设施、仓库、数据中心和车辆。这样的作用可以通知这些资源的能源生成、存储、运输和/或消耗需求和优先级。例如，制造厂从使用第一制造过程到使用第二制造过程的意图改变以及制造过程的变化可以改变预测的能源需求。自适应能源数据管道可以基于制造组织的作用来响应于预测的能源需求的变化，例如，在制造资源附近分配新的发电厂和/或能源存储资源，以适应预测的能源需求的变化。例如，在EV充电站的情况下，如果特定充电站节点升级为快速充电站，或者如果其使用频率因附近新的交通路线而增加，则其能源消耗模式可能会发生显著变化。自适应能源数据管道可以识别这一点，并可以在高峰通勤时间优先向这些充电站提供能源，或者促进更快的电网连接。例如，在城市中，像街灯这样的节点可能会被改造成具有附加功能，例如，将这些节点变成Wi-Fi热点。这种多功能性改变了他们的能源消耗模式。自适应能源数据管道可以认识到这一点，并且可以确保这些多用途节点被充分供电，尤其是在非常需要其附加功能的时候，例如，在公共活动等期间提供Wi-Fi。
在实施例中，包括自适应能源数据管道的网络中的一组节点包括一组边缘联网设备，边缘联网设备通过一组经由边缘联网设备控制的操作设备来管理能源消耗、能源存储、能源输送或能源消耗中的至少一个。例如，边缘设备可以包括设施中的一组IoT设备，其中，每个IoT设备包括可以用于消耗能源的各种形式的计算的一组计算资源。自适应能源数据管道可以适应能源生成、存储和/或输送，以适应IoT设备的能源消耗。例如，以太网供电(PoE)网络可以适于向各种IoT设备提供电力，其中一些IoT设备可以具有能源存储资源，例如，本地电池或电容器。自适应能源数据管道可以调度PoE网络上的电力输送，使得IoT设备被供应足够的电力来执行调度的计算，并且可选地，维护本地能源存储资源中的电力。例如，第一IoT设备执行大量计算，但也包括电池。自适应能源数据管道可以被配置为以足够的间隔调度向IoT设备的能源输送，以允许IoT设备执行其计算，同时避免电池耗尽。第二IoT设备可以执行周期性监测功能，例如，将计算机视觉(CV)模型应用于相机输入。周期性监测功能可能涉及大量的能源消耗，并且IoT设备可能没有本地电池。自适应能源数据管道可以被配置为通过PoE网络调度对IoT设备的能源供应，使得其具有足够的电力来执行周期性监测功能。自适应能源数据管道还可以适应IoT设备的计划表，使得在充足的能源供应和/或输送期间执行监测功能，而在能源不足期间不执行监测功能。
在实施例中，自适应能源数据管道还被配置为自动选择用于跨一组节点传送的数据的最低成本路由，该选择基于与数据相关的低优先级能源使用。例如，自适应能源数据管道可以被配置为将成本分配给用于数据通信的可用路由，包括有线局域网和广域网路由、无线局域网(WLAN)路由、蜂窝通信路由和卫星路由。“成本”可以基于各种因素来确定，例如，能源消耗、带宽消耗和/或有限资源的使用。自适应能源数据管道还可以确定各种形式的通信的价值，例如，输送能源生成、存储、运输和/或消耗的发生的报告的价值；输送能源审计的报告的价值，例如，能源生成、存储和/或运输资源的状态、容量和使用情况；以及传送基于能源的交易的价值，例如，在分布式分类账上记录与能源相关的事件。自适应能源数据管道可以将每个通信的价值与和每个这样的通信相关联的路由成本相匹配。自适应能源数据管道可以专门执行匹配，以确定特定通信的路由。自适应能源数据管道可以整体执行匹配，以确定一组节点之间所有当前和/或未来通信的路由。自适应能源数据管道可以基于该匹配对通信的发生和/或频率进行优先级排序(例如，增加具有高价值/成本比的报告的报告发生和/或频率，并减少具有低价值/成本比的报告的报告发生和/或频率)。在一些情况下，自适应能源数据管道能够为所有当前和/或预测的通信识别和使用最低成本的路线。在一些情况下，对于特定通信，自适应能源数据管道可能必须从最低成本路由切换到较高成本路由(例如，在最低成本路由完全被传输大量数据的第一能源消费者消耗的情况下，使得较高成本路由必须被仅传输少量间歇数据的第二能源消费者使用)。
在实施例中，自适应能源数据管道还被配置为自动选择用于跨一组节点传送的数据的高质量服务路由，该选择基于与数据相关的高优先级能源使用。例如，自适应能源数据管道可以被配置为确定用于数据通信的每个可用路由的服务质量，包括有线局域网和广域网路由、无线局域网(WLAN)路由、蜂窝通信路由和卫星路由。“服务质量”可以基于各种因素来确定，例如，速度、带宽、时延、容量、可靠性、需求和/或安全性。自适应能源数据管道还可以确定各种形式的通信的服务质量需求，例如，输送能源生成、存储、运输和/或消耗的发生的报告的服务质量需求；输送能源审计的报告的服务质量需求，例如，能源生成、存储和/或运输资源的状态、容量和使用；以及传送基于能源的交易的服务质量需求，例如，在分布式分类账上记录与能源相关的事件。自适应能源数据管道可以将每个通信的价值与和每个这样的通信相关联的路由的服务质量需求相匹配。自适应能源数据管道可以专门执行匹配，以确定特定通信的路由。自适应能源数据管道可以整体执行匹配，以确定一组节点之间所有当前和/或未来通信的路由。自适应能源数据管道可以基于该匹配对通信的发生和/或频率进行优先级排序(例如，为具有高价值/QoS需求产品的通信选择较高QoS路由，为具有低价值/QoS需求产品的通信选择较低QoS路由)。在一些情况下，自适应能源数据管道能够为所有当前和/或预测的通信识别和使用最低成本的路线。在一些情况下，对于特定通信，自适应能源数据管道可能必须从最低成本路由切换到较高成本路由，以便满足通信的QoS需求(例如，在与最低成本路由相关联的带宽和/或时延不适于紧急通信的情况下，例如，检测到的或即将发生的能源资源故障的指示或能源消费者对能源的紧急需求)。
在实施例中，自适应能源数据管道包括一组人工智能能力，这些能力被配置为调整管道，以使得能够根据能源协调需求优化数据传输的元件。例如，各种能源，例如，能源生产者、能源存储者、能源运输者和能源消费者，可以包括一个或多个机器学习模型，该模型使这些资源的能力适应能源可用性和/或成本。每种能源可能必须重新训练其机器学习模型，以考虑新数据、新市场状况、新使用模式等。机器学习模型的这种重新训练也消耗能源。因此，自适应能源数据管道可以基于能源可用性、需求和/或价值来协调机器学习模型的重新训练。例如，自适应能源数据管道可以指示能源资源在较低能源需求期间(例如，非高峰时段)安排重新训练。自适应能源数据管道可以基于能源的性能和环境之间的不匹配(例如，不对应于能源市场状况的机器学习模型的行为，并因此导致能源基于更新的能源市场状况生产、存储、运输和/或消耗过多或过少的能源)来指示特定能源资源紧急地重新训练其机器学习模型。此外，这种重新训练可以基于与能源资源的信息通信，例如，关于能源市场状况的最新信息。自适应能源数据管道可以使信息传输适应能源资源，以提供最新信息，用于其机器学习模型的重新训练。此外，自适应能源数据管道可用于预测能源需求并相应地调整数据传输过程。例如，自适应能源数据管道可以预测由于热浪等即将到来的天气状况而导致的能源需求高峰。基于这种预测，自适应能源数据管道可以优先考虑来自能源存储系统的数据传输，以确保准备好高效地调度能源。此外，通过优化数据传输，自适应能源数据管道确保能源分配中心无延迟地接收实时消费数据，使得能够对能源供应进行即时调整。
在实施例中，自适应能源数据管道包括自组织数据存储器，数据存储器被配置为基于数据模式、数据内容或数据上下文中的一个或多个在设备上存储数据。例如，关于能源生产、存储、运输和/或消耗模式的信息可以由各种设备存储，其中，这些设备可以动态访问可用的存储资源。自适应能源数据管道可以适应数据存储器的供应，以满足能源资源的存储需求。例如，自适应能源数据管道可以提供数据存储设备池，使得能源生产者的数据存储需求足以保存关于当前或预测的能源消耗的信息。所提供的数据存储可以用于适应能源的数据产生、存储和/或输送的当前和/或未来操作。此外，所提供的数据存储器可以用于将标记数据存储在训练数据集中，以更新这种能源资源的一个或多个机器学习模型，例如，由能源生产者用来预测能源需求周期的机器学习模型。自适应能源数据管道可以确保为能源资源提供足够的数据存储，以容纳重新训练机器学习模型所需的数据。这种重新训练可以周期性地(例如，每月一次)和/或按需(例如，当检测到漂移时)发生，并且自适应能源数据管道可以相应地调度数据存储器的供应(例如，在即将到来的重新训练周期的预期中，或者在检测到可能需要对机器学习模型进行重新训练的漂移时，增加对能源资源的数据存储容量的供应)。如果这种供应被检测到或预测为不足，则自适应能源数据管道可以警告一个或多个管理员这种不足，和/或可以安排获取附加数据存储容量(例如，通过执行智能合约和在分布式分类账上记录交易来完成附加数据存储的交易)。
在实施例中，自适应能源数据管道被配置为执行自动化自适应联网，自适应联网包括自适应协议选择、基于RF状况的自适应数据路由、自适应数据过滤、网络带宽的自适应切片、认知网络容量的自适应使用或对等网络容量的自适应使用中的一个或多个。例如，自适应联网可以包括基于当前协议不足的确定在协议之间切换。这种不足可以包括例如过度的时延；过多的误差和/或重传；过多的开销和/或带宽使用；和/或不充分的安全性，例如，使用已被破坏的加密技术的协议。自适应能源数据管道可确定可减少或消除当前协议不足的替代协议。该确定可以基于协议特征的比较；协议的测试和/或计量；各种协议在各种状况下性能的历史数据；和/或关于特定场景中不同协议的执行的模拟和/或试探法。自适应能源数据管道可以基于该确定自动地将网络从当前协议切换到替代协议。该切换可以包括以下各项中的一项或多项：重新配置一个通信硬件，使用一组更新的通信参数；改变一个通信硬件的驱动程序；重新配置通信栈；改变通信设备使用的通信库；用设备的第二通信硬件替换设备的第一通信硬件(例如，从有线连接切换到无线连接，反之亦然)；获取要添加到设备所使用的一组通信资源的新硬件和/或软件；和/或请求和/或建议为设备开发或获取新的通信资源。
在实施例中，自适应能源数据管道被配置为通过基于企业的操作环境、企业的交易环境或企业的财务环境中的一个或多个自动处理数据来执行企业环境适应性。例如，企业可以追求一个或多个企业目标，例如，降低成本、提高能效、优先考虑组织过程的能源可用性、减少排放、转向可再生能源、在特定地理区域建立新资源、进入新市场、开发新产品、进行新的制造过程等。自适应能源数据管道可以被配置为在企业目标的上下文中解释能源相关数据。例如，企业的当前能源使用可能高得不理想，但是该能源使用可能有助于开发和/或部署可再生能源，该可再生能源被预测为在长期的未来显著降低能源使用。因此，自适应能源数据管道可以代表当今的企业优先考虑能源的生产、存储和/或运输，以便在不久的将来实现能源生产和/或使用的快速效率增益，这有益于企业和更广泛的能源生产者、存储者、运输者和消费者。
自动优化边缘数据管道中使用的能源
在实施例中，一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括一组自适应自主数据处理系统。每个自适应自主数据处理系统被配置为从处于一组分布式能源的操作控制下的一组边缘设备收集与能源生成、存储或输送相关的数据。每个自适应自主数据处理系统被配置为基于收集的数据自主地调整用于这种操作控制的一组操作参数。
例如，由每个自适应自主数据处理系统收集的数据可以包括能源生成的各种属性，例如，总电力容量、峰值电力产生、激增电力产生容量、单位电力产生成本等。由每个自适应自主数据处理系统收集的数据可以包括能源存储的各种属性，例如，总电力存储容量、当前电力存储、电力存储密度、单位电力存储成本等。由每个自适应自主数据处理系统收集的数据可以包括能源输送的各种属性，例如，峰值电力输送、激增电力输送容量、单位电力输送成本等。
例如，操作参数可以包括一组过程的计划表，包括计算、工业、研究、工程和/或审计过程。每个自适应自主数据处理系统可以被配置为基于自适应自主数据处理系统和/或相同或其他能源发生器、存储器、运输器和/或消费者的其他系统的优先级和需求来确定该组过程的计划表。例如，在能源短缺期间，自适应自主数据处理系统可以被配置为增加和/或优先化与边缘设备的通信，该通信涉及勘测它们的能源消耗需求和优先级，并且可以发布指令，以适应由这样的边缘设备执行的过程，从而基于这样的调查结果解决能源短缺。在能源低效率期间，自适应自主数据处理系统可以被配置为增加和/或优先化与边缘设备的通信，该通信涉及勘测它们的能源消耗效率，并且可以基于这种测量的结果向这种边缘设备发出指令，以提高它们的能源消耗效率。在能源资源规划期间(例如，提供新能源资源的开发)，自适应自主数据处理系统可以被配置为增加和/或优先化与边缘设备的通信，该通信涉及勘测它们的预计能源需求，并且可以基于这样的预测通知能源资源规划。
在实施例中，每个自适应自主数据处理系统还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的一项或多项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在实施例中，每个自适应自主数据处理系统包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的一项或多项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在实施例中，每个自适应自主数据处理系统包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的一项或多项：提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；过滤能源数据；突出显示能源数据；或者调整能源数据。
在实施例中，每个自适应自主数据处理系统包括自适应能源数字孪生，自适应能源数字孪生被配置为通过以下各项中的一项或多项生成能源消耗的可视和/或分析指标：一个或多个机器；一个或多个工厂；或者车队中的一个或多个车辆。
在实施例中，每个自适应自主数据处理系统还被配置为执行以下各项中的一项或多项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在实施例中，能源边缘数据基于一个或多个公共数据资源，公共数据资源包括以下各项中的一项或多项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源。
在实施例中，能源边缘数据基于一个或多个企业数据资源，企业数据资源包括以下各项中的一项或多项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在实施例中，基于AI的平台还包括至少一个基于AI的模型和/或算法，其中，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的一项或多项：一个或多个人类标签和/或标记；与硬件和/或软件系统的一个或多个人类交互；一个或多个结果；一个或多个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在实施例中，每个自适应自主数据处理系统还被配置为协调向一个或多个消耗点输送能源，并且能源输送包括以下各项中的一项或多项：一条或多条固定传输线；一个或多个无线能源传输实例；一个或多个燃料输送；或者一个或多个存储能源输送。
在实施例中，每个自适应自主数据处理系统还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，一个或多个能源相关事件包括以下各项中的一项或多项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在实施例中，至少一个自适应自主数据处理系统部署在离网环境中，并且离网环境包括以下各项中的一项或多项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在实施例中，平台还包括自适应能源数据管道，自适应能源数据管道被配置为跨网络中的一组节点传送数据。
在实施例中，包括自适应能源数据管道的网络中的一组节点包括一组边缘联网设备，边缘联网设备通过经由边缘联网设备控制的一组操作设备来管理能源消耗、能源存储、能源输送或能源消耗中的至少一个。
在实施例中，自适应能源数据管道还被配置为自动选择用于跨一组节点传送的数据的最低成本路由，选择基于与数据相关的低优先级能源使用。
在实施例中，自适应能源数据管道还被配置为自动选择用于跨一组节点传送的数据的高质量服务路由，选择基于与数据相关的高优先级能源使用。
在实施例中，自适应能源数据管道包括一组人工智能能力，能力被配置为调整管道，以使得能够根据能源协调需求优化数据传输的元件。
在实施例中，自适应能源数据管道包括自组织数据存储器，数据存储器被配置为基于数据模式、数据内容或数据上下文中的一个或多个在设备上存储数据。
在实施例中，自适应能源数据管道被配置为执行自动化自适应联网，自适应联网包括自适应协议选择、基于RF状况的自适应数据路由、自适应数据过滤、网络带宽的自适应切片、认知网络容量的自适应使用或对等网络容量的自适应使用中的一个或多个。
在实施例中，自适应能源数据管道被配置为通过基于企业的操作环境、企业的交易环境或企业的财务环境中的一个或多个自动处理数据来执行企业环境适应。
电网和分布式边缘(非电网)资源集的自动和协调治理
在实施例中，一种用于实现电力和能源的智能协调和管理的基于AI的平台包括：系统，该系统被配置为执行在操作上耦合在能源电网内的一组能源实体和一组分布式边缘能源资源内的自动和协调治理，其中，至少一个分布式边缘能源资源在操作上独立于能源电网。
例如，能源电网的治理可能涉及管理和响应于不同的能源需求。在这种情况下，基于AI的平台可以与部署在住宅和商业物业的智能电表系统集成。这些智能电表不断向基于AI的平台传输消费数据。当基于AI的平台检测到需求高峰期(可能是由于极端天气状况)时，可以发起需求响应策略。这可能包括向智能家居系统发送信号，提示它们临时调整恒温器或延迟洗衣机等高耗能电器的运行。此外，基于AI的平台可能会激励工厂将一些能源密集型运行重新安排到非高峰时段。这种治理方法确保电网不会过载。
例如，能源电网的治理可能涉及诸如能源电网容量、能源电网可靠性、能源电网成本降低、能源电网效率、能源电网安全性和/或能源电网排放减少的优先级的确定和/或排序。优先级可以基于由国家、政府、组织或研究团体制定的策略，例如，全球、国家和/或区域减排目标。优先级可以基于市场状况，例如，规划、建造、开发、使用和/或维护可再生与不可再生能源资源的当前和/或预测成本。基于AI的平台可以基于优先级来适应其电力和能源的协调和管理，例如，根据基于AI的平台的整体优先级来调整由各种边缘设备执行的计算。例如，基于AI的平台可以在特定时间段内分配分布式边缘能源的处理，使得分布式边缘能源消耗的能源总量保持在预计满足该时间段的排放目标的能源消耗上限内。
例如，能源电网的治理可能涉及一种基于AI的平台，以持续监测太阳能电池板、风力涡轮机和电池存储系统等DER的生产率，并相应地调整电网输入。举例来说，在一个特别晴朗的日子，如果某个地方的太阳能电池板产生多余的能源，基于AI的平台可以将多余的能源存储在并网电池系统中，或者将其重定向到需求更高的区域。相反，如果预测可再生能源产量因天气状况而下降，则基于AI的平台可能会使用存储的能源或管理需求，以防止电网不稳定。此外，基于AI的平台可以预测这些DER的维护需求，确保它们以最佳方式运行，并有效地为电网做出贡献。
在实施例中，该系统还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的一项或多项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在实施例中，基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的一项或多项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在实施例中，基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的一项或多项：提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；过滤能源数据；突出显示能源数据；或者调整能源数据。
在实施例中，基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生被配置为通过以下各项中的一项或多项生成能源消耗的视觉和/或分析指标：一个或多个机器；一个或多个工厂；或者车队中的一个或多个车辆。
在实施例中，该系统还被配置为执行以下各项中的一项或多项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在实施例中，基于AI的平台还包括至少一个基于AI的模型和/或算法，其中，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的一项或多项：一个或多个人类标签和/或标记；与硬件和/或软件系统的一个或多个人类交互；一个或多个结果；一个或多个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在实施例中，该系统还被配置为协调向一个或多个消耗点输送能源，并且能源输送包括以下各项中的一项或多项：一条或多条固定传输线；一个或多个无线能源传输实例；一个或多个燃料输送；或者一个或多个存储能源输送。
在实施例中，该系统还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，一个或多个能源相关事件包括以下各项中的一项或多项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在实施例中，至少一个分布式能源边缘资源部署在离网环境中，并且离网环境包括以下各项中的一项或多项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在实施例中，该系统被配置为促进采矿作业的治理。
在实施例中，该系统包括采矿环境的矿级物联网(IoT)感测、采矿环境的未开采部分的地面穿透感测、开采材料的基于质谱和计算机视觉的感测、智能容器的资产标记、用于检测矿工生理状态的可穿戴设备、交易和交易相关事件的安全记录和解决、用于自动分配从采矿环境获得的收益的智能合约、以及用于记录、报告和评估对合约、监管和法律政策要求的遵从性的自动化系统。
在实施例中，该系统包括一组碳感知能源边缘解决方案，解决方案包括探索、配置和实现一组关于碳生成的策略。
在实施例中，解决方案要求监测采矿作业生成能源，以跟踪采矿环境生成的碳排放。
在实施例中，解决方案要求采矿作业生成能源，以抵消采矿作业生成的碳。
在实施例中，平台包括用户接口，并且系统包括一组自动化能源策略部署解决方案，解决方案能够经由用户与用户接口的交互来配置。
在实施例中，该系统包括智能代理，智能代理被训练以生成与采矿作业的治理相关的策略，在历史数据、来自结果的反馈和人类策略设置交互的训练集上训练智能代理。
在实施例中，系统通过实施包括以下各项中的一项或多项的策略来促进采矿作业的治理：为实体设置一段时间的最大能源使用；为实体设置一段时间的最大能源成本；为实体设置一段时间内的最大碳产量；为实体设置一段时间内的最大污染排放；设置碳抵消要求；设置可再生能源额度要求；设置能源混合要求；基于生产实体的能源和其他边际成本设置利润率最小值；或者为能源存储实体设置最低存储基线。
在实施例中，该系统包括一组能源管理智能合约解决方案，一组能源管理智能合约解决方案被配置为允许平台的用户设计、生成和部署自动提供一组能源交易的管理程度的智能合约。
在实施例中，该系统包括一组自动化能源财务控制解决方案，一组自动化能源财务控制解决方案被配置为允许平台的用户设计、生成、配置或部署与控制与能源生成、存储、输送或利用中的一个或多个相关的财务因素有关的策略。
能源边缘中的自适应自主数据处理系统
在实施例中，一种用于实现电力和能源的智能协调和管理的基于AI的平台包括：一组自适应自主数据处理系统，其中，每个自适应自主数据处理系统被配置为从处于一组分布式能源的操作控制下的一组边缘设备收集与能源生成、存储或输送相关的数据，并且被配置为基于收集的数据自主地调整用于这种操作控制的一组操作参数。
例如，在诸如制造厂等工业设施中，该组操作参数可以包括生产各种产品的资源分配。制造厂可以执行各种制造任务来生产各种产品中的每一种，并且可以被配置为基于各种输入来适应对要生产的产品的选择，例如，资源成本、产品需求、市场状况、制造厂的各种机器的操作状态和能力等。基于AI的平台可以确定生产各种产品的资源分配，该资源分配与制造厂的制造目标(例如，在指定的时间框架内完成一定数量的制造单元)和各种制造任务的需求(例如，将制造材料交付给各种制造机器，以保持供应，和/或在制造机器停止运行时对制造机器执行维护任务)相一致。基于AI的平台还可以基于从分布式能源的操作控制下的该组边缘设备收集的与能源生成、存储和/或输送相关的数据来确定分配。例如，基于AI的平台可以配置边缘设备，以与要生产的产品的分配同步地生成、存储和/或输送能源，和/或基于生成、存储和/或输送的能源的可用性和/或成本来协调要生产的产品的分配。
作为另一个示例，在诸如制造厂等工业设施中，该组操作参数可以包括操作各种制造设备和/或执行各种制造过程的计划表。制造厂可以根据各种时间和/或在各种状况下执行各种制造任务，例如，制造机器或装配线的速度，或者在制造厂内运输制造材料的计划表。基于AI的平台可以确定制造任务的计划表，该计划表与制造厂的制造目标(例如，在指定的时间框架内完成一定数量的制造单元)和各种制造任务的需求(例如，将制造材料交付给各种制造机器，以保持供应，和/或在制造机器停止运行时对制造机器执行维护任务)相一致。基于AI的平台还可以基于从分布式能源的操作控制下的该组边缘设备收集的与能源生成、存储和/或输送相关的数据来确定计划表。例如，基于AI的平台可以配置边缘设备，以与操作过程的计划表同步地生成、存储和/或输送能源，和/或基于生成、存储和/或输送的能源的可用性和/或成本来协调操作过程的计划表。
作为又一个示例，在具有多个家庭的住宅社区中，该组操作参数可以包括在各种高峰和非高峰时段期间的能源分配和分布。社区内的家庭可能具有各种能源消耗式，一模些家庭可能使用太阳能电池板和家用电池等储能设备来发电，而另一些家庭可能仅依赖电网电力。基于AI的平台收集有关个人家庭能源消耗、电池存储水平、太阳能发电和电网能源价格的数据。通过分析这些数据，基于AI的平台可以调整操作参数，例如，何时从电网中提取能源，何时使用存储的能源，甚至何时将多余的能源卖回给电网。
作为又一个示例，在诸如购物中心或商业综合体等商业建筑中，操作参数可以包括各种零售店、中央空调系统、照明和其他设施的能源分配。基于AI的平台可以不断地从分布在整个建筑中的大量传感器收集数据，监测各个插座、照明系统、HVAC单元等的能源消耗模式。基于AI的平台可以识别在特定时间某些商店或区域具有较高的客流量和能源消耗。使用这些数据，基于AI的平台可以调整操作参数，以在高峰时段优先向这些高客流量区域分布能源，确保最佳的照明、温度和运行效率。此外，如果商业建筑拥有屋顶太阳能电池板等可再生能源，则基于AI的平台可以决定何时使用生成的能源，何时存储能源，甚至何时将能源反馈到电网，从而确保最佳的能源使用和成本效益。
在实施例中，每个自适应自主数据处理系统还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的一项或多项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在实施例中，每个自适应自主数据处理系统包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的一项或多项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在实施例中，每个自适应自主数据处理系统包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的一项或多项：提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；过滤能源数据；突出显示能源数据；或者调整能源数据。
在实施例中，每个自适应自主数据处理系统包括自适应能源数字孪生，自适应能源数字孪生被配置为通过以下各项中的一项或多项生成能源消耗的可视和/或分析指标：一个或多个机器；一个或多个工厂；或者车队中的一个或多个车辆。
在实施例中，每个自适应自主数据处理系统还被配置为执行以下各项中的一项或多项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在实施例中，能源边缘数据基于一个或多个公共数据资源，公共数据资源包括以下各项中的一项或多项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源。
在实施例中，能源边缘数据基于一个或多个企业数据资源，企业数据资源包括以下各项中的一项或多项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在实施例中，基于AI的平台还包括至少一个基于AI的模型和/或算法，其中，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的一项或多项：一个或多个人类标签和/或标记；与硬件和/或软件系统的一个或多个人类交互；一个或多个结果；一个或多个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在实施例中，每个自适应自主数据处理系统还被配置为协调向一个或多个消耗点输送能源，并且能源输送包括以下各项中的一项或多项：一条或多条固定传输线；一个或多个无线能源传输实例；一个或多个燃料输送；或者一个或多个存储能源输送。
在实施例中，每个自适应自主数据处理系统还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，一个或多个能源相关事件包括以下各项中的一项或多项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在实施例中，至少一个自适应自主数据处理系统部署在离网环境中，并且离网环境包括以下各项中的一项或多项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在实施例中，平台还包括自适应能源数据管道，自适应能源数据管道被配置为跨网络中的一组节点传送数据。
在实施例中，包括自适应能源数据管道的网络中的一组节点包括一组边缘联网设备，边缘联网设备通过经由边缘联网设备控制的一组操作设备来管理能源消耗、能源存储、能源输送或能源消耗中的至少一个。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，自适应能源数据管道还被配置为自动选择用于跨一组节点传送的数据的最低成本路由，选择基于与数据相关的低优先级能源使用。
在实施例中，自适应能源数据管道还被配置为自动选择用于跨一组节点传送的数据的高质量服务路由，选择基于与数据相关的高优先级能源使用。
在实施例中，自适应能源数据管道包括一组人工智能能力，能力被配置为调整管道，以使得能够根据能源协调需求优化数据传输的元件。
在实施例中，自适应能源数据管道包括自组织数据存储器，数据存储器被配置为基于数据模式、数据内容或数据上下文中的一个或多个在设备上存储数据。
在实施例中，自适应能源数据管道被配置为执行自动化自适应联网，自适应联网包括自适应协议选择、基于RF状况的自适应数据路由、自适应数据过滤、网络带宽的自适应切片、认知网络容量的自适应使用或对等网络容量的自适应使用中的一个或多个。
在实施例中，自适应能源数据管道被配置为通过基于企业的操作环境、企业的交易环境或企业的财务环境中的一个或多个自动处理数据来执行企业环境适应。
矿井的数字孪生
在实施例中，一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：数字孪生系统，数字孪生系统具有采矿环境的数字孪生，其中，数字孪生包括由矿井的传感器检测到的至少一个参数。
例如，由矿井的传感器检测到的至少一个参数可以包括矿井的至少一个物理属性、温度、湿度、压力、应变、化学物质和/或辐射的存在等。该至少一个参数可以包括矿井资源的至少一个物理属性，例如，油藏的位置、大小、成分或开采状态。该至少一个参数可以包括矿井机器的至少一个属性，例如，泵、钻机或车辆的位置、状况和/或操作状态。该至少一个参数可以包括与矿井相关联的过程的至少一个属性，例如，目标、一组要求、资源分配、操作状态和/或石油开采过程的预计结果。该至少一个参数可以包括与矿井相关联的个人的至少一个属性，例如，身份、类型、技能组合、当前任务和/或矿井工人的健康状况。该至少一个参数可以包括与矿井相关联的数据集的至少一个属性，例如，内容、生成日期、更新日期和/或对矿井的油藏或地形特征的勘测的使用。
例如，矿井可以包括用于勘测、访问和从采矿地点提取矿物的工业操作。工业操作可以与各种设备相关联，例如，照明、照相机、通风风扇、加热和冷却系统、钻机、泵、精炼厂、存储容器、运输工具等。每件设备可能有各种与能源相关的需求，例如，能源类型、数量、存储容量和消耗率。一些设备还可以与检测各种属性的一个或多个传感器相关联，例如，检测温度、湿度、压力、应变、化学品和/或辐射的存在等的环境传感器。检测到的属性可以涉及该件设备(例如，该件设备的速度、操作状况或健康状态)、该件设备的用户(例如，用户的存在、身份、活动或健康状态)、环境(例如，周围或天气状况)等。基于AI的平台可以至少部分地基于传感器检测到的属性，考虑到矿井的每件设备的能源需求，来协调和管理能源。例如，基于AI的平台可以监测每件设备在一段时间内的能源使用情况。基于AI的平台然后可以基于该监测确定用于生成、存储和/或输送能源到设备的计划表，以便满足设备在未来相应时间段的能源需求。该计划表可以部分地基于每件设备的模拟操作，基于相应的数字孪生和由与该件设备相关联的传感器检测到的属性。
在实施例中，至少一个参数与以下各项中的一项或多项相关联：矿井的未开采部分；从境矿井中开采材料；涉及与矿井相关联的智能容器的智能容器事件；与矿井相关联的矿工的生理状态；与矿井相关联的交易相关事件；或者矿井遵从一个或多个合约、监管和/或法律政策。
在实施例中，基于AI的平台的数字孪生系统还表示以下各项中的一项或多项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在实施例中，基于AI的平台的数字孪生系统还被配置为执行以下各项中的一项或多项：提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；过滤能源数据；突出显示能源数据；或者调整能源数据。
在实施例中，基于AI的平台的数字孪生系统还被配置为通过以下各项中的一项或多项生成能源消耗的可视和/或分析指标：一个或多个机器；一个或多个工厂；或者车队中的一个或多个车辆。
在实施例中，数基于一个或多个公共数据资源，公共数据资源包括以下各项中的一项或多项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源。
在实施例中，参数基于一个或多个企业数据资源，企业数据资源包括以下各项中的一项或多项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在实施例中，基于AI的平台的数字孪生系统包括至少一个基于AI的模型和/或算法，其中，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的一项或多项：一个或多个人类标签和/或标记；与硬件和/或软件系统的一个或多个人类交互；一个或多个结果；一个或多个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在实施例中，基于AI的平台的数字孪生系统还被配置为协调向一个或多个消耗点输送能源，并且能源输送包括以下各项中的一项或多项：一条或多条固定传输线；一个或多个无线能源传输实例；一个或多个燃料输送；或者一个或多个存储能源输送。
在实施例中，基于AI的平台的数字孪生系统还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，一个或多个能源相关事件包括以下各项中的一项或多项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在实施例中，基于AI的平台的数字孪生系统部署在离网环境中，并且离网环境包括以下各项中的一项或多项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在实施例中，矿井是数据矿井。
在实施例中，矿井是用于进行计算操作的一组资源。
在实施例中，基于AI的平台包括采矿环境的矿级物联网(IoT)感测、采矿环境的未开采部分的地面穿透感测、采矿材料的基于质谱和计算机视觉的感测、智能容器的资产标记、用于检测矿工生理状态的可穿戴设备、交易和交易相关事件的安全记录和解决、用于自动分配从采矿环境获得的收益的智能合约、以及用于记录、报告和评估对合约、监管和法律政策要求的遵从性的自动化系统。
在实施例中，基于AI的平台包括一组碳感知能源边缘解决方案，解决方案包括探索、配置和实现一组关于碳生成的策略。
在实施例中，基于AI的平台要求监测采矿作业生成能源，以跟踪采矿作业生成的碳排放。
在实施例中，基于AI的平台要求采矿作业生成能源，以抵消采矿作业生成的碳。
在实施例中，基于AI的平台包括用户接口，并且平台包括一组自动化能源策略部署解决方案，解决方案能够经由用户与用户接口的交互来配置。
在实施例中，基于AI的平台包括智能代理，智能代理被训练以生成与采矿环境的治理相关的策略，在历史数据、来自结果的反馈和人类策略设置交互的训练集上训练智能代理。
在实施例中，基于AI的平台通过实施包括以下各项中的一项或多项的策略来促进采矿作业的治理：为实体设置一段时间的最大能源使用；为实体设置一段时间的最大能源成本；为实体设置一段时间内的最大碳产量；为实体设置一段时间内的最大污染排放；设置碳抵消要求；设置可再生能源额度要求；设置能源混合要求；基于生产实体的能源和其他边际成本设置利润率最小值；或者为能源存储实体设置最低存储基线。
用于与采矿作业相关联的自动化劳动法遵从性的基于AI的平台
一种用于实现电力和能源的智能协调和管理的基于AI的平台包括：采矿作业的治理系统；以及报告系统，该报告系统用于传送由采矿作业的矿井的传感器感测的至少一个参数，其中，至少一个参数与采矿作业遵从一组劳动标准相关联。
例如，劳动标准可以包括具有特定背景的工人被训练、胜任和/或授权执行的一组任务。基于AI的平台可以适应与采矿作业相关联的参数，以确保符合劳动标准，例如，调整将工人分配到要在矿井中执行的任务的参数，使得工人仅被分配到训练、胜任和/或授权他们基于劳动标准执行的任务。
作为另一个示例，劳动策略可以包括工人执行特定任务的一组工作要求，例如，工作周期的最大长度、工作周期的休息分配、工作周期的安全检查的执行、和/或工作期间一件安全设备的可用性。基于AI的平台可以适应与采矿作业相关联的参数，以确保符合劳动标准，例如，调整将工人分配到要在矿井中执行的任务的参数，使得工人的工作周期不超过最大长度，包括休息分配，包括所需的安全检查，和/或基于劳动标准仅在所需的安全设备可用时才分配。
作为另一个示例，劳动标准可以规定在矿井的某些具有高风险的区域(例如，较深的矿井)工作的工人必须经历定期的训练和认证。基于AI的平台可以维护每个工人的训练和认证状态的数字记录。在特定工人被分配到这些高风险区域的任务之前，基于AI的平台可以验证他/她的训练是最新的，并且具有所需的认证。如果没有，则基于AI的平台可以将相关的工人重新安排到另一个任务，并且可以在他/她可以被分配到高风险区域之前进一步标记该特定工人进行训练。这确保了只有经过充分训练的工人才能在高风险区域工作，以保持符合劳工标准。
作为又一个示例，劳动标准可以包括对暴露于矿井中某些危险环境的工人的健康监测要求，例如，具有高水平有害气体的区域。基于AI的平台与可穿戴传感器等健康监测设备集成在一起，可以持续监测工人的生命体征，确保实时检测到任何异常情况，例如，心率加快。如果检测到这种异常，基于AI的平台可以发起相应的协议，例如，警告现场医务人员，甚至暂时停止某些采矿作业。这确保了工人的健康不受损害，并且采矿作业保持符合健康监测标准。
在实施例中，基于AI的平台从劳动标准信息源，例如，与矿井的地理区域相关联的劳动策略库，检索关于劳动标准的信息。基于AI的平台可以基于可用的传感器和参数来确定和执行一个或多个过程，用于评估采矿作业遵从该组劳动标准。例如，劳动标准可以包括与矿工相关联的劳动状况的安全标准，例如，工作计划表、确定的身体健康状态、确定的精神和/或情绪健康状态、或者矿工暴露于各种健康危害(例如，辐射或污染)的情况。基于AI的平台可以基于劳动策略信息来确定哪些劳动标准适用于矿工。基于AI的平台可以确定适用于这些标准的可检测参数阈值(例如，在给定时间段内暴露于辐射的最大值)。基于AI的平台然后可以识别矿井中能够检测可检测参数的传感器(例如，在一组分布式辐射传感器中，这些辐射传感器能够提供指示矿工暴露于辐射的数据)。基于AI的平台可以协调和管理来自所识别的传感器的信息收集，以确保收集的数据指示矿工在一段时间内暴露于辐射。这种协调和管理可以包括调度和执行电力的生成、存储和/或输送到每个识别的传感器，使得足够的数据被报告给基于AI的平台，以执行其劳动标准审计功能并实现采矿作业的管理。
在实施例中，报告系统还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的一项或多项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在实施例中，基于AI的平台包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的一项或多项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在实施例中，基于AI的平台包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的一项或多项：提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；过滤能源数据；突出显示能源数据；调整能源数据，或者通过以下各项中的一项或多项生成能源消耗的视觉和/或分析指标：一个或多个机器；一个或多个工厂；或者车队中的一个或多个车辆。
在实施例中，报告系统还被配置为执行以下各项中的一项或多项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在实施例中，报告系统还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，一个或多个能源相关事件包括以下各项中的一项或多项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在实施例中，至少一个参数中的至少一个基于以下各项中的一项或多项：一个或多个公共数据资源，一个或多个公共数据资源包括以下各项中的一项或多项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源，或者一个或多个企业数据资源，一个或多个企业数据资源包括以下各项中的一项或多项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在实施例中，基于AI的平台包括至少一个基于AI的模型和/或算法，其中，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的一项或多项：一个或多个人类标签和/或标记；与硬件和/或软件系统的一个或多个人类交互；一个或多个结果；一个或多个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在实施例中，治理系统还被配置为协调向一个或多个消耗点输送能源，并且能源输送包括以下各项中的一项或多项：一条或多条固定传输线；一个或多个无线能源传输实例；一个或多个燃料输送；或者一个或多个存储能源输送。
在实施例中，一组劳动标准与由矿井工人执行的至少一个活动相关联，并且传送由传感器感测的至少一个参数包括传送由传感器感测的工人对至少一个活动的表现的指示。
在实施例中，一组劳动标准与至少一个对象相关联，至少一个对象与矿井工人相关联，并且传送由传感器感测的至少一个参数包括传送由传感器对至少一个对象的检测的指示。
在实施例中，一组劳动标准包括矿井的属性的阈值，并且报告系统还被配置为基于由传感器感测的至少一个参数与阈值的比较来传送确定。
在实施例中，基于AI的平台包括遵从性恢复系统，遵从性恢复系统被配置为基于由传感器感测的至少一个参数指示不遵从一组劳动标准的状况这一确定来执行至少一个遵从性恢复动作。
在实施例中，基于AI的平台包括紧急响应系统，紧急响应系统被配置为基于由传感器感测的至少一个参数指示与矿井相关联的紧急事件的发生这一确定来执行至少一个紧急响应动作。
在实施例中，基于AI的平台包括传感器配置系统，传感器配置系统被配置为确定传感器的配置，以执行至少一个参数的感测，其中，配置基于采矿作业遵从一组劳动标准。
在实施例中，根据权利要求15所述的基于AI的平台，一组劳动标准可由传感器配置系统访问并以自然语言指定，并且传感器配置系统被配置为基于对一组劳动标准的自然语言解析来确定传感器的配置。
在实施例中，基于AI的平台包括传感器修复系统，传感器修复系统被配置为基于对传感器未感测到至少一个参数这一确定来执行至少一个传感器修复措施，其中，至少一个传感器修复措施包括以下各项中的一项或多项：发起传感器的更换；发起涉及传感器的诊断操作；发起传感器的重新配置，以不同的方式检测至少一个参数；发起对矿井工人的请求，以执行对至少一个参数的手动感测；或者发起用矿井的至少一个其他传感器替换矿井的传感器，以感测至少一个参数。
在实施例中，基于AI的平台包括遵从性验证系统，遵从性验证系统被配置为验证由传感器感测的至少一个参数指示采矿作业遵从一组劳动标准，其中，验证包括以下各项中的一项或多项：验证矿井的传感器的校准；基于至少一个参数与由矿井的至少一个其他传感器感测的至少一个参数的比较，验证由矿井的传感器感测的至少一个参数；请求由矿井工人人工验证至少一个参数；或者请求合规官验证至少一个参数指示采矿作业遵从一组劳动标准。
在实施例中，基于AI的平台包括工人通信接口，工人通信接口被配置为基于由传感器感测的至少一个参数参与矿井工人的通信，其中，通信与采矿作业遵从一组劳动标准相关联。
在实施例中，基于AI的平台包括用户接口，用户接口被配置为显示采矿作业的地图，其中，地图包括基于由传感器感测的至少一个参数指示采矿作业遵从一组劳动标准。
具有一组边缘设备的碳生成和/或排放感知的基于AI的平台
在实施例中，一种用于实现电力和能源的智能协调和管理的基于AI的平台包括：一组边缘设备，其中，一组边缘设备中的每个边缘设备被配置为保持对链接到一组边缘设备和/或由一组边缘设备管理的一组能源使用的实体中的至少一个实体的碳生成和/或排放的感知。
例如，基于AI的平台可包括部署在地理区域内的一组传感器，以监测含碳物质的生成和/或排放，例如，甲烷、一氧化碳和/或二氧化碳。每个传感器可以定期检测传感器的局部区域中的含碳物质的浓度，并且传感器可以定期向基于AI的平台的特定服务器报告含碳物质。基于AI的平台可分析报告，以确定含碳物质随时间和/或在各种区域中的生成和/或排放模式，以及相关因素，例如，生成和/或排放的含碳物质的来源和/或含碳物质对个人、动物、植物群体和/或地理区域的环境或生态系统的影响。基于该分析，该组传感器中的每一个可以生成含碳物质的局部报告，以提高一个或多个用户关于生成和/或排放的感知。传感器还可基于分析来控制各种工业过程，例如，调整制造过程的速率，以便将生成和/或排放含碳物质的未来工业过程与生成和/或排放的含碳物质的一个或多个目标或目的对齐，例如，在指定时期内生成和/或排放的含碳物质的最大值或上限。
在实施例中，该组边缘设备被配置为保持对一组生成和/或排放资源生成和/或排放含碳物质的感知，例如，矿山、制造设施、运输设施、车辆、服务器群等。生成和/或排放资源可以在控制该组边缘设备的相同的一个或多个实体(例如，拥有和/或管理生成和/或排放资源以及该组边缘设备的实体)的控制下，或者可以在一个或多个不同实体的控制下(例如，一个地区的本地政府拥有的一组边缘设备，以保持对该地区的个人拥有和操作的车辆的碳排放的感知)。替代地或附加地，该组边缘设备被配置为保持对一组工业过程生成和/或排放含碳物质的感知，例如，资源开采过程、制造过程、材料处理过程、存储过程、运输过程、资源消耗过程、提供给第三方的工业服务等。工业过程可以在控制该组边缘设备的相同的一个或多个实体的控制下(例如，拥有和/或管理该组边缘设备并且还执行生成和/或排放过程的实体)，或者可以在一个或多个不同实体的控制下(例如，一个区域的本地政府拥有的一组边缘设备，以保持对由该区域的工业组织执行的工业过程导致的碳排放的感知)。
在实施例中，含碳物质可包括一氧化碳、二氧化碳、甲烷和/或各种短链碳氢化合物和/或挥发性有机化合物(VOC)。该组边缘设备还可以被配置为保持对可能与含碳物质一起生成和/或排放的非含碳物质的生成和/或排放的感知，例如，一氧化二氮、二氧化硫等。生成和/或排放的含碳物质可以具有各种形式，包括(但不限于)气体、蒸汽、颗粒物质、粘性或非粘性液体、溶液或固体，或者其组合。所生成和/或排放的含碳物质可释放到环境中，被基质吸收和/或沉积到基质中，在溶液中与其它材料结合，存储在各种容器中，以各种形式隔离(例如，地下存储库或被生物体或微生物)等。
在实施例中，该组边缘设备中的至少一个边缘设备被配置为测量含碳物质(可选地包括非含碳物质)的生成和/或排放，例如，基于来自耦合到该组边缘设备和/或可由该组边缘设备访问的传感器的输入。替代地或附加地，该组边缘设备中的至少一个边缘设备被配置为分析和/或推断来自与含碳物质的生成和/或排放相关的一个或多个实体的含碳物质的生成和/或排放的测量结果(例如，分析接收的传感器数据，以将生成和/或排放的含碳物质的各种数量和/或比例归因于一个或多个实体)。替代地或附加地，该组边缘设备中的至少一个边缘设备被配置为从与含碳物质的生成和/或排放相关联的一个或多个实体接收含碳物质的生成和/或排放的测量(例如，经由从生成和/或排放含碳和/或不含碳物质的第三方和/或从由其维护的设备接收的报告)。替代地或附加地，该组边缘设备中的至少一个边缘设备被配置为从与含碳物质的生成和/或排放不相关的一个或多个实体接收含碳物质的生成和/或排放的测量(例如，经由从环境监测机构接收的报告，这些环境监测机构监测由其他第三方或总体环境生成和/或排放的含碳和/或非含碳物质)。
在实施例中，该组边缘设备中的至少一个边缘设备被配置为以各种方式保持对含碳物质的生成和/或排放的感知。例如，该组边缘设备中的至少一个边缘设备可以被配置为向一个或多个实体(例如，政府、公司、组织、用户等)和/或设备(例如，服务器、工业设备、车辆、移动设备等)报告所生成和/或排放的含碳物质的度量和/或定性评估。替代地或附加地，该组边缘设备中的至少一个边缘设备可以被配置为在一个或多个数据库、数据仓库、集中式或分布式分类帐等中记录所生成和/或排放的含碳物质的度量和/或定性评估。替代地或附加地，该组边缘设备中的至少一个边缘设备可以被配置为生成报告，这些报告通过各种维度聚集对所生成和/或排放的含碳物质的度量和/或定性评估，例如，时间(例如，在一天、一个月、一个季度或一年的时间段内的定期报告)、来源(例如，加工厂中各种机器的报告)、排放类型(例如，不同类型的所生成和/或排放的含碳物质的报告)、受影响区域(例如，各种环境中含碳物质的生成和/或排放的报告)等。替代地或附加地，该组边缘设备中的至少一个边缘设备可以被配置为发出生成和/或排放的含碳物质的一个或多个警报(例如，在检测和/或确定生成和/或排放的含碳物质的数量已经超过生成和/或排放阈值时生成警报，例如，一段时间内生成和/或排放的最大量含碳物质的目标、目的和/或上限)。替代地或附加地，该组边缘设备中的至少一个边缘设备可以被配置为基于含碳物质的生成和/或排放的测量和/或定性评估来改变一件或多件设备和/或过程的操作(例如，基于检测和/或确定的含碳物质的生成和/或排放来调度制造厂内的机器的操作)。替代地或附加地，该组边缘设备中的至少一个边缘设备可以被配置为基于含碳物质的生成和/或排放的测量和/或定性评估来为一个或多个实体和/或个人生成一个或多个建议(例如，对制造厂管理者以可以减少含碳物质的生成和/或排放的方式操作制造设备的建议)。附加地或可替换地，该组边缘设备中的至少一个边缘设备可以被配置为与可再生能源(例如，太阳能电池板或风力涡轮机)集成，以确定实现碳抵消的程度，从而确定从这些来源生成的能源的量，并将其与传统能源相比的碳排放的减少相关联。附加地或可替换地，该组边缘设备中的至少一个边缘设备可以被配置为与运输系统接合，监测车辆路线、燃料消耗、维护计划表和来自车队(例如，送货卡车)的排放，并且可以使用该数据来优化路线、安排车辆维护，或者甚至过渡到更清洁的燃料替代物，以减少碳排放。
在实施例中，该组中的至少一个边缘设备被配置为模拟一组能源使用的实体中的至少一个实体的碳生成和/或排放。
在实施例中，该组中的至少一个边缘设备被配置为执行在碳生成数据的训练数据集上训练的一组机器学习算法，以计算一组操作实体的碳生成和/或排放度量。
在实施例中，该组中的至少一个边缘设备被配置为执行在碳生成数据的训练数据集上训练的一组机器学习算法，以计算一组操作实体的碳生成和/或排放度量。
在实施例中，该组中的至少一个边缘设备还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的一项或多项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在实施例中，基于AI的平台包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的一项或多项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在实施例中，基于AI的平台包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的一项或多项：提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；过滤能源数据；突出显示能源数据；调整能源数据，或者通过以下各项中的一项或多项生成能源消耗的视觉和/或分析指标：一个或多个机器；一个或多个工厂；或者车队中的一个或多个车辆。
在实施例中，该组中的至少一个边缘设备还被配置为执行以下各项中的一项或多项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在实施例中，该组中的至少一个边缘设备包括至少一个基于AI的模型和/或算法，其中，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的一项或多项：一个或多个人类标签和/或标记；与硬件和/或软件系统的一个或多个人类交互；一个或多个结果；一个或多个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在实施例中，该组中的至少一个边缘设备被配置为协调向一个或多个消耗点输送能源，并且能源输送包括以下各项中的一项或多项：一条或多条固定传输线；一个或多个无线能源传输实例；一个或多个燃料输送；或者一个或多个存储能源输送。
在实施例中，该组中的至少一个边缘设备还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，一个或多个能源相关事件包括以下各项中的一项或多项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在实施例中，该组中的至少一个边缘设备部署在离网环境中，并且离网环境包括以下各项中的一项或多项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在一些方面，本文描述的技术涉及一种基于AI的平台，其中，该组中的至少一个边缘设备还被配置为基于碳生成和/或排放的当前度量与碳生成和/或排放的历史度量的比较来确定一段时间内碳生成和/或排放的变化。
在实施例中，该组中的至少一个边缘设备还被配置为基于碳生成和/或排放策略来确定碳生成和/或排放目标。
在实施例中，该组中的至少一个边缘设备还被配置为：执行碳生成和/或排放度量与碳生成和/或排放目标的比较；以及基于比较来确定碳生成和/或排放对碳生成和/或排放策略的遵从性。
在实施例中，该组中的至少一个边缘设备还被配置为基于碳生成和/或排放度量以及碳生成和/或排放目标来确定碳生成和/或排放的环境影响。
在实施例中，碳生成和/或排放与一组活动相关联，并且组中的至少一个边缘设备还被配置为将碳生成和/或排放的至少一部分分配给一组活动中的至少一个活动。
在实施例中，该组中的至少一个边缘设备还被配置为将至少一个指标与碳生成和/或排放度量与碳生成和/或排放目标相关联，其中，指标包括以下各项中的一项或多项：碳生成和/或排放的日期、时间和/或时间段；碳生成和/或排放的来源位置；碳生成和/或排放的输送方向和/或速度；碳生成和/或排放的受影响位置；碳生成和/或排放的物理度量；碳生成和/或排放的化学成分；与碳生成和/或排放相关的区域中出现的天气模式；与碳生成和/或排放相关的区域中的野生动物种群；或者受碳生成和/或排放影响的人类活动。
在实施例中，该组中的至少一个边缘设备还被配置为基于碳生成和/或排放度量与和碳生成和/或排放关联的警报阈值的比较来传输与碳生成和/或排放关联的警报。
在实施例中，该组中的至少一个边缘设备还被配置为基于碳生成和/或排放度量来调整与碳生成和/或排放相关联的活动，并且调整修改碳生成和/或排放的未来状态。
分布式能源需求的动态数字孪生
在实施例中，一种用于实现电力和能源的智能协调和管理的基于AI的平台包括：数字孪生，数字孪生由数据收集系统更新，数据收集系统动态地维护定义域内的一组固定实体和一组移动实体的一组历史、当前和/或预测能源需求参数，其中，数字孪生的更新基于一组能源需求参数。
例如，数字孪生可以包括至少一个实体的数字表示，例如，物理对象、人、过程等。在某些情况下，数字孪生可以包括多个实体的表示，例如，机器或计算设备的集合，或者表示社会团体的人的集合。数字孪生可以被配置为对应于实体的各种属性，例如，机器的数字模型，其中，数字模型的各种属性对应于机器的各种物理属性(例如，尺寸、形状、相对位置和/或取向、材料、成分等)。数字孪生可包括分别对应于实体组件的多个组件，例如，包括对应于诸如机器等实体的各种物理组件的多个数字组件的数字表示。数字孪生可以包括一个或多个组件之间的关系的表示，例如，机器组件之间的互连的表示，或者社交群组成员之间的社交联系的表示。数字孪生可以包括实体的过去、现在和/或未来状态的表示，例如，机器的过去、现在和/或未来操作状况的历史。数字孪生可以包括与实体相关联的过去、现在和/或未来事件的表示，例如，由机器执行的过去、现在和/或未来操作，或者社交群组成员之间的过去、现在和/或未来交互。数字孪生可以包括实体存在的物理环境的表示，例如，工业机器所在的工厂的特征的表示。数字孪生可以包括动态系统的表示，例如，城市中的交通模式，其可以集成来自车辆、交通灯、行人运动、公共交通计划表等的数据，以允许城市规划者模拟和预测诸如道路封闭、新地铁线路的引入等变化的结果。数字孪生可以包括实体和外部实体之间的交互的表示，例如，社交群组的数字孪生，其包括社交群组的成员和不包括在社交群组中的其他个人之间的交互的表示。数字孪生可能包括整个生态系统的表示，以允许研究人员模拟变化(例如，在森林附近安装太阳能发电场)对生态系统的影响。数字孪生可能包括特定有机体(例如，人体)的表示，帮助医疗专业人员预测能源生产设施的污染对人体的影响。数字孪生可以包括复杂分子结构或化学成分的表示，包括诸如电子分布、潜在反应位置等性质，以允许研究人员预测分子(例如，生物燃料的分子)在特定状况下的行为。
数字孪生可以被配置为接收对应于数字孪生的输入的一个或多个信号。例如，工业机器的数字孪生可以被配置为接收作为输入的信号，这些信号对应于被引入机器进行工业加工的材料。替代地或附加地，数字孪生可以被配置为基于由数字孪生接收的输入和/或数字孪生的内部状态，接收一个或多个请求和/或命令，作为输入，以执行一个或多个操作。例如，工业机器的数字孪生可以接收基于插入的材料执行工业过程的命令，作为输入。替代地或附加地，数字孪生可以被配置为接收周围环境数据，作为输入，以执行一个或多个控制操作。例如，工业机器的数字孪生可以接收环境温度数据，作为输入，以控制与插入的材料相关的工业过程。替代地或附加地，数字孪生可以被配置为接收操作模式，作为输入，以调节决策。例如，工业机器的数字孪生可以接收工人运动模式，作为输入，以决定机器人在工业设施的地板上的运动路径。替代地或附加地，数字孪生可以包括由输入和/或环境状况改变的内部状态，例如，时间的流逝。例如，工业机器的数字孪生可以包括工业机器的物理组件的状态的表示，并且数字孪生的表示可以改变，以反映由于工业过程的性能、处理的材料、诸如温度或湿度等环境因素或时间的流逝而导致的内部组件的状态的相应变化。数字孪生可以被配置为生成一种或多种形式的输出的表示，例如工业过程的产品的表示。该输出可以包括定义工业机器的内部状态的表示，以适应被引入机器进行工业加工的材料。该输出可以包括例如响应于执行的过程的机器的更新的内部状态的表示。例如，该输出可以包括其内部状态的调整的表示，以改变控制工业过程的环境状况。该输出可以包括例如响应于操作模式，电子调节工业管理系统的内部状态的表示。
例如，数字孪生可以被配置为以与实体相应的方式起作用的被表示实体的数字表示。例如，响应于给定的一组输入和给定的内部状态，物理机器可以执行特定的过程，并且可以产生给定的一组输出。在一个示例中，被配置为基于颜色对物体进行分类的物理机器人的数字孪生可以在呈现有色物体的数字表示时模拟该分类过程，调整其内部逻辑和后续动作。在另一个示例中，被配置为对化学交互进行建模的数字孪生可以模拟特定化学成分在暴露于特定状况下的行为，并且可以预测化学反应的结果。在又一示例中，被配置为模拟销售人员与客户的交互的数字孪生可以基于像客户询问或所显示的情绪这样的输入来预测决策。在又一示例中，数字孪生被配置为基于个人的技能、偏好和历史交互来模拟协作任务期间的群组行为。机器的数字孪生被配置为基于给定的一组输入和给定的内部状态的数字表示来执行特定过程的模拟，并生成对应于给定的一组输出的输出的数字表示。可以在过程的执行期间检查数字孪生，以基于给定的一组输入和给定的内部状态来确定期望实体如何执行过程，其中，检查的结果对应于在物理过程的执行期间检查物理机器的结果。在过程完成时，可以检查数字孪生的输出，其中，数字孪生的输出对应于物理过程执行完成后的机器输出。数字孪生可支持各种各样的过程、输入、内部状态等，并且可期望在其内部状态、操作状况、响应于输入和内部状态的输出等方面对应于所表示的实体(例如，所表示的机器或社会群组)。
例如，数字孪生可以包括对应于所表示的实体的各种数字组件。例如，基于机器的物理组件，数字孪生可以包括对应于机器的物理组件的一个或多个三维数字(CAD)模型。例如，对于像自动驾驶汽车这样依赖于多个传感器和决策层的复杂系统，数字孪生可能包括机器学习模型的分层组织。例如，当模拟像社区这样的社会实体时，数字孪生可以包括基于图形的模型来表示社区内的相互关系。基于执行过程的工业机器，数字孪生可以包括一个或多个算法，该算法基于过程的一个或多个输入和/或执行过程时工业机器的内部状态来确定过程的输出。基于诸如分类任务等认知过程，数字孪生可以包括对应于认知过程的各种特征的一个或多个机器学习模型，例如，以与认知过程类似的方式对输入进行分类的分类器神经网络。基于交通系统，例如，公共汽车网络，数字孪生可能包括路由算法和实时交通分析，以模拟车辆的运动，确定最佳路径，并预测潜在的延误。
在实施例中，数字孪生包括在一种用于实现电力和能源的智能协调和管理的基于AI的平台中。例如，数字孪生可以表示工厂，并且基于AI的平台可以基于工厂已经、正在和/或可能执行的动作来实现电力和能源的智能协调和管理。基于AI的平台可通过在各种工业过程(例如，制造过程、转换过程和/或运输过程)期间检查数字孪生的各种属性来做到这一点。基于对数字孪生的检查，基于AI的平台可以确定工厂如何生成、存储、运输和/或消耗电力和能源，并且可以基于检查的结果智能协调和管理工厂的进一步操作。例如，基于AI的平台可以由保存电力和能源消耗的策略来指导，并且可以通过以促进保存电力和能源消耗的策略的方式来调度工业过程的发生来智能地协调和/或管理工厂，其中，该调度基于对数字孪生的检查来确定各种候选调度如何消耗电力和能源。
在实施例中，数字孪生由数据收集系统更新，该数据收集系统动态地维护一组历史、当前和/或预测能源需求参数。例如，数据收集系统可以存储各个时间段的历史、当前和/或预测能源需求参数，并且可以动态地调整每个时间段的长度(例如，选择能源需求高和/或模拟能源需求的精度非常重要的较短时间段，以及选择能源需求低和/或模拟能源需求的精度不重要的较长时间段)。数据收集系统可以存储各种能源消耗实体的历史、当前和/或预测的能源需求参数，并且可以动态地调整每个实体的数据收集的粒度(例如，收集关于高消耗实体的大量数据，并且收集关于低消耗实体的稀疏数据)。数据收集系统可以存储各种类型能源的历史、当前和/或预测能源需求参数，并且可以基于每种类型能源的种类和用途动态地调整为每种类型能源存储的数据种类(例如，对于诸如电池等长期存储能源，存储诸如能源存储容量、能源存储密度以及能源存储和放电循环等需求参数；以及用于传输中的能源，例如，电力线上的电力输送，存储需求参数，例如，平均电流、峰值电流和需求激增的出现)。数据收集系统可以动态地更新历史、当前和/或预测能源需求参数的集合(例如，重新配置传感器，以收集特定类型的能源需求的不同形式的数据)。替代地或附加地，数据收集系统可以动态地更新历史、当前和/或预测能源需求参数的存储(例如，重新处理和修改存储的数据，以增加、减少、注释、总结和/或转换特定类型的能源需求的存储数据)。替代地或附加地，数据收集系统可以动态地更新历史、当前和/或预测能源需求参数的呈现(例如，改变为特定类型的能源需求报告的数据的类型、数量和/或结构)。
在实施例中，一组操作实体经由一组链接到一组操作实体的边缘联网设备来控制，并且能源需求参数基于以下各项中的一项或多项：从来自一组操作实体的需求中导出的一组当前汇总数据，其中，一组操作实体经由链接到一组操作实体的一组边缘联网设备来控制；从来自一组操作实体的需求中导出的一组历史汇总数据，其中，一组操作实体经由链接到一组操作实体的一组边缘联网设备来控制；或者从来自一组操作实体的需求中导出的一组模拟汇总数据。
在实施例中，数据收集系统还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的一项或多项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在实施例中，数字孪生表示以下各项中的一项或多项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在实施例中，数字孪生还被配置为执行以下各项中的一项或多项：提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；过滤能源数据；突出显示能源数据；调整能源数据，或者通过以下各项中的一项或多项生成能源消耗的视觉和/或分析指标：一个或多个机器；一个或多个工厂；或者车队中的一个或多个车辆。
在实施例中，至少一个能源需求参数基于以下各项中的一项或多项：在一个或多个公共数据资源上，一个或多个公共数据资源包括以下各项中的一项或多项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源；或者一个或多个企业数据资源，一个或多个企业数据资源包括以下各项中的一项或多项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在实施例中，数字孪生包括至少一个基于AI的模型和/或算法，其中，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的一项或多项：一个或多个人类标签和/或标记；与硬件和/或软件系统的一个或多个人类交互；一个或多个结果；一个或多个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在实施例中，数字孪生还被配置为协调向一个或多个消耗点输送能源，并且能源输送包括以下各项中的一项或多项：一条或多条固定传输线；一个或多个无线能源传输实例；一个或多个燃料输送；或者一个或多个存储能源输送。
在实施例中，数字孪生还被配置为基于能源输送和/或消耗策略来调整向一个或多个消耗点输送能源。
在实施例中，数字孪生还被配置为确定向一个或多个消耗点输送能源的碳生成和/或排放效果。
在实施例中，数字孪生还被配置为基于一个或多个消耗点处的可用能源不足的概率和一个或多个消耗点处的可用能源不足的后果来调整向一个或多个消耗点输送能源。
在实施例中，数字孪生还被配置为基于两个或更多个能源中的每一个的能源可用性的比较来确定向一个或多个消耗点输送能源，其中，比较包括以下各项中的一项或多项：由两个或多个能源源中的至少一个存储的当前和/或未来的能源数量，与由两个或多个能源中的至少一个获取、存储和/或输送能源相关联的当前和/或未来资源消耗，或者其他能源消费者对两个或多个能源中的至少一个的当前和/或未来需求。
在实施例中，数字孪生还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，一个或多个能源相关事件包括以下各项中的一项或多项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在实施例中，数字孪生部署在离网环境中，并且离网环境包括以下各项中的一项或多项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在实施例中，基于AI的平台被配置为基于预测增量来测量数字孪生的性能，并且预测增量基于由数字孪生基于一组能源需求参数生成的预测与数据收集系统内对应于预测的测量的比较。
在实施例中，基于AI的平台被配置为基于预测增量更新数字孪生，并且更新包括以下各项中的一项或多项：基于预测增量重新训练数字孪生，基于预测增量调整应用于数字孪生的预测的预测校正，用至少一个其他经过训练的机器学习模型来补充数字孪生，或者用替代数字孪生替换数字孪生。
在实施例中，数字孪生还被配置为生成：基于至少一个能源需求参数的预测，以及至少一个能源需求参数对预测的影响的指示。
在实施例中，数字孪生还被配置为确定一组能源需求参数的一个或多个修改，以改进数字孪生的未来预测，其中，一个或多个修改包括以下各项中的一项或多项：与定义域内的一组固定实体和一组移动实体相关联的一个或多个附加的历史、当前和/或预测能源需求参数；或者与定义域内的一组固定实体和一组移动实体相关联的历史、当前和/或预测能源需求参数中的一个或多个能源需求参数的一个或多个修改。
在实施例中，数字孪生还被配置为基于从定义域内的一组固定实体和/或一组移动实体中的至少一个实体接收的一个或多个实体参数来协调向一个或多个消耗点输送能源，并且一个或多个实体参数包括以下各项中的一项或多项：至少一个实体的当前和/或未来能源状态，至少一个实体的当前和/或未来能源消耗，或者由至少一个实体执行的与能源消耗相关联的当前和/或未来活动。
在实施例中，数字孪生还被配置为向定义域内的一组固定实体和/或一组移动实体中的至少一个实体传输调整与至少一个实体相关联的一个或多个实体参数的请求，并且一个或多个实体参数包括以下各项中的一项或多项：至少一个实体的当前和/或未来能源状态，至少一个实体的当前和/或未来能源消耗，或者由至少一个实体执行的与能源消耗相关联的当前和/或未来活动。
基于本地需求要求可配置的模块化分布式能源系统
在实施例中，一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：一组模块化分布式能源系统，一组模块化分布式能源系统可基于本地需求要求进行配置。
例如，模块化分布式能源系统可以包括一个或多个能源生成系统，例如，一个或多个太阳能电池板或太阳能电池板农场；一个或多个风力发电机，例如，风车；一个或多个水力发电机，例如，水力发电厂；一个或多个核电设施；一个或多个地热发电机；等等。模块化分布式能源系统可包括一个或多个能源存储系统，例如，一个或多个电池、电容器、飞轮或燃料箱。模块化分布式能源系统可包括一个或多个能源运输系统，例如，电力传输线、无线电力线路和/或车辆运输设施。模块化分布式能源系统可以包括一个或多个能源消耗系统，例如，消耗电力来执行各种工业过程的工厂。一个或多个能源系统可以是移动的(例如，移动太阳能发电场)。一个或多个能源系统可以是固定的(例如，发电厂)。
例如，模块化能源系统可以以各种方式分布。例如，能源系统可以由不同的实体拥有、操作、管理和/或访问，例如，由不同的政府或公司拥有和/或由不同的消费者使用的发电厂。能源系统可以在地理上分布在地理区域的不同位置，例如，一个州的不同城市或省份。能源系统可以在操作上是分布式的，例如，与不同行业中不同类型的工业加工相关联的工厂。能源系统可以在功能上是分布式的，例如，通常访问并依赖于电网的并网能源系统的子集以及通常不访问和/或不依赖于电网的离网能源系统的子集。
模块化能源系统可以基于本地需求要求进行配置。例如，由于不同的地理气候状况，不同区域的峰值能源需求可能不同。因此，一组模块化分布式发电系统的每个能源生成系统可以基于与该能源生成系统相关联的场所中的能源需求来改变生成的能源量。作为另一个示例，激增能力能源需求可以针对不同的工业过程而变化(例如，服务器群可能消耗相对一致的电力量，并且可能不经常产生需求激增，而制造厂可能经常需要激增电力来适应高生产周期和/或能源密集型过程)。因此，一组模块化分布式发电系统的每个能源生成系统可基于与能源生成系统相关联的行业的能源需求来改变预留容量的量，以适应需求激增。作为又一个示例，由于实体之间的旅行和迁移模式，实体群体(例如，个人、公司、车辆等)中的能源需求可能在位置上改变。因此，一组模块化分布式发电系统的每个能源生成系统可以基于能源需求的动态位置来改变能源供应和访问资源的位置(例如，移动电力输送资源的位置)。作为又一个示例，由于照明、加热或冷却设备等使用的增加，季节性事件和节日(例如，庆祝重大节日的区域)也可能导致本地能源需求的变化。因此，一组模块化分布式发电系统的每个能源生成系统可以被配置为在这些时期增加能源生产以满足需求。作为另一个示例，旅游旺季期间的旅游业会显著影响本地的能源需求(例如，由于酒店、度假村和各种旅游景点的满负荷运行)。因此，一组模块化分布式发电系统的每个发电系统可以配置有预测模型，以预测游客流入量，从而基于预期需求增加或减少能源生成。
在实施例中，模块化能源系统以分散的方式基于本地需求要求来配置。例如，模块化能源系统可以在一组能源需求要求中确定模块化能源系统将被配置为服务的能源需求要求的子集，并且模块化能源系统可以重新配置其资源，以服务于所识别的能源需求要求。例如，每个模块化能源系统可以确定其资源的分配，以满足能源需求要求的子集，而无需来自集中式分配过程(例如，集中式服务器)的直接指令。模块化能源系统可以从集中式服务器接收指令(例如，要由模块化能源系统服务的能源需求要求的子集的标识)，并且可以以分散的分布式方式确定其配置(例如，确定其资源的分配，以便服务于所识别的能源需求要求)。模块化能源系统可以执行要由模块化能源系统服务的能源需求要求的子集的分散的分布式确定，并且可以从集中式分配过程(例如，集中式服务器)接收相应的配置(例如，接收其资源的配置，以便服务于以分散的分布式方式识别的能源需求要求)。
在实施例中，基于信息的自动发现，以分布式分散的方式配置模块化能源系统。例如，模块化能源系统可以包括和/或访问各种传感器或信息源，并且可以自动发现、识别和/或表征一组能源需求要求(例如，工厂的工业过程的自动探索，或者诸如电池或插座等一组能源供应的能源使用的自动勘测)。模块化能源系统可以使用自动发现的信息来确定能源的配置，以服务于发现的能源需求要求，可选地不与其他模块化能源系统和/或关于自动发现的信息和/或配置的任何集中分配过程通信。
在实施例中，模块化能源系统与一个或多个其他模块化能源系统通信，以识别要满足的能源需求要求的子集和/或可以服务于能源需求要求的子集的资源分配的配置。这种通信可以包括例如通信技术，例如，信息共享、投票、共识、协商、软件代理、策略发现和/或开发、目标优化、模拟、随机建模等。
在实施例中，模块化能源系统被配置为确定能源资源的分配，以服务于一组识别的能源需求要求。例如，模块化能源系统可以包括多个能源存储器，并且模块化能源系统可以基于区域内能源需求要求的位置来确定能源存储器的位置。模块化能源系统还可以安排能源存储器运输，以到达确定的位置(例如，将能源存储器运输到确定的位置的自主车辆车队的配置)。模块化能源系统可以包括各种类型的能源存储器，其中，每种类型具有各种属性，例如，能源存储容量、能源存储状态、峰值电力输送、电力输送激增容量等。模块化能源系统可以基于将每个能源存储器的属性与能源需求要求的相应属性相匹配来分配能源存储器，以服务于各种能源需求要求(例如，将能源存储器分配给具有足够的电力输送容量以满足能源消费者的电力消耗要求的特定能源消费者)。模块化能源系统可以与预测分析能力集成，以预测未来的能源需求并识别不同区域的能源消耗模式，从而将能源资源分配给不同的区域。模块化能源系统可以被配置为通过将存储的能源从非必要区域动态分配给诸如医院等关键设施来响应于紧急情况。模块化能源系统可以与交通管理系统同步，以了解交通模式的流动，并预测不同区域中电动车辆对充电站的需求，并相应地将能源资源分配给充电站。
在实施例中，模块化能源系统可以基于区域内的能源需求要求的位置来确定能源存储器的位置。
在实施例中，通过在链接到一组消耗能源的系统的一组边缘联网设备上操作的需求预测算法来预测本地需求要求。
在实施例中，该组中的至少一个模块化分布式能源系统由基于AI的平台配置为位于需求的位置和时间附近。
在实施例中，该组中的至少一个模块化分布式能源系统由基于AI的平台配置为基于本地需求要求的位置和类型来定位。
在实施例中，该组中的至少一个模块化分布式能源系统由基于AI的平台配置为在本地需求点处生成能源。
在实施例中，该组中的至少一个模块化分布式能源系统由基于AI的平台配置为将模块化发电系统输送到需求位置。
在实施例中，该组中的至少一个模块化分布式能源系统由基于AI的平台配置为将一组能源输送设施的能源输送路由至需求位置。
在实施例中，该组中的至少一个模块化分布式能源系统由基于AI的平台协调，以在需求的位置和时间附近存储能源。
在实施例中，该组中的至少一个模块化分布式能源系统还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的一项或多项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在实施例中，基于AI的平台包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的一项或多项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在实施例中，基于AI的平台包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的一项或多项：提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；过滤能源数据；突出显示能源数据；调整能源数据，或者通过以下各项中的一项或多项生成能源消耗的视觉和/或分析指标：一个或多个机器；一个或多个工厂；或者车队中的一个或多个车辆。
在实施例中，至少一个模块化分布式能源系统还被配置为执行以下各项中的一项或多项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在实施例中，本地需求要求基于以下各项中的一项或多项：在一个或多个公共数据资源上，一个或多个公共数据资源包括以下各项中的一项或多项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源；或者一个或多个企业数据资源，一个或多个企业数据资源包括以下各项中的一项或多项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在实施例中，基于AI的平台包括至少一个基于AI的模型和/或算法，其中，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的一项或多项：一个或多个人类标签和/或标记；与硬件和/或软件系统的一个或多个人类交互；一个或多个结果；一个或多个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在实施例中，至少一个模块化分布式能源系统被配置为协调向一个或多个消耗点输送能源，并且能源输送包括以下各项中的一项或多项：一条或多条固定传输线；一个或多个无线能源传输实例；一个或多个燃料输送；或者一个或多个存储能源输送。
在实施例中，模块化分布式能源系统的第一系统被配置为与模块化分布式能源系统的第二系统通信，以通过调整第一系统或第二系统中的一个或两个的能源生成、存储、输送和/或消耗来协调向一个或多个消耗点输送能源。
在实施例中，至少一个模块化分布式能源系统被配置为基于碳生成和/或排放策略来调整向一个或多个消耗点输送能源。
在实施例中，至少一个模块化分布式能源系统还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，一个或多个能源相关事件包括以下各项中的一项或多项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在实施例中，至少一个模块化分布式能源系统部署在离网环境中，并且离网环境包括以下各项中的一项或多项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在实施例中，至少一个模块化分布式能源系统与数字孪生相关联，数字孪生被配置为对至少一个模块化分布式能源系统的一个或多个属性和/或操作进行建模和/或预测。
用于协调和管理电力和能源的过程感知的AI平台
在实施例中，一种用于实现电力和能源的智能协调和管理的基于AI的平台包括：人工智能系统，人工智能系统被配置为：执行与涉及一组资源的操作过程相关联的能源模式的分析，一组资源至少部分地独立于电网；以及输出一组操作参数，以提供能源生成、存储和/或消耗，从而实现操作过程，其中，一组操作参数基于分析。
例如，操作过程可以包括涉及一组能源的制造过程，例如，将制造材料运输到制造设施的燃料供应；操作执行制造过程的机器的电力供应；执行辅助过程(例如，数据收集、审计和报告)的电力供应；存储制造原材料和/或制造产品的电力供应，例如，制冷；以及将制成品运输到目的地的燃料供应。
能源资源至少部分地独立于电网。例如，燃料可以由一个或多个不依赖于电网的燃料管道或燃料运输车辆来输送。电力可以由一种或多种不依赖于电网的可再生能源输送，例如，太阳能电池板、太阳能发电场、风力涡轮机、水力发电设施或核电站。电力可以由不依赖于电网的一个或多个电力存储设施存储，例如，电池、电容器或燃料箱或管道。在一些情况下，一个或多个能源可以部分地耦合到电网，例如，在电力生产、存储和/或输送的主要机制失效的情况下的备用电源，或者作为用于执行辅助功能的电源，例如，监测或审计资源的状态或容量。在一些情况下，一种或多种能源资源可以完全独立于电网，例如，完全且专门由太阳能电池板场供电的制造厂。
基于AI的平台可以对操作过程进行分析，以确定与操作过程相关的能源模式。例如，基于AI的平台可以确定能源可用性的模式，例如，向燃料库或车辆输送燃料和/或通过电力线向本地电力存储设施输送电力的模式。基于AI的平台可以确定能源存储的模式，例如，峰值存储容量、峰值存储、峰值存储密度、单位存储成本效率、存储电力的泄漏或电力激增容量。基于AI的平台可以确定能源传输的模式，例如，通过燃料管道和/或燃料输送车辆输送燃料的模式，或者经由电力线传输电力的模式。基于AI的平台可以确定能源消耗的模式，例如，峰值电力需求、电力需求激增、电力使用效率或电力消耗浪费。
基于AI的平台可以基于各种分析技术来执行这种模式确定。这种分析技术可以包括例如：对收集的信息进行审计，包括历史、当前和/或预测信息；模拟，包括各种能源资源和/或能源相关过程的一个或多个数字孪生；随机建模；分类；聚类；时间序列分析；地理空间分析；深度学习；和/或一个或多个机器学习模型的推断。这些技术使基于AI的平台能够精确有效地理解、预测和管理能源模式。
在实施例中，一组操作参数中的至少一个操作参数是分布式能源发电资源的生成输出水平。
在实施例中，一组操作参数中的至少一个操作参数是分布式能源存储资源的目标存储水平。
在实施例中，一组操作参数中的至少一个操作参数是分布式能源输送资源的输送时间。
在实施例中，人工智能系统还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的一项或多项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在一些方面，本文描述的技术涉及一种基于AI的平台，还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的一项或多项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在实施例中，基于AI的平台包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的一项或多项：提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；过滤能源数据；突出显示能源数据；调整能源数据，或者通过以下各项中的一项或多项生成能源消耗的视觉和/或分析指标：一个或多个机器；一个或多个工厂；或者车队中的一个或多个车辆。
在实施例中，人工智能系统还被配置为执行以下各项中的一项或多项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在实施例中，至少一个操作参数基于以下各项中的一项或多项：一个或多个公共数据资源，一个或多个公共数据资源包括以下各项中的一项或多项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源；或者一个或多个企业数据资源，一个或多个企业数据资源包括以下各项中的一项或多项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在实施例中，人工智能系统基于训练数据集进行训练，并且训练数据集基于以下各项中的一项或多项：一个或多个人类标签和/或标记；与硬件和/或软件系统的一个或多个人类交互；一个或多个结果；一个或多个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在实施例中，人工智能系统被配置为协调向一个或多个消耗点输送能源，并且能源输送包括以下各项中的一项或多项：一条或多条固定传输线；一个或多个无线能源传输实例；一个或多个燃料输送；或者一个或多个存储能源输送。
在实施例中，人工智能系统还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，一个或多个能源相关事件包括以下各项中的一项或多项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在实施例中，人工智能系统部署在离网环境中，并且离网环境包括以下各项中的一项或多项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在实施例中，人工智能系统还被配置为确定与操作过程相关联的碳生成和/或排放对与操作过程相关联的区域的环境影响。
在实施例中，人工智能系统还被配置为评估操作过程对以下一项或两项的遵从性：碳生成和/或排放策略，或者与操作过程相关的一组劳动标准。
在实施例中，人工智能系统还被配置为基于以下一项或两项来调整一组操作参数，以提供与操作过程相关联的能源生成、存储和/或消耗：碳生成和/或排放策略，或者与操作过程相关的一组劳动标准。
在实施例中，人工智能系统还被配置为向与操作过程相关联的一组边缘设备中的至少一个边缘设备传输消息，并且消息包括基于一组操作参数来调整至少一个边缘设备的至少一个操作的请求。
在实施例中，人工智能系统还被配置为从与操作过程相关联的一组边缘设备中的至少一个边缘设备接收至少一个边缘设备的当前和/或预测能源状态的指标，并且一组操作参数基于至少一个边缘设备的当前和/或预测能源状态的指标。
在实施例中，人工智能系统还被配置为基于数字孪生的输出来确定一组操作参数，数字孪生表示与操作过程相关联的一组边缘设备中的至少一个边缘设备，并且数字孪生的输出指示至少一个边缘设备的当前和/或预测能源状态。
在实施例中，人工智能系统还被配置为协调一组模块化分布式能源系统，以生成、存储和/或输送能源，其中，协调基于一组操作参数和本地需求要求。
边缘计算设备的能源和电力管理的策略和治理引擎
在实施例中，一种用于实现电力和能源的智能协调和管理的基于AI的平台包括：策略和治理引擎，策略和治理引擎被配置为部署一组规则和/或策略，一组规则和/或策略治理一组能源生成、存储和/或消耗工作负荷，其中，规则和/或策略与一组边缘设备的配置相关联，一组边缘设备与一组能源生成设施、能源存储设施、能源输送设施或能源消耗系统进行本地数据通信操作。
例如，规则和/或策略可以包括一个或多个与能源生成、存储和/或消耗工作负荷相关的目标。这些目标可以包括，例如：能源效率；能源守恒；使能源供应和能源需求之间的匹配最大化(例如，根据峰值需求、激增需求和总能源使用量等因素将能源分配给能源消耗)；减少碳基物质的生成和/或排放；降低成本；降低能源短缺和/或成本盈余的风险；激增和/或紧急需求的能源可用性；和/或可再生能源优先于非可再生能源。
例如，基于AI的平台可以从诸如用户、组织、政府或策略银行等策略源接收该组规则和/或策略。替代地或附加地，基于AI的平台可以基于各种试探法(例如，基于优化组织效率的目标，基于AI的平台可以自动确定节能的规则和/或策略)自动生成和/或提炼一组规则和/或策略。替代地或附加地，基于AI的平台可以基于各种信息源(例如，基于工厂的各种工业过程期间的能源供应、需求和短缺的历史数据，基于AI的平台可以确定将来可能减少能源短缺和/或提高能源使用效率的规则和/或策略)自动生成和/或提炼一组规则和/或策略。
在实施例中，基于AI的平台使用管理一组能源生成、存储和/或消耗工作负荷的一组规则和/或策略来确定一组边缘设备的配置。例如，基于AI的平台可以配置该组边缘设备的分配，以监测能源生成、存储和/或消耗工作负荷的各个方面。例如，各种边缘设备可以包括可以连接到各种数据源的各种传感器，以监测工作负荷的各个方面。基于与节能相关联的规则和/或策略，基于AI的平台可以配置边缘设备，以配置传感器来监测已经被确定为消耗大量能源和/或能源低效的工作负荷。适应边缘设备以将其监测能力集中在可能是高能源消耗和/或低效率的来源的工作负荷上，可以为可以改进节能的工业过程变化的分析提供信息。作为另一个示例，边缘设备可以可操作地耦合到各种工业机器和/或过程，并且可以被配置为适应这种工业机器和/或过程的各种操作参数，例如，工业机器和/或过程的计划表、速度、温度或制造能力。基于与提高能源效率相关联的规则和/或策略，基于AI的平台可以配置边缘设备来调整这种工业机器和/或过程的各种操作参数，例如，选择表现出相对高的能源使用效率的工业机器的计划表或操作速度。作为另一个示例，基于AI的平台可以配置边缘设备，以优先监测可再生能源生成源，例如，风力涡轮机或太阳能电池板，以确保其最佳功能。基于与监测相关联的规则和/或策略，基于AI的平台可以配置边缘设备，以检测来自这些来源的能源生产是否减少，例如，太阳能电池板的效率是否由于累积的灰尘或故障而下降。在这种情况下，边缘设备可以提醒维护团队清洁太阳能电池板，以优化能源生成。作为又一个示例，基于AI的平台可以配置边缘设备，以监测来自电网的实时能源定价。基于与定价相关联的规则和/或策略，基于AI的平台可以配置边缘设备，以自动调整连接的设备(例如，HVAC系统)的操作参数，以在需求高峰期间电价飙升时在其最低要求水平下操作。
在实施例中，在策略和治理引擎中配置时，由至少一个边缘设备自动应用与能源生成指令相关联的策略，以控制经由边缘设备控制的至少一个能源生成系统的能源生成。
在实施例中，在策略和治理引擎中配置时，由至少一个边缘设备自动应用与能源消耗指令相关联的策略，以控制经由边缘设备控制的至少一个能源消耗系统的能源消耗。
在实施例中，在策略和治理引擎中配置时，由至少一个边缘设备自动应用与能源输送指令相关联的策略，以控制经由边缘设备控制的至少一个能源输送系统的能源输送。
在实施例中，在策略和治理引擎中配置时，由至少一个边缘设备自动应用与能源存储指令相关联的策略，以控制经由边缘设备控制的至少一个能源存储系统的能源存储。
在实施例中，策略和治理引擎被配置为在所存储的一组策略模板上进行操作，以便配置策略。
在实施例中，基于历史策略的数据集、表示一组分布式能源的操作状态和/或配置的数据集以及一组历史结果，自动生成一组推荐策略，以在策略和治理引擎中呈现。
在实施例中，策略和治理引擎还被配置为基于至少一个上下文因素来调整规则和/或策略，并且至少一个上下文因素包括以下各项中的至少一项：能源交易的历史数据；至少一个操作因素；至少一个市场因素；至少一个预期的市场行为；或者至少一个预期的客户行为。
在实施例中，策略和治理引擎还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的至少一项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在实施例中，根据权利要求1所述的基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的至少一项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在实施例中，根据权利要求1所述的基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的至少一项：提供至少一个能源消费者的能源消耗的视觉和/或分析指标，过滤能源数据；突出显示能源数据；或者调整能源数据。
在实施例中，根据权利要求1所述的基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：至少一个机器；至少一个工厂；或者车队中的至少一个车辆。
在实施例中，策略和治理引擎还被配置为执行以下各项中的至少一项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在实施例中，至少一个规则和/或策略基于至少一个公共数据资源，至少一个公共数据资源包括以下各项中的至少一项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源。
在实施例中，至少一个规则和/或策略基于至少一个企业数据资源，至少一个企业数据资源包括以下各项中的至少一项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在实施例中，根据权利要求1所述的基于AI的平台还包括至少一个基于AI的模型和/或算法，其中，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的至少一项：至少一个人类标签和/或标记；与硬件和/或软件系统的至少一个人类交互；至少一个结果；至少一个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在实施例中，策略和治理引擎被配置为协调向至少一个消耗点输送能源，并且能源输送包括以下各项中的至少一项：至少一条固定传输线；至少一个无线能源传输实例；至少一个燃料输送；或者至少一个存储能源输送。
在实施例中，策略和治理引擎还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，至少一个能源相关事件包括以下各项中的至少一项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在实施例中，策略和治理引擎部署在离网环境中，并且离网环境包括以下各项中的至少一项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在实施例中，策略和治理引擎还被配置为生成和/或执行至少一个智能合约，其中，至少一个智能合约中的每一个将规则和/或策略应用于至少一个能源相关交易。
能源和电力相关设施和系统的治理引擎
在实施例中，一种用于实现电力和能源的智能协调和管理的基于AI的平台包括：一组边缘设备，一组边缘设备被配置为：与至少一个能源生成设施、能源存储设施和/或能源消耗系统通信，以及自动执行一组预配置策略，一组预配置策略管理相应的能源生成设施、能源存储设施或能源消耗系统的能源生成、能源存储或能源消耗。
例如，该组边缘设备中的每个边缘设备可以被配置为管理特定能源生成和/或存储设施的操作，并且基于历史、当前和/或预测能源需求来操作能源生成和/或存储设施的目标来执行预配置策略。为了促进该预配置的策略，每个边缘设备可以与其他能源生成设施、能源存储设施和/或能源消耗设施通信，以确定能源生成、存储、运输和/或消耗的模式，该模式指示能源消费者的总可用电力充足的一些时段和能源消费者的总可用电力不足的一些时段。基于该通信和预配置策略，边缘设备可以确定能源生成和/或存储设施的各种操作过程的计划表，使得能源生成和/或存储设施被配置为给能源消费者的至少一部分生成和/或存储足够的电力。例如，边缘设备可以配置能源生成工厂，以在预期能源消费者的能源需求激增时生成更多能源，并且在预期能源消费者的能源需求减少时生成更少能源。作为另一个示例，边缘设备可以配置能源存储设施，以在预期能源消费者的能源需求激增时存储更多的能源，并且在预期能源消费者的能源需求减少时存储更少的能源。
作为另一个示例，该组边缘设备中的每个边缘设备可以被配置为管理特定工厂的操作，并且根据基于可用电力的充足性操作工厂的目标来执行预配置策略。为了促进这种预配置策略，每个边缘设备可以与能源生成设施、能源存储设施和/或能源消耗设施的集合通信，以确定能源生成、存储、运输和/或消耗的模式，这些模式指示工厂的总可用电力充足的一些时段和总可用电力不足的一些时段。基于该通信和预配置策略，边缘设备可以确定工厂的各种操作过程的调度，使得操作被调度为在所确定的总可用电力充足的时段期间发生，而在所确定的总可用电力不足的时段期间不发生。
作为另一个示例，该组边缘设备中的每个边缘设备可以被配置为管理特定能源消费者的操作，并且根据基于可用电力的优先化操作工厂的目标来执行预配置策略。例如，虽然可以预测足够的电力可用于所有的能源消耗系统，但是一些能源消耗系统，例如，医院、急救车辆和不间断工业过程，可能比其他能源消耗系统，例如，可中断的工业过程和休闲设施，表示更高优先级的电力使用。为了促进这种预配置策略，每个边缘设备可以与能源生成设施、能源存储设施和/或能源消耗设施的集合通信，以确定各种能源消费者的能源消耗模式和它们各自的优先级。基于该通信和预配置策略，边缘设备可以确定能源消费者的各种操作过程的分配和/或调度，使得充足的能源总是可用并为高优先级能源消费者(例如，医院和个人住宅)保留，并且较低优先级能源消费者的操作过程(例如，可中断的工业过程)仅在超过高优先级能源消费者的能源需求的足够能源可用时发生。
作为又一个示例，该组边缘设备中的每个边缘设备可以被配置为管理互连电网系统的操作，该互连电网系统包括可再生和不可再生能源。预配置策略可以基于最大化可再生能源的使用同时确保电网稳定性的目标。为了促进这种预配置策略，每个边缘设备可以与太阳能发电场、风力涡轮机、水力发电厂以及传统煤和天然气发电厂的集合进行通信。基于该通信和预配置策略，边缘设备可以确定来自每个来源的能源的可用性。举例来说，在阳光充足或高风速期间，边缘设备可以分别优先使用来自太阳能电池板或风力涡轮机的电力；然而，如果可再生能源生成预计会因天气变化而下降，边缘设备可能会先发制人地增加来自更稳定来源的能源使用，例如，水力发电厂或切换到备用不可再生能源，以促进清洁能源的使用，而不会影响电网的稳定性。
作为又一个示例，该组边缘设备中的每个边缘设备可以被配置为管理智能城市基础设施内的能源运行。鉴于日常城市活动和事件，预配置策略可以基于优化各种城市服务的能源分布。为了促进这种预配置策略，每个边缘设备可以与公共交通系统、公共设施等通信。基于该通信和预配置策略，边缘设备可以确定能源需求，并相应地调整能源分布，以确保有效地满足城市的能源需求。
在实施例中，自动执行的策略是一组上下文策略，一组上下文策略基于能源电网中的一组能源生成实体的当前状态进行调整。
在实施例中，自动执行的策略是一组上下文策略，一组上下文策略基于能源生成环境中的一组能源生成实体的当前状态进行调整，能源生成环境包括能源电网和独立于能源电网操作的一组分布式能源。
在实施例中，自动执行的策略是一组上下文策略，一组上下文策略基于能源电网中的一组能源存储实体的当前状态进行调整。
在实施例中，自动执行的策略是一组上下文策略，一组上下文策略基于能源存储环境中的一组能源存储实体的当前状态进行调整，能源存储环境包括能源电网和独立于能源电网操作的一组分布式能源资源，其中，自动执行的策略是一组上下文策略，一组上下文策略基于能源电网中的一组能源输送实体的当前状态进行调整。
在实施例中，自动执行的策略是一组上下文策略，一组上下文策略基于能源传输环境中的一组能源传输实体的当前状态进行调整，能源传输环境包括能源电网和独立于能源电网操作的一组分布式能源资源。
在实施例中，自动执行的策略是一组上下文策略，一组上下文策略基于从能源电网中消耗能源的一组能源消耗实体的当前状态进行调整。
在实施例中，自动执行的策略是一组上下文策略，一组上下文策略基于一组能源消耗实体的当前状态进行调整，一组能源消耗实体从能源电网中和从独立于能源电网操作的一组分布式能源资源中消耗能源。
在实施例中，一组边缘设备还被配置为基于至少一个上下文因素来调整一组预配置策略，并且至少一个上下文因素包括以下各项中的至少一项：能源交易的历史数据；至少一个操作因素；至少一个市场因素；至少一个预期的市场行为；或者至少一个预期的客户行为。
在实施例中，至少一个边缘设备还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的至少一项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在实施例中，根据权利要求1所述的基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的至少一项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在实施例中，根据权利要求1所述的基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的至少一项：提供至少一个能源消费者的能源消耗的视觉和/或分析指标，过滤能源数据；突出显示能源数据；或者调整能源数据。
在实施例中，根据权利要求1所述的基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：至少一个机器；至少一个工厂；或者车队中的至少一个车辆。
在实施例中，至少一个边缘设备还被配置为执行以下各项中的至少一项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在实施例中，至少一个预配置策略基于至少一个公共数据资源，至少一个公共数据资源包括以下各项中的至少一项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源。
在实施例中，至少一个预配置策略基于至少一个企业数据资源，至少一个企业数据资源包括以下各项中的至少一项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在实施例中，至少一个边缘设备包括至少一个基于AI的模型和/或算法，其中，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的至少一项：至少一个人类标签和/或标记；与硬件和/或软件系统的至少一个人类交互；至少一个结果；至少一个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在实施例中，至少一个边缘设备还被配置为协调向至少一个消耗点输送能源，并且能源输送包括以下各项中的至少一项：至少一条固定传输线；至少一个无线能源传输实例；至少一个燃料输送；或者至少一个存储能源输送。
在实施例中，至少一个边缘设备还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，至少一个能源相关事件包括以下各项中的至少一项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在实施例中，至少一个边缘设备部署在离网环境中，并且离网环境包括以下各项中的至少一项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
边缘设备的能源和电力管理的智能协调系统
在实施例中，一种用于实现电力和能源的智能协调和管理的基于AI的平台包括：机器学习系统，机器学习系统在一组能源智能数据上进行训练并且部署在边缘设备上，其中，机器学习系统被配置为接收边缘设备进行的附加训练，以改进能源管理。
例如，边缘设备可以被配置为基于能源管理策略和/或规则来追求一个或多个能源管理目标，例如，能源容量、能源保存、能源使用效率、碳基物质的生成和/或排放的减少、成本降低等。边缘设备可以被配置为查看能源智能数据，以确定与能源管理策略和/或规则相关联的能源生成、存储、运输和/或消耗的模式，例如，导致过度能源使用、能源使用低效、过度成本等的活动模式。
例如，能源智能数据的至少一部分可以包括标记的训练数据集(例如，指示能源使用模式的数据集以及指示高效能源使用时段和低效能源使用时段的一个或多个标签)。边缘设备可以使用标记的机器学习数据来训练机器学习模型，以分析当前检测到的能源使用模式作为输入，并生成指示该模式表示有效能源使用还是无效能源使用的标签作为输出。替代地或附加地，能源智能集的至少一部分可以包括未标记的数据(例如，指示能源使用模式的数据集，但是没有指示高效能源使用时段和低效能源使用时段的标签)。边缘设备可以应用无监督的训练技术(例如，聚类)来在未标记的数据内确定与高效能源使用相关联的一个或多个能源使用模式和/或与低效能源使用相关联的一个或多个能源使用模式。
作为另一个示例，边缘设备可以基于应用机器学习模型的情况和/或环境的变化来执行机器学习模型的附加训练。例如，机器学习模型可以从监测、分析和/或管理第一能源消费者转移到监测、分析和/或管理第二能源消费者。该转移可以使得机器学习模型接收不同的数据作为输入(例如，来自不同类型的传感器的输入，和/或与第二能源消费者的不同工业过程相关联的输入)。边缘设备可以执行机器学习模型的附加训练，以便使机器学习模型的现有处理能力适应新能源消费者的特征。
作为另一个示例，边缘设备可以基于对模型漂移的指示的检测来执行机器学习模型的附加训练，例如，在训练完成时机器学习模型响应于训练数据集的确定与机器学习模型响应于相同训练数据集的确定之间的差异。例如，当机器学习模型的配置、内部权重和/或状态在初始完成训练之后改变时，可能发生机器学习模型漂移，使得机器学习模型现在对相同的输入数据得出与先前生成的相比不同且可能不太准确的结论。响应于模型漂移的检测，边缘设备可以在原始训练数据集和/或新的训练数据上发起机器学习模型的重新训练，以便适应机器学习模型，以生成更期望的输出。替代地或附加地，边缘设备可以用另一个机器学习模型(例如，具有更大容量的机器学习模型、不同的架构、一组不同的超参数和/或参数、和/或已经经历不同训练过程的机器学习模型)来替换机器学习模型。替代地或附加地，边缘设备可以将机器学习模型与其他机器学习模型组合，作为整体的一部分，并且此后可以基于机器学习模型和其他机器学习模型的一致性来确定响应于各种输入的输出。
作为另一个示例，边缘设备可以基于附加数据的接收来执行机器学习模型的附加训练，例如，从能源生成、存储、运输和/或消耗设施的连续运行中收集的数据。附加数据可以指示能源模式中的一个或多个新的或变化的趋势，例如，新的工业过程的能源消耗，或者由于工业过程变化引起的能源消耗变化。附加训练可以包括训练机器学习模型，以分析附近数据并识别新的或改变的模式，例如，与一个或多个新的或改变的工业过程相关联的能源使用低效率的新模式。
作为另一个示例，边缘设备可以基于集成在能源系统内的反馈系统，例如，测量节能的传感器、关于系统性能的用户反馈或来自能源管理系统的数据，来执行机器学习模型的进一步训练。举例来说，在机器学习模型提出具体的节能措施之后，可以观察这些措施的结果并与预测的结果进行比较。如果预测结果和实际结果之间出现差异，则可以利用该反馈来进一步训练机器学习模型，以确保机器学习模型与现实世界的结果保持同步。
作为另一个示例，边缘设备可以基于外部因素，例如，法规变化，例如，针对碳排放的新法规，来执行机器学习模型的进一步训练。在这种情况下，边缘设备可以分析与这些新法规相关的数据，并训练机器学习模型来优化能源使用，同时确保合规性。
在实施例中，能源管理包括管理一组分布式能源生成资源的能源生成。
在实施例中，能源管理包括管理一组分布式能源存储资源的能源存储。
在实施例中，能源管理包括管理一组分布式能源输送资源的能源输送。
在实施例中，能源管理包括管理一组分布式能源消耗资源的能源消耗。
在实施例中，能源管理基于与边缘设备和一组能源生成设施、能源存储设施、能源输送设施或能源消耗系统相关联的一组规则和/或策略。
在实施例中，机器学习系统还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的至少一项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在实施例中，基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的至少一项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在实施例中，基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的至少一项：提供至少一个能源消费者的能源消耗的视觉和/或分析指标，过滤能源数据；突出显示能源数据；或者调整能源数据。
在实施例中，基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：至少一个机器；至少一个工厂；或者车队中的至少一个车辆。
在实施例中，机器学习系统还被配置为执行以下各项中的至少一项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在实施例中，能源智能数据基于至少一个公共数据资源，至少一个公共数据资源包括以下各项中的至少一项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源。
在实施例中，能源智能数据基于至少一个企业数据资源，至少一个企业数据资源包括以下各项中的至少一项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在实施例中，机器学习系统还基于训练数据集进行训练，并且训练数据集基于以下各项中的至少一项：至少一个人类标签和/或标记；与硬件和/或软件系统的至少一个人类交互；至少一个结果；至少一个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在实施例中，机器学习系统还被配置为协调向至少一个消耗点输送能源，并且能源输送包括以下各项中的至少一项：至少一条固定传输线；至少一个无线能源传输实例；至少一个燃料输送；或者至少一个存储能源输送。
在实施例中，机器学习系统还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，至少一个能源相关事件包括以下各项中的至少一项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在实施例中，边缘设备部署在离网环境中，并且离网环境包括以下各项中的至少一项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在实施例中，边缘设备位于生成、存储、输送和/或使用能源的至少一个实体附近。
在实施例中，边缘设备提供关于生成、存储、输送和/或使用能源的至少一个实体的能源状态和/或能源流的信息。
在实施例中，边缘设备包含和/或治理一组传感器中的至少一个传感器，并且一组传感器与被配置为生成、存储、输送和/或使用能源的一组基础设施资产相关联。
用于异构能源相关系统和设备的能源和电力管理的智能协调系统
在实施例中，一种用于实现电力和能源的智能协调和管理的基于AI的平台包括：一组边缘设备，一组边缘设备包括一组人工智能系统，一组人工智能系统被配置为：处理由边缘设备处理的数据；以及基于数据，确定与边缘设备进行本地通信的一组系统的能源生成、存储、输送和/或消耗特征的混合，并输出表示混合的组成比例的数据集。
例如，该组系统可以被配置为通过以下两个或多个来生成和/或存储能源：风力涡轮机、太阳能光伏(PV)、柔性和/或浮动太阳能系统、燃料电池、模块化核反应堆、核电池、模块化水力发电系统、微型涡轮机和涡轮机阵列、往复式发动机、燃气涡轮机和热电联产工厂等。分布式能源存储系统可以包括电池存储能源(包括化学电池和其他)、熔盐能源存储、电热能源存储(ETES)、基于重力的存储、压缩流体能源存储、泵送水电能源存储(PHES)和液态空气能源存储(LAES)。每个能源系统可以表现出特定的特征组合，例如总能源可用性、峰值能源容量、激增能源容量、能源效率、能源泄漏、单位能源成本、能源稳定性(例如，对天气状况的敏感性)、能源可再生性以及碳基物质的生成和/或排放。类似地，各种类型的能源消耗可以与各种能源需求要求相关联，例如，峰值能源消耗、激增能源消耗、能源消耗效率、能源消耗可预测性、能源消耗优先级以及能源消耗生成和/或排放碳基物质。
在实施例中，该组人工智能系统与一组能源系统通信，以基于能源生成、输送、运输和/或消耗的特征来收集数据。边缘设备可以使用由人工智能系统收集的数据集，以通过为每个能源消费者确定从其接收和消耗能源的一组系统中的能源来源的混合，来协调和管理向消耗点输送能源。例如，边缘设备可以识别能源消费者，可以分析能源消费者的能源消耗模式，以确定能源消费者的各种能源需求要求，并且可以选择能源系统的混合，其中，该混合满足能源需求要求。基于该混合，边缘设备可以配置或重新配置能源消费者，以使用所选择的能源系统。例如，工业过程可能能够依靠燃料、太阳能或传输的电力运行。边缘设备可以将提供不同类型能源的能源系统的特征与工业过程的能源需求要求进行比较，以确定对应于工业过程的能源需求要求的能源系统的混合。边缘设备可以输出表示混合物的组成比例的数据集。例如，基于该混合，边缘设备可以配置工业过程，以使用能源系统的各种组成比例(例如，配置工业规划的电力管理组件，以在燃料、太阳能和/或传输的电力的组合下操作，以便以各种比例向工业过程供应电力)。边缘设备可以与智能家居系统交互，以监测和分析来自各种家用电器的能源消耗模式，并确定能源的混合，以满足这些需求。例如，在高峰日照时段，边缘设备可以优先考虑从屋顶板获取的太阳能，而在晚上，边缘设备可以利用来自家用电池系统的存储能源或者使用来自电网的能源。边缘设备可以将天气数据考虑在内，以预测来自可再生资源的能源生成潜力，并相应地调整能源混合，以确保连续的能源供应，同时优化可再生资源的使用。
作为另一个示例，边缘设备可以使用由人工智能系统收集的数据集，以通过为每个能源消费者确定从其接收和消耗能源的一组系统中使用的混合能源来源的计划表，来协调和管理向消耗点输送能源。例如，边缘设备可以识别能源消费者，可以分析能源消费者在不同时间的能源消耗模式，以确定能源消费者在不同时间的不同能源需求要求。边缘设备可以确定使用混合能源系统的计划表，其中，该计划表满足能源需求要求。基于该计划表，边缘设备可以配置或重新配置能源消费者，以使用混合的能源系统组。例如，工业过程可能能够依靠燃料、太阳能或传输的电力运行。边缘设备可以将提供不同类型能源的能源系统的特征与工业过程的能源需求要求进行比较，以确定使用对应于工业过程的能源需求要求的混合能源系统的计划表。边缘设备可以输出表示计划表和混合组成比例的数据集。例如，基于调度和混合，边缘设备可以调度工业过程，以在不同时间使用能源系统的不同组成比例(例如，配置工业规划的电力管理组件，以在燃料、太阳能和/或传输的电力的组合下操作，以便以各种比例向工业过程供应电力)。
在实施例中，在基于AI的平台中，输出数据集指示由能源电网生成的能源的分数和由独立于能源电网操作的一组分布式能源生成的能源的分数。
在实施例中，在基于AI的平台中，输出数据集指示由可再生能源生成的能源的分数和由不可再生资源生成的能源的分数。
在实施例中，在基于AI的平台中，输出数据集指示针对一系列时间间隔中的每个间隔按类型划分的能源生成的分数。
在实施例中，在基于AI的平台中，输出数据集指示在一系列时间间隔的每个间隔期间与能源混合中的每种能源类型的能源生成相关联的碳生成。
在实施例中，在基于AI的平台中，输出数据集指示在一系列时间间隔的每个间隔期间与能源混合中的每种能源类型的能源生成相关联的碳排放。
在实施例中，至少一个边缘设备还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的至少一项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在实施例中，基于AI的平台包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的一项或多项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在实施例中，基于AI的平台包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的一项或多项：提供一个或多个能源消费者的能源消耗的视觉和/或分析指标，过滤能源数据；突出显示能源数据；或者调整能源数据。
在实施例中，基于AI的平台包括自适应能源数字孪生，自适应能源数字孪生被配置为通过以下各项中的一项或多项生成能源消耗的视觉和/或分析指标：至少一个机器；一个或多个工厂；或者车队中的一个或多个车辆。
在实施例中，在基于AI的平台中，至少一个边缘设备还被配置为执行以下各项中的一项或多项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在实施例中，在基于AI的平台中，数据基于一个或多个公共数据资源，公共数据资源包括以下各项中的一项或多项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源。
在实施例中，在基于AI的平台中，数据基于一个或多个企业数据资源，企业数据资源包括以下各项中的一项或多项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在实施例中，在基于AI的平台中，至少一个边缘设备包括至少一个基于AI的模型和/或算法，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的一项或多项：一个或多个人类标签和/或标记；与硬件和/或软件系统的一个或多个人类交互；一个或多个结果；一个或多个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在实施例中，在基于AI的平台中，至少一个边缘设备还被配置为协调向至少一个消耗点输送能源，并且能源输送包括以下各项中的一项或多项：一条或多条固定传输线；一个或多个无线能源传输实例；一个或多个燃料输送；或者一个或多个存储能源输送。
在实施例中，在基于AI的平台中，至少一个边缘设备还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，一个或多个能源相关事件包括以下各项中的一项或多项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在实施例中，在基于AI的平台中，至少一个边缘设备部署在离网环境中，并且离网环境包括以下各项中的一项或多项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在实施例中，在基于AI的平台中，一组边缘设备的至少一部分位于生成、存储、输送和/或使用能源的至少一个实体附近。
在实施例中，在基于AI的平台中，一组边缘设备提供关于生成、存储、输送和/或使用能源的至少一个实体的能源状态和/或能源流的信息。
在实施例中，在基于AI的平台中，一组边缘设备包含和/或治理一组传感器中的至少一个传感器，并且一组传感器与被配置为生成、存储、输送和/或使用能源的一组基础设施资产相关联。
与分布式能源和电力相关实体融合的能源和电网实体的智能协调系统
在实施例中，一种用于实现电力和能源的智能协调和管理的基于AI的平台包括：数据处理系统，数据处理系统被配置为将能源电网实体生成、存储、输送或消耗电网数据集的至少一个实体与离网能源实体生成、存储、输送和/或消耗数据集的至少一个实体融合。
例如，至少一个实体部署在离网环境中，并且离网环境包括以下各项中的一项或多项：离网能源生成系统、离网能源存储系统或离网能源调动系统。例如，离网实体可以包括开发、存储、运输和/或消耗由可再生能源供应的能源的住宅、移动房屋、营地等。离网实体可以至少部分地独立于电网。例如，燃料可以由一个或多个不依赖于电网的燃料管道或燃料运输车辆来输送。电力可以由一种或多种不依赖于电网的可再生能源输送，例如，太阳能电池板、太阳能发电场、风力涡轮机、水力发电设施或核电站。电力可以由不依赖于电网的一个或多个电力存储设施存储，例如，电池、电容器或燃料箱或管道。在一些情况下，一个或多个离网实体可以部分耦合到电网，例如，在生成、存储和/或输送的主要机制失效的情况下耦合到备用电源，或者耦合到用于执行辅助功能的电源，例如，监测或审计资源的状态或容量。在一些情况下，一个或多个离网实体可以完全独立于电网，例如，完全且专门由太阳能电池板场供电的制造厂。
基于AI的平台可以被配置为基于离网实体的特征将离网实体与各种其他实体耦合，例如，并网或离网能源发生器、能源存储器、能源传输和/或消费者。例如，能源来源可提供补充和/或应急能源生成、存储和/或运输设施，其可在离网可再生能源不能满足需求的情况下向离网实体提供电力。离网能源发生器和/或存储实体可以提供补充的和/或应急的能源生成、存储和/或运输设施，在能源电网和/或离网能源资源不能满足需求的情况下，这些设施可以向其他并网和/或离网实体提供电力。基于AI的平台可识别能源生成、存储和/或运输设施，这些设施可利用由一个或多个离网实体产生的超出这些离网实体的能源消耗需求的过剩电力。自适应能源数据管道可以基于离网环境的实体来协调能源电网资源的开发，例如，基于离网环境中的实体社区的发起、扩展、减少和/或崩溃来调整新能源工厂、存储设施和/或传输通道的容量、规模和/或开发。
在这些和其他场景中，基于AI的平台可以基于电网能源数据集与离网能源数据集的融合来制定离网实体与各种并网实体和/或其他离网实体之间的耦合的各种确定。例如，被确定为在并网能源数据内发生的活动模式可以与离网能源数据相结合、相比较、相对比、相聚集、相区分、相推断、相内插和/或相推断。类似地，被确定为在离网能源数据内发生的活动模式可以与离网能源数据相结合、相比较、相对比、相聚集、相区分、相推断、相内插和/或相推断。
例如，基于AI的平台可以识别并网能源数据和离网能源数据的共享特征，例如，能源生成、存储、运输、消耗、供应、需求、可预测性、效率、成本等的共享模式。这种共享特征可以使基于AI的平台能够对并网数据做出某些确定，这些数据在并网数据中不存在和/或不明显，但是在离网数据中存在和/或明显(例如，基于关于离网环境中的能源需求原因的可用数据，推断关于并网环境中的能源需求原因的缺失数据)。替代地或附加地，这样的共享特征可以使得基于AI的平台能够对离网数据做出某些确定，这些数据在并网数据中不存在和/或不明显，但是在并网数据中存在和/或明显(例如，基于关于在并网环境中的能源需求原因的可用数据，推断关于离网环境中的能源需求原因的缺失数据)。
作为另一个示例，基于AI的平台可以利用来自并网和离网能源存储解决方案的数据。并网能源存储解决方案可以采用大规模电池存储设施，而离网能源存储解决方案可以包括较小的模块化存储解决方案。通过使用来自两者的数据，基于AI的平台可以在各种使用场景下提取对电池性能和效率的见解，并确定在并网和离网能源存储解决方案之间优化电池使用的策略，确保更长的寿命和一致的性能。
作为另一个示例，基于AI的平台可以利用影响并网和离网能源生成策略的天气数据，特别是对于可再生能源。对于主要依赖太阳能发电场或风力涡轮机的并网环境，某些天气模式(例如，云量或风速)会直接影响能源生成。类似地，使用便携式太阳能电池板或小型风力涡轮机的离网设置也可能有相应的模式。通过使用并网和离网数据，基于AI的平台可以全面了解局部天气现象如何影响更广泛的能源生成策略。这可以使基于AI的平台能够进行更准确的预测，其中，举例来说，离网位置的天气数据可以提供附近更大的并网设置中潜在发电中断的早期指示。
作为另一个示例，基于AI的平台可以识别并网能源数据和离网能源数据之间的区别特征，例如，能源生成、存储、运输、消耗、供应、需求、可预测性、效率、成本等的共享模式。这种区别特征可以使基于AI的平台能够将特定的能源数据分类为与并网环境或离网环境之一相关联和/或具有其特征。此外，这种区别特征可以使基于AI的平台能够将来自并网环境的数据应用到离网环境。例如，基于AI的平台可以试图确定，如果工业过程从并网环境转移到离网环境，能源消耗将如何变化。基于AI的平台可以识别与并网环境中的工业过程的能源消耗相关联的数据，并基于先前对并网和离网工业过程之间的能源消耗差异的确定来适应该数据。基于AI的平台可以使用适应的数据来预测和/或规划工业过程对离网环境的适应。作为另一个示例，这种区别特征可以使基于AI的平台能够将特定的一个能源数据分类为与并网环境或离网环境之一相关联和/或具有其特征。此外，这种区别特征可以使基于AI的平台能够适应来自并网环境的数据，以应用到离网环境。类似地，基于AI的平台可以试图确定，如果工业过程从离网环境转移到并网环境，能源消耗将如何变化。基于AI的平台可以识别与离网环境中的工业过程的能源消耗相关联的数据，并基于先前对能源消耗在并网和离网工业过程之间如何趋于不同的确定来适应该数据。基于AI的平台可以使用适应的数据来预测和/或规划工业过程对电网环境的适应。
在实施例中，数据处理系统被配置为自动地将能源电网实体数据与离网能源实体数据进行时间对齐。
在实施例中，数据处理系统被配置为从一组边缘设备自动收集离网能源实体传感器数据，经由一组边缘设备控制一组离网能源实体。
在实施例中，数据处理系统被配置为自动归一化能源电网实体数据和离网能源实体数据，以便根据一组公共单元来呈现数据。
在实施例中，数据处理系统还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的至少一项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在实施例中，基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的至少一项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在实施例中，基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的至少一项：提供至少一个能源消费者的能源消耗的视觉和/或分析指标，过滤能源数据；突出显示能源数据；或者调整能源数据。
在实施例中，基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：至少一个机器；至少一个工厂；或者车队中的至少一个车辆。
在实施例中，数据处理系统还被配置为执行以下各项中的至少一项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在实施例中，基于AI的平台还包括至少一个基于AI的模型和/或算法，其中，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的至少一项：至少一个人类标签和/或标记；与硬件和/或软件系统的至少一个人类交互；至少一个结果；至少一个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在实施例中，数据处理系统还被配置为协调向至少一个消耗点输送能源，并且能源输送包括以下各项中的至少一项：至少一条固定传输线；至少一个无线能源传输实例；至少一个燃料输送；或者至少一个存储能源输送。
在实施例中，数据处理系统还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，至少一个能源相关事件包括以下各项中的至少一项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在实施例中，离网能源生成、存储和/或消耗数据集的至少一个实体部署在离网环境中，并且离网环境包括以下各项中的至少一项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在实施例中，数据处理系统还被配置为基于一组基础设施资产的能源生成、存储和/或消耗数据的数据集来智能协调和管理电力和/或能源，并且数据集至少部分由一组边缘设备中包含的和/或由其管理的一组传感器产生。
在实施例中，数据处理系统还被配置为管理以下各项中的至少一项：由一组分布式能源生成资源生成能源；由一组分布式能源存储资源存储能源；由一组分布式能源输送资源输送能源；或者由一组分布式能源消耗资源消耗能源。
在实施例中，数据处理系统还被配置为智能协调和管理一组实体的电力和/或能源，其中，一组实体包括以下各项中的至少一项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源。
在实施例中，数据处理系统还被配置为执行至少一种算法，算法对至少一个实体的能源消耗进行模拟，其中，模拟基于数据集，数据集包括至少一个实体的替代状态或事件参数，替代状态或事件参数反映替代消耗情况，并且算法访问需求响应模型，需求响应模型说明能源需求如何响应能源价格或消耗能源的操作或活动的价格的变化。
在实施例中，数据处理系统包括策略和治理引擎，策略和治理引擎被配置为将一组规则和/或策略部署到与至少一个实体进行本地通信的至少一个边缘设备，并且边缘设备被配置为基于规则和/或策略来治理至少一个实体。
在实施例中，数据处理系统包括分析系统，分析系统基于一组感测到的参数表示至少一个实体的一组操作参数和当前状态，一组感测到的参数由一组靠近至少一个实体的边缘设备生成，并且分析系统被配置为提供与至少一个实体或至少一个附加可用实体中的至少一个相关联的推荐。
在实施例中，数据处理系统包括人工智能系统，人工智能系统在历史数据集上进行训练，历史数据集涉及与至少一个实体相关联的操作过程的能源生成、存储和/或利用，并且数据处理系统还被配置为：分析操作过程的能源模式，以及基于当前状态和/或与至少一个实体相关联的信息，输出操作过程的能源需求预测。
用于输送异构能源和电力资源的智能协调系统
在实施例中，一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：一组自主协调系统，该自主协调系统用于基于以下各项改进将一组异构能源类型输送到消耗点：消耗点的位置，以及一组消费属性，消费属性包括以下各项中的至少一项：在消耗点处的峰值电力需求；在消耗点处的电力需求的连续性；以及能够在消耗点处使用的能源的类型。
例如，一组异构能源类型可以由以下两个或多个生成和/或存储：风力涡轮机、太阳能光伏(PV)、柔性和/或浮动太阳能系统、燃料电池、模块化核反应堆、核电池、模块化水力发电系统、微型涡轮机和涡轮机阵列、往复式发动机、燃气涡轮机和热电联产工厂等。分布式能源存储系统可以包括电池存储能源(包括化学电池等)、熔盐能源存储、电热能源存储(ETES)、基于重力的存储、压缩流体能源存储、泵送水电能源存储(PHES)和液态空气能源存储(LAES)。
例如，每种能源类型可以表现出特征的特定组合，例如，总能源可用性、峰值能源容量、激增能源容量、能源效率、能源泄漏、单位能源成本、能源稳定性(例如，对天气状况的敏感性)、能源可再生性以及碳基物质的生成和/或排放。类似地，各种类型的能源消耗可以与各种能源需求要求相关联，例如，峰值能源消耗、激增能源消耗、能源消耗效率、能源消耗可预测性、能源消耗优先级以及能源消耗生成和/或排放碳基物质。
在实施例中，该组协调系统基于将每个能源消费者和/或能源消耗实例与一组或多组异构能源类型相匹配，来改进向消耗点输送能源。例如，该组协调系统可以识别能源消费者，可以分析能源消费者的能源消耗模式，以确定能源消费者的各种能源需求要求，并且可以从该组异构能源类型中选择对应于能源需求要求的一种或多种所选择的能源类型。基于该选择，该组协调系统可以配置或重新配置能源消费者，以使用所选择的能源类型。例如，工业过程可能能够依靠燃料、太阳能或传输的电力运行。该组协调系统可以将每种能源类型的特征与工业过程的能源需求要求进行比较，以选择对应于工业过程的能源需求要求的一种或多种能源类型。该组协调系统然后可以配置工业过程，以使用所选择的一种或多种能源类型(例如，配置工业规划的电力管理组件以燃料、太阳能和/或传输的电力运行，以便向工业过程供电)。
作为另一个示例，该组协调系统可以识别整组能源消费者，可以分析整组能源消费者的能源消耗模式，以确定该组中每个能源消费者的各种能源需求要求，并且可以执行一组异构能源类型到能源消费者的能源需求要求的整体映射，其中，该映射将每个能源消费者与足以满足能源消费者的能源需求要求的一组异构能源类型中的选择相耦合，并且每个能源类型不会被过度分配，以服务多于该能源类型能够满足的能源消费者。
作为又一个示例，该组协调系统通过预测能源需求要求和分配资源来开发各种能源类型的新能源，改进了一组异类能源类型的输送。例如，该组协调系统可以确定能源需求要求的集合指示预测的和/或未满足的需求，例如，在极端天气事件的情况下预测的和/或当前未满足的激增容量，或者预测的和/或当前未满足的工业输出需求的增加。该组协调系统可以分配资源来开发附近能源来源，例如，附近能源工厂、附近太阳能电池板农场和/或附近燃料输送管道或车辆。在考虑分配资源以开发附近能源来源时，该组协调系统可以考虑各种能源类型的特征(例如，使用附近能源工厂、附近太阳能电池板农场和/或附近燃料输送管道或车辆中的每一个的优点和缺点)，并且可以将这些特征与预测的和/或未满足的能源需求的细节进行比较。该组协调系统可以基于该比较来调整开发资源的分配，使得附加能源来源为能源提供具有与预测的和/或未满足的能源需求的细节相匹配的特征。
作为又一个示例，该组协调系统可以考虑与各种能源类型相关联的能源存储容量，以确保可靠性和连续性。举例来说，该组协调系统可以集成能源存储解决方案，例如，用于间歇可再生能源(例如，太阳能和风能)的电池组。在高能源生成和低消耗的时期，存储多余的能源。相反，在高需求或低能源生成期间，释放存储的能源。因此，该组协调系统确保总有备用能源可用于满足需求。
作为又一个示例，对于可再生能源不完全可靠的位置，该组协调系统可以采用混合能源系统，混合能源系统结合了两个或多个能源生成方法，通常是可再生和传统燃料。该组协调系统可以主要使用可再生资源，但是当这些资源不足时，系统可以切换到传统燃料备份。该组协调系统可以管理这种转变，确保能源供应保持可靠。
在实施例中，一组自主协调系统协调将定义类型的能源生成容量输送到消耗点。
在实施例中，一组自主协调系统协调将定义类型的能源存储容量输送到消耗点。
在实施例中，至少部分地基于一组操作兼容性参数来确定能够使用的能源类型。
在实施例中，至少部分地基于一组治理参数来确定能够使用的能源类型。
在实施例中，一组治理参数涉及可再生能源的使用。
在实施例中，一组治理参数涉及碳生成或排放。
在实施例中，一组自主协调系统中的至少一个还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的至少一项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在实施例中，基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的至少一项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在实施例中，基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的至少一项：提供至少一个能源消费者的能源消耗的视觉和/或分析指标，过滤能源数据；突出显示能源数据；或者调整能源数据。
在实施例中，基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：至少一个机器；至少一个工厂；或者车队中的至少一个车辆。
在实施例中，一组自主编排系统中的至少一个还被配置为执行以下各项中的至少一项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在实施例中，至少一个消费属性基于至少一个公共数据资源，公共数据资源包括以下各项中的至少一项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源。
在实施例中，至少一个消费属性基于至少一个企业数据资源，企业数据资源包括以下各项中的至少一项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在实施例中，基于AI的平台还包括至少一个基于AI的模型和/或算法，其中，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的至少一项：至少一个人类标签和/或标记；与硬件和/或软件系统的至少一个人类交互；至少一个结果；至少一个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在实施例中，一组自主协调系统中的至少一个还被配置为协调向至少一个消耗点输送能源，并且能源输送包括以下各项中的至少一项：至少一条固定传输线；至少一个无线能源传输实例；至少一个燃料输送；或者至少一个存储能源输送。
在实施例中，一组自主协调系统中的至少一个还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，至少一个能源相关事件包括以下各项中的至少一项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在实施例中，一组自主编排系统中的至少一个部署在离网环境中，并且离网环境包括以下各项中的至少一项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在实施例中，一组自主协调系统还被配置为基于管理一组能源生成、存储和/或消耗工作负荷的一组规则和/或策略来确定一组异构能源类型的输送，并且规则和/或策略与一组边缘设备的配置相关联，一组边缘设备与一组能源生成设施、能源存储设施、能源输送设施或能源消耗系统进行本地数据通信操作。
在实施例中，一组自主协调系统还被配置为基于至少一个能源消费者的能源消耗模拟来确定一组异构能源类型的输送，模拟基于包括至少一个能源消费者中的至少一个的替代状态或事件参数的数据集，替代状态或事件参数反映替代消耗情况，并且模拟基于需求响应模型，需求响应模型说明能源需求如何响应于能源价格或消耗能源的操作或活动的价格的变化。
用于能源和电力管理的基于代理的智能协调系统
在实施例中，一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：智能代理，智能代理在与能源供应系统的专家交互的数据集上进行训练，其中，智能代理被训练成相对于至少一个能源目标和至少一个其他目标的优化生成至少一个推荐和/或指令。
例如，智能代理可以被配置为管理设备上的处理任务，例如，数据通信、计量、审计、报告、预测、策略评估和/或机器学习模型训练。处理任务可以与能源生成、能源存储、能源传输、能源消耗中的一个或多个相关联。智能代理可以被配置为基于优先级、价值和成本，以及基于能源策略，包括效率、可用性管理、成本控制、排放减少等，来调度这些处理任务。智能代理可以被配置为基于能源策略来管理处理任务。智能代理可以被配置为在设备之间迁移，以收集与能源策略相关的信息；与其他智能代理共享信息；将确定的策略应用于本地设备；和/或基于该策略管理设备上的处理任务。例如，第一智能代理可以被配置为应用与节能相关的能源策略，而第二智能代理可以被配置为应用与减排相关的能源策略。两个智能代理可以在一组分布式设备之间自由迁移，以收集与它们各自的策略相关的信息，并基于它们各自的策略调整每个设备的处理任务的执行。智能代理还可以相互交换信息(例如，当在同一设备上执行时)，以解决策略冲突，例如，通过智能代理的集合确定优先级的排序，和/或确定满足各种智能代理的策略的处理任务的调度。
在另一个示例中，智能代理可以被配置为使用预测分析来预测未来的能源需求。在本文中，智能代理可以预测高能源需求的时间，例如，在特定的工业过程或高峰时段。这使得智能代理能够进行主动调整，确保提前获取能源，以满足预测的需求。举例来说，如果智能代理预测到由于即将到来的工业操作导致的能源需求高峰，则可以主动地将多余的能源存储在电池中，或者请求增加来自电网的能源流入。
在又一个示例中，智能代理可以与高级传感器网络集成，以理解能源流、消耗模式和低效率。举例来说，如果工厂中的传感器检测到机器中增加的能源消耗(可能由于故障)，则智能代理可以建议维护和/或调整能源分布，以防止低效率。
例如，智能代理可以包括基于一个或多个试探法、目标、策略和/或规则处理输入和/或产生输出的软件组件。例如，智能代理可以被配置为评估能源过程，以测量、分析、描绘、总结、调整和/或提高能源效率。智能代理可以部署在一个或多个生成、存储、传输和/或消耗能源的设备上(例如，工业设施中的机器、例如，边缘设备的计算设备、车辆等)。智能代理可以被配置为分析能源生成、存储、传输和/或消耗，以确定设备的能源效率。基于该分析，智能代理可以被配置为调整设备的一个或多个操作属性，以便测量、分析和/或提高能效。
在实施例中，用户和/或管理过程可以为特定的一个或多个设备开发和/或部署智能代理。替代地或附加地，智能代理可以是便携的和/或移动的，并且可以在基础设施的设备之间自主地行进，以便追求一个或多个试探法、目标、策略和/或规则。例如，包括多个设备的工业设施中的智能代理可以自主地移动到工业设施的每个设备，以测量能源效率。在每个设备处，智能代理可以收集、存储、分析、总结、聚集和/或传输关于设备能效的数据。该信息可以集中存储(例如，在还包括由其他智能代理报告的数据的数据库中)。该信息可以报告给用户(例如，关于工业设施的设备的能源效率的报告，和/或基于收集的数据的用于提高工业设施的能源效率的建议)。
在实施例中，智能代理可以与其他智能代理通信。例如，智能代理的集合可以共享一组一个或多个试探法、目标、策略和/或规则，并且每个智能代理可以将一个或多个试探法、目标、策略和/或规则应用于工业设施的设备子集。智能代理可以相互传送收集的数据和/或分析结果(例如，为不同设备编译和/或比较收集的信息)。作为另一个示例，智能代理集合中的每个智能代理可以具有不同的一组一个或多个试探法、目标、策略和/或规则；例如，每个代理可以具有不同于其他智能代理的一个或多个启发、目标、策略和/或规则。例如，第一智能代理可以基于能源效率存储和使用一组一个或多个试探法、目标、策略和/或规则，而第二智能代理可以基于减少碳基物质的生成和/或排放存储和使用一组一个或多个试探法、目标、策略和/或规则。智能代理可以基于它们不同的试探法、目标、策略和/或规则集合，对如何调整各种设备的操作参数做出不同的决定。因此，智能代理可以相互通信，以确定与两个代理的启发、目标、策略和/或规则一致的每个设备的一组操作参数。这种通信可以包括各种协调过程，例如，协商、优先化、投票、共识、模拟等。
在实施例中，智能代理可以自主地运行，以追求一个或多个试探法、目标、策略和/或规则。例如，在每个设备处，智能代理可以自动调整设备的一个或多个操作属性，以便测量、分析和/或提高能效。替代地或附加地，智能代理可以生成并向用户(例如，工业设施的管理员)呈现一个或多个建议，用于调整一个或多个设备的操作属性。调整后的属性可以包括例如命令设备执行的工业过程的选择；设备执行的工业过程的操作特征的调整；要在设备上执行的一个或多个维护任务的选择；不满足一个或多个试探法、目标、策略和/或规则的设备的分析和/或停止运作；和/或用更能满足一个或多个试探法、目标、策略和/或规则的另一个设备替换该设备。
在实施例中，另一目标是企业的操作目标。
在实施例中，智能代理对来自一组边缘设备的状态数据进行操作，经由一组边缘设备控制一组能源生成资源。
在实施例中，智能代理对来自一组边缘设备的状态数据进行操作，经由一组边缘设备控制一组能源消耗资源。
在实施例中，智能代理对来自一组边缘设备的状态数据进行操作，经由边缘设备控制一组能源存储资源。
在实施例中，智能代理对来自一组边缘设备的状态数据进行操作，经由一组边缘设备控制一组能源输送资源。
在实施例中，智能代理还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的至少一项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在实施例中，基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的至少一项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在一些方面，本文描述的技术涉及一种在实施例中，基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的至少一项：提供至少一个能源消费者的能源消耗的视觉和/或分析指标，过滤能源数据；突出显示能源数据；或者调整能源数据。
在实施例中，基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：至少一个机器；至少一个工厂；或者车队中的至少一个车辆。
在实施例中，智能代理还被配置为执行以下各项中的至少一项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在实施例中，数据集基于至少一个公共数据资源，公共数据资源包括以下各项中的至少一项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源。
在实施例中，数据集基于至少一个企业数据资源，企业数据资源包括以下各项中的至少一项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在实施例中，智能代理基于训练数据集进行训练，并且训练数据集基于以下各项中的至少一项：至少一个人类标签和/或标记；与硬件和/或软件系统的至少一个人类交互；至少一个结果；至少一个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在实施例中，智能代理还被配置为协调向至少一个消耗点输送能源，并且能源输送包括以下各项中的至少一项：至少一条固定传输线；至少一个无线能源传输实例；至少一个燃料输送；或者至少一个存储能源输送。
在实施例中，智能代理还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，至少一个能源相关事件包括以下各项中的至少一项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在实施例中，智能代理部署在离网环境中，并且离网环境包括以下各项中的至少一项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在实施例中，智能代理位于生成、存储、输送和/或使用能源的至少一个实体附近。
在实施例中，智能代理提供关于生成、存储、输送和/或使用能源的至少一个实体的能源状态和/或能源流的信息。
在实施例中，智能代理管理一组传感器中的至少一个传感器，并且一组传感器与被配置为生成、存储、输送和/或使用能源的一组基础设施资产相关联。
用于定义域内的能源和电力管理的智能协调系统
在实施例中，一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：人工智能系统，人工智能系统在一组能源生成、能源存储、能源输送和/或能源消耗结果上进行，其中，人工智能系统被配置为：分析当前能源生成、当前能源存储、当前能源输送和/或当前能源消耗信息的数据集，以及提供包括满足定义域中的移动实体能源需求或固定位置能源需求两者的至少一个操作参数的推荐。
例如，能源生成、能源存储、能源输送和/或能源消耗结果可以基于一个或多个与能源相关的目标，例如，降低成本、提高能源效率、对组织过程的能源可用性进行优先排序、减少排放、转向可再生能源、在特定地理区域建立新的资源、进入新的市场、开发新产品、进行新的制造过程等。每个结果可以包括各种约束，例如，资源分配、时间框架或目标日期、里程碑计划表、量化目标的实现、成本/收益分析等。
该定义域可以包括各种边界，这些边界包括移动实体能源需求和固定位置能源需求。例如，该域可以包括地理边界，例如，特定大小、形状或身份的地理区域，以及在该地理边界内出现的所有移动和/或固定能源需求。该域可以包括设备类型边界(例如，特定设备类型的一组定义的设备)以及与这些设备相关联的能源需求。该域可以包括用户类型边界(例如，由一个或多个特定用户使用的一组定义的设备)以及与这些设备相关联的能源需求。该域可以包括组织边界(例如，由特定组织使用的一组定义的设备)以及与这些设备相关联的能源需求。该域可以包括任务边界，例如，与特定任务相关联的一组定义的设备(例如，收集世界各地的天气数据)以及与这些设备相关联的能源需求。该域可以包括行业边界(例如，与特定行业相关联的一组定义的设备)以及与这些设备相关联的能源需求。
移动实体能源需求可以包括具有移动特征的各种类型的需求。例如，移动实体能源需求可以包括移动设备的能源需求，例如，移动电话、平板电脑、可穿戴设备、车辆等。移动实体能源需求可以包括移动的特定个人的能源需求，例如，在不同位置使用一组固定终端的用户。移动实体能源需求可以包括移动的能源需求，例如，在不同时间不同地点出现的能源需求。
固定位置能源需求可以包括与固定位置相关联的各种类型的需求。例如，固定位置能源需求可以包括特定位置的一个或多个固定设备的能源需求，例如，工作站、终端、工业机器等。设备本质上可以是固定的(例如，不能合理地移动)；可以是移动的，但是固定在适当的位置(例如，锁定在固定位置的移动设备)；和/或可以与固定位置中的不动过程相关联(例如，部署在固定位置工业过程的永久服务中的移动机器)。固定位置能源需求可以包括静止的特定个体的能源需求，例如，仅在特定的固定位置(例如，具有气隙安全措施的安全设施)与设备交互的用户。固定位置能源需求可以包括不动的能源需求，例如，仅在指定的一组位置出现的能源需求。
在实施例中，人工智能系统被训练成提供包括至少一个操作参数的建议，该操作参数满足定义域中的移动实体能源需求或固定位置能源需求。例如，基于包括一个或多个移动设备和一个或多个固定位置设备的域，人工智能系统可以被配置为生成满足定义域中的移动实体能源需求或固定位置能源需求的能源的生成、存储和/或运输的推荐，例如，可以部署到一个或多个移动设备的当前或预测位置以及一个或多个固定位置设备的固定位置的便携式电源的推荐。替代地或附加地，人工智能系统可以被配置为生成提供电力计的推荐，该电力计能够检测一个或多个移动设备的当前或预测位置处以及一个或多个固定位置设备的固定位置处的能源使用。来自电力计的读数可以指示移动设备和固定位置设备的能源需求模式。替代地或附加地，人工智能系统可以被配置为生成开发能够向一个或多个移动设备的当前或预测位置以及一个或多个固定位置设备的固定位置供应电力的新能源的推荐，例如，在相应位置处的电源插座的构造、在每个相应位置处的太阳能电池板的部署、或互连相应位置以交换电力的连接电网或无线电力传输导管的开发。替代地或附加地，人工智能系统可以被配置为基于移动实体和固定位置实体的同时能源需求来生成动态电力分配的建议。举例来说，对于电动车辆(移动实体)和工业机械(固定位置实体)，人工智能系统可以动态地分配电力，确保充电站在高峰运输时间向车辆提供快速充电，同时在非高峰时段将电力转移到工业操作。
在实施例中，定义域包括定义的地理位置和定义的时间段。
在实施例中，至少一个操作参数指示用于一组能源生成资源的生成指令。
在实施例中，至少一个操作参数指示用于一组能源存储资源的存储指令。
在实施例中，至少一个操作参数指示用于一组能源输送资源的输送指令。
在实施例中，至少一个操作参数指示用于消耗能源的一组实体的消耗指令。
在实施例中，人工智能系统还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的至少一项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在实施例中，基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的至少一项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在实施例中，基于AI的平台，还包括自适应能源数字孪生自适应能源数字孪生被配置为执行以下各项中的至少一项：提供至少一个能源消费者的能源消耗的视觉和/或分析指标，过滤能源数据；突出显示能源数据；或者调整能源数据。
在实施例中，基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：至少一个机器；至少一个工厂；或者车队中的至少一个车辆。
在实施例中，人工智能系统还被配置为执行以下各项中的至少一项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在实施例中，数据集基于至少一个公共数据资源，至少一个公共数据资源包括以下各项中的至少一项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源。
在实施例中，数据集基于至少一个企业数据资源，至少一个企业数据资源包括以下各项中的至少一项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在实施例中，人工智能系统基于训练数据集进行训练，并且训练数据集基于以下各项中的至少一项：至少一个人类标签和/或标记；与硬件和/或软件系统的至少一个人类交互；至少一个结果；至少一个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在实施例中，人工智能系统还被配置为协调向至少一个消耗点输送能源，并且能源输送包括以下各项中的至少一项：至少一条固定传输线；至少一个无线能源传输实例；至少一个燃料输送；或者至少一个存储能源输送。
在实施例中，人工智能系统还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，至少一个能源相关事件包括以下各项中的至少一项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在实施例中，人工智能系统部署在离网环境中，并且离网环境包括以下各项中的至少一项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在实施例中，人工智能系统位于生成、存储、输送和/或使用能源的至少一个实体附近。
在实施例中，人工智能系统提供关于生成、存储、输送和/或使用能源的至少一个实体的能源状态和/或能源流的信息。
在实施例中，人工智能系统管理一组传感器中的至少一个传感器，并且一组传感器与被配置为生成、存储、输送和/或使用能源的一组基础设施资产相关联。
用于基于监测本地状况的能源和电力管理的智能协调系统
在实施例中，一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：人工智能系统，人工智能系统被配置为：分析监测的本地状况的数据集，以及生成一组分布式系统中的至少一个分布式系统的推荐配置，一组分布式系统中的每个分布式系统可被配置为生产能源和消耗能源，其中，配置使得至少一个分布式系统基于监测的本地状况产生和/或消耗能源。
在实施例中，人工智能系统配置组中的多个分布式系统，使得跨多个分布式系统满足一组汇总性能要求。
在实施例中，汇总性能要求是一组经济性能要求。
在实施例中，汇总性能要求是一组监管性能要求。
在实施例中，汇总性能要求与碳生成或排放有关。
在实施例中，汇总性能要求是一组消耗要求。
在实施例中，人工智能系统还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的至少一项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在实施例中，基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的至少一项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在实施例中，基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的至少一项：提供至少一个能源消费者的能源消耗的视觉和/或分析指标，过滤能源数据；突出显示能源数据；或者调整能源数据。
在实施例中，基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：至少一个机器；至少一个工厂；或者车队中的至少一个车辆。
在实施例中，人工智能系统还被配置为执行以下各项中的至少一项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在实施例中，数据集基于至少一个公共数据资源，公共数据资源包括以下各项中的至少一项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源。
在实施例中，数据集基于至少一个企业数据资源，企业数据资源包括以下各项中的至少一项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在实施例中，人工智能系统还被配置为协调向至少一个消耗点输送能源，并且能源输送包括以下各项中的至少一项：至少一条固定传输线；至少一个无线能源传输实例；至少一个燃料输送；或者至少一个存储能源输送。
在实施例中，人工智能系统还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，至少一个能源相关事件包括以下各项中的至少一项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在实施例中，人工智能系统部署在离网环境中，并且离网环境包括以下各项中的至少一项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
在实施例中，人工智能系统基于训练数据集进行训练，并且训练数据集基于以下各项中的至少一项：至少一个人类标签和/或标记；与硬件和/或软件系统的至少一个人类交互；至少一个结果；至少一个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在实施例中，人工智能系统位于生成、存储、输送和/或使用能源的至少一个实体附近。
在实施例中，人工智能系统提供关于生成、存储、输送和/或使用能源的至少一个实体的能源状态和/或能源流的信息。
在实施例中，人工智能系统管理一组传感器中的至少一个传感器，并且一组传感器与被配置为生成、存储、输送和/或使用能源的一组基础设施资产相关联。
用于边缘联网设备和分布式能源实体的能源和电力管理的智能协调系统
在实施例中，一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：一组自适应自主数据处理系统，该自适应自主数据处理系统用于从一组边缘联网设备收集和传输能源数据，经由一组边缘联网设备控制一组分布式能源实体，其中，数据处理系统基于训练数据集进行训练，以识别指示一组分布式能源实体的至少一个能源模式的一组事件和/或信号。
在实施例中，自适应自主数据处理系统和/或边缘联网设备被配置为基于历史、当前和/或预测的能源生成、存储、传输和/或消耗的模式来检测、确定、存储、接收和/或传输一组事件和/或信号。例如，自适应自主数据处理系统和/或边缘联网设备可以被配置为基于不同时间段的历史、当前和/或预测能源供应和/或需求的模式来存储事件和/或信号。因此，自适应自主数据处理系统可以被配置为分析从边缘联网设备收集的信息，以确定在每个时间段内发生的能源供应和/或需求的模式。此外，自适应自主数据处理系统可以被配置为调整边缘联网设备的信息收集(例如，指示边缘联网设备在能源需求高和/或模拟能源需求的精度非常重要的较短时间段内，以及在能源需求低和/或模拟能源需求的精度不重要的较长时间段内收集和/或传输信息)。替代地或附加地，自适应自主数据处理系统可以被配置为指示边缘联网设备调整由其控制的分布式能源实体的操作参数(例如，指示边缘联网设备在能源需求高的时段期间使分布式能源实体生成、存储和/或输送更多的电力，或者消耗更少的电力，并且指示边缘联网设备在能源需求低的时段期间使分布式能源实体生成、存储和/或输送更少的电力，或者消耗更多的电力)。
作为另一个示例，自适应自主数据处理系统和/或边缘联网设备可以被配置为基于历史、当前和/或预测的能源供应和/或需求的模式，考虑到一组实体中的每个实体的数据收集的变化粒度(例如，在高消耗实体上收集的大量数据以及在低消耗实体上收集的稀疏数据)，来存储事件和/或信号。因此，自适应自主数据处理系统可以被配置为分析从边缘联网设备收集的信息，以基于收集的数据确定每个消费实体的能源供应和/或需求的模式。此外，自适应自主数据处理系统可以被配置为调整边缘联网设备的信息收集(例如，指示边缘联网设备收集和/或传输与高消耗实体相关联的更丰富的数据以及收集和/或传输与低消耗实体相关联的更稀疏的数据)。替代地或附加地，自适应自主数据处理系统可以被配置为指示边缘联网设备调整由其控制的分布式能源实体的操作参数(例如，指示边缘联网设备使高消耗分布式能源实体在能源可用性高的时段期间消耗更多电力，和/或指示边缘联网设备使高消耗分布式能源实体在能源可用性低的时段期间消耗更少电力)。
作为另一个示例，自适应自主数据处理系统和/或边缘联网设备可以被配置为基于历史、当前和/或预测的能源供应和/或需求的模式，考虑到一组能源使用类型中的每个能源使用类型的数据收集的变化粒度(例如，在高消耗过程上收集的大量数据以及在低消耗过程上收集的稀疏数据)，来存储事件和/或信号。因此，自适应自主数据处理系统可以被配置为分析从边缘联网设备收集的信息，以基于收集的数据确定每个过程的能源供应和/或需求的模式。此外，自适应自主数据处理系统可以被配置为调整边缘联网设备的信息收集(例如，指示边缘联网设备收集和/或传输与高消耗过程相关联的更丰富的数据以及收集和/或传输与低消耗过程相关联的更稀疏的数据)。替代地或附加地，自适应自主数据处理系统可以被配置为指示边缘联网设备调整由其控制的分布式能源实体的操作参数(例如，指示边缘联网设备在能源可用性高的时段期间调度高消耗过程的性能，和/或指示边缘联网设备在能源可用性低的时段期间避免调度高消耗过程的性能)。
在实施例中，基于训练数据集训练自适应自主数据处理系统，以识别指示至少一个能源模式的一组事件和/或信号。例如，训练可以包括基于能源模式的训练数据集训练一个或多个机器学习模型。训练数据集的至少一部分可以包括带标签的训练数据集(例如，指示能源使用度量的数据集以及指示能源使用模式的一个或多个标签，例如，与高效能源使用相关联的标签和与低效能源使用相关联的标签)。训练数据可以由边缘联网设备标记；适应性自主数据处理系统；或者由诸如用户或另一进程等第三方来执行。自适应自主数据处理系统可以使用标记的训练数据集来训练机器学习模型，以分析能源生成、存储、运输和/或消耗的测量作为输入，并生成指示模式表示有效能源使用还是无效能源使用的标签作为输出。替代地或附加地，训练数据集的至少一部分可以包括未标记的数据(例如，指示能源使用的数据集，但是没有指示能源使用模式的标记)。自适应自主数据处理系统可以应用无监督训练技术(例如，聚类)来在未标记数据内确定与高效能源使用相关联的一个或多个能源使用模式和/或与低效能源使用相关联的一个或多个能源使用模式。
在实施例中，自适应自主数据处理系统被配置为基于能源使用模式的确定来生成各种类型的建议。例如，自适应自主数据处理系统可以被配置为向一个或多个实体(例如，政府、公司、组织、用户等)和/或设备(例如，服务器、工业设备、车辆、移动设备等)生成包括能源使用模式的度量和/或定性评估的建议。替代地或附加地，自适应自主数据处理系统可以被配置为生成包括存储在一个或多个数据库、数据仓库、集中式或分布式分类帐等中的能源使用模式的度量和/或定性评估的建议。替代地或附加地，自适应自主数据处理系统可以被配置为生成包括通过各种维度对能源使用模式的聚集度量和/或定性评估(例如，时间(例如，在一天、一月、一季或一年的时间段内的周期性报告)、源(例如，加工厂中的各种机器的报告)、能源使用类型(例如，各种机器的不同类型的能源使用的报告)、关联区域(例如，区域的各种位置中的能源模式的报告)等)的建议。替代地或附加地，自适应自主数据处理系统可以被配置为生成包括能源使用模式的警报的建议(例如，基于检测和/或确定能源使用模式已经超过能源使用阈值的建议，例如，一段时间内最大能源消耗的目标、目的和/或上限)。替代地或附加地，自适应自主数据处理系统可以被配置为基于能源使用模式的测量和/或定性评估(例如，基于检测到的和/或确定的能源使用模式来调度制造厂内的机器的操作)来生成建议，以指示至少一个边缘联网设备来改变一件或多件设备和/或过程的操作。替代地或附加地，自适应自主数据处理系统可以被配置为基于分布式能源实体内各种组件的能源使用模式来生成预测性维护的建议。举例来说，特定机器的能源消耗的突然或持续增加可能指示潜在地由于部件磨损引起的故障，并且在这种情况下，建议可包括主动维护的指导，以避免代价高昂的停机时间。替代地或附加地，自适应自主数据处理系统可以被配置为生成能源利用的建议。举例来说，通过分析模式，系统可以确定诸如太阳能或风能等某些可再生能源不太可靠的时段，并且可以相应地建议在这些时段使用替代能源，以确保稳定的能源供应。
在实施例中，一组分布式能源实体包括至少一种能源生成资源。
在实施例中，一组分布式能源实体包括至少一个能源消耗实体。
在实施例中，一组分布式能源实体包括至少一个能源存储资源。
在实施例中，一组分布式能源实体包括至少一个能源输送资源。
在实施例中，训练数据集包括与经由边缘联网设备控制的实体类似的一组实体的历史能源生成数据。
在实施例中，训练数据集包括与经由边缘联网设备控制的实体类似的一组实体的历史能源消耗数据。
在实施例中，训练数据集包括与经由边缘联网设备控制的实体类似的一组实体的历史能源输送数据。
在实施例中，训练数据集包括与经由边缘联网设备控制的实体类似的一组实体的历史能源存储数据。
在实施例中，至少一个自适应自主数据处理系统还被配置为适应通过网络和/或通信系统的数据传输，其中，适应基于以下各项中的至少一项：拥塞状况；延迟和/或时延状况；丢包状况；失误率状况；运输成本状况；服务质量(QoS)状况；使用状况；市场因素状况；或者用户配置状况。
在实施例中，基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生表示以下各项中的至少一项：能源利益相关者实体；能源分布资源；利益相关者信息技术；网络基础设施实体；能源相关的利益相关者生产设施；利益相关者运输系统；市场状况；或者能源使用优先状况。
在实施例中，基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生被配置为执行以下各项中的至少一项：提供至少一个能源消费者的能源消耗的视觉和/或分析指标，过滤能源数据；突出显示能源数据；或者调整能源数据。
在实施例中，基于AI的平台还包括自适应能源数字孪生，自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：至少一个机器；至少一个工厂；或者车队中的至少一个车辆。
在实施例中，至少一个自适应自主数据处理系统还被配置为执行以下各项中的至少一项：提取能源相关数据；检测和/或校正能源相关数据中的误差；转换、转化、归一化和/或清洁能源相关数据；解析能源相关数据；检测能源相关数据中的模式、内容和/或对象；压缩能源相关数据；流式传输能源相关数据；过滤能源相关数据；加载和/或存储能源相关数据；路由和/或传输能源相关数据；或者维护能源相关数据的安全性。
在实施例中，能源边缘集基于至少一个公共数据资源，公共数据资源包括以下各项中的至少一项：天气数据资源；卫星数据资源；人口普查、人口、人口统计和/或心理数据资源；市场数据资源；或者电子商务数据资源。
在实施例中，能源边缘集基于至少一个企业数据资源，至少一个企业数据资源包括以下各项中的至少一项：资源规划数据；销售和/或营销数据；财务规划数据；需求规划数据；供应链数据；采购数据；定价数据；客户数据；产品数据；或者运营数据。
在实施例中，基于AI的平台还包括至少一个基于AI的模型和/或算法，其中，至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且训练数据集基于以下各项中的至少一项：至少一个人类标签和/或标记；与硬件和/或软件系统的至少一个人类交互；至少一个结果；至少一个AI生成的训练数据样本；监督学习训练过程；半监督学习训练过程；或者深度学习训练过程。
在实施例中，至少一个自适应自主数据处理系统还被配置为协调向至少一个消耗点输送能源，并且能源输送包括以下各项中的至少一项：至少一条固定传输线；至少一个无线能源传输实例；至少一个燃料输送；或者至少一个存储能源输送。
在实施例中，至少一个自适应自主数据处理系统还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，至少一个能源相关事件包括以下各项中的至少一项：能源采购和/或销售事件；与能源采购和/或销售事件相关联的服务费；能源消耗事件；能源生成事件；能源分布事件；能源存储事件；碳排放产生事件；碳排放减少事件；可再生能源额度事件；污染产生事件；或者污染减少事件。
在实施例中，至少一个自适应自主数据处理系统部署在离网环境中，并且离网环境包括以下各项中的至少一项：离网能源生成系统；离网能源存储系统；或者离网能源调动系统。
神经网络示例
前述神经网络可以具有各种节点或神经元，其可以对输入(例如，从传感器或其他数据源(包括其他节点)接收的输入)执行各种功能。函数可以涉及权重、特征、特征矢量等。神经元可以包括感知器、模拟生物功能(例如，人类的触觉、视觉、味觉、听觉和嗅觉)的神经元等。例如，具有S型激活的连续神经元可用于各种形式的神经网络的上下文中，例如，在涉及反向传播的情况下。
在许多实施例中，专家系统或神经网络可以例如由人类操作员或监督者或者基于数据集、模型等进行训练。训练可以包括向神经网络呈现一个或多个训练数据集，该一个或多个训练数据集表示值，例如，传感器数据、事件数据、参数数据和其他类型的数据(包括在本公开中描述的许多类型)以及结果的一个或多个指标，例如，过程的结果、计算的结果、事件的结果、活动的结果等。训练可以包括优化中的训练，例如，训练神经网络，以基于一种或多种优化方法来优化一个或多个系统，例如，贝叶斯方法、参数贝叶斯分类器方法、k最近邻分类器方法、迭代方法、插值方法、帕累托优化方法、算法方法等。可以在变化和选择过程中提供反馈，例如，利用遗传算法，该遗传算法基于通过一系列轮次的反馈演变出一个或多个解决方案。
在实施例中，多个神经网络可以部署在云平台中，该云平台接收在一个或多个能源边缘环境中收集(例如，由移动数据收集器)并通过一个或多个网络传输到云平台的数据流和其他输入，包括使用网络编码来提供高效传输。在云平台中，可选地使用大规模并行计算能力，各种类型(包括模块化形式、结构自适应形式、混合形式等)的多个不同神经网络可用于承担预测、分类、控制功能，并提供如结合在本公开中公开的专家系统所描述的其他输出。不同的神经网络可以被构造成彼此竞争(可选地包括使用演变算法、遗传算法等)，使得具有适当输入集、权重、节点类型和函数等的适当类型的神经网络可以例如由专家系统选择，用于给定上下文、工作流、环境过程、系统等中涉及的特定任务。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用前馈神经网络，该前馈神经网络在一个方向上移动信息，例如，从数据输入(例如，与至少一个资源相关的数据源或与交易环境相关的参数，例如，在本公开中提及的任何数据源)通过一系列神经元或节点移动到输出。数据可以从输入节点移动到输出节点，可选地通过一个或多个隐藏节点，而无需循环。在实施例中，前馈神经网络可以用各种类型的单元来构建，例如，二进制McCulloch-Pitts神经元，其中最简单的是感知器。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用胶囊神经网络，例如，用于关于交易环境的预测、分类或控制功能，例如，与在本公开中描述的机器和自动化系统中的一个或多个有关。
在实施例中，本文所述的涉及专家系统或自组织能力的方法和系统可以使用径向基函数(RBF)神经网络，这在涉及多维空间中的插值的一些情况下可能是优选的(例如，插值有助于优化多维函数的情况，例如，用于优化如本文所述的数据市场，优化发电系统、工厂系统等的效率或输出，或涉及多维的其他情况)。在实施例中，RBF神经网络中的每个神经元将来自训练集的示例存储为“原型”。该神经网络的功能中涉及的线性为RBF提供了通常不会遭受局部最小值或最大值问题的优点。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用径向基函数(RBF)神经网络，例如，采用相对于中心的距离准则(例如，高斯函数)的神经网络。径向基函数可以被应用为多层感知器中的隐藏层(例如，S型隐藏层转移)的替代。RBF网络可以具有两个层，例如，其中，输入被映射到隐藏层中的每个RBF上。在实施例中，输出层可以包括表示例如平均预测输出的隐藏层值的线性组合。输出层值可以提供与统计中的回归模型的输出相同或相似的输出。在分类问题中，输出层可以是隐藏层值的线性组合的S型函数，表示后验概率。这两种情况下的性能通常通过收缩技术来提高，例如，经典统计中的岭回归。这对应于贝叶斯框架中对小参数值(以及因此平滑输出函数)的先验信念。RBF网络可以避免局部极小值，因为在学习过程中仅仅进行调整的参数是从隐藏层到输出层的线性映射。线性确保误差曲面是二次的，因此具有单个最小值。在回归问题中，这可以在一个矩阵运算中找到。在分类问题中，可以使用迭代重新加权的最小二乘函数等来处理由S型输出函数引入的固定非线性。
RBF网络可以使用核方法，例如，支持矢量机(SVM)和高斯过程(其中，RBF是核函数)。非线性核函数可以用于将输入数据投影到可以使用线性模型解决学习问题的空间中。
在实施例中，RBF神经网络可以包括输入层、隐藏层以及求和层。在输入层中，在每个预测变量的输入层中出现一个神经元。在分类变量的情况下，使用N-1个神经元，其中，N是类别的数量。在实施例中，输入神经元可以通过减去中值并除以四分位数间距来对值范围进行归一化。然后，输入神经元可以将值馈送到隐藏层中的每个神经元。在隐藏层中，可以使用可变数量的神经元(由训练过程确定)。每个神经元可以由径向基函数组成，该径向基函数以具有与预测变量的数量一样多的维度的点为中心。RBF函数的扩展(例如，半径)对于每个维度可以是不同的。中心和扩展可以通过训练来确定。当呈现来自输入层的输入值的矢量时，隐藏神经元可以计算测试用例距神经元中心点的欧几里得距离，然后，将RBF核函数应用于该距离，例如，使用扩展值。然后，可以将所得值传递到求和层。在求和层中，来自隐藏层中的神经元的值可以乘以与该神经元相关联的权重，并且可以与其他神经元的加权值相加。该和成为输出。对于分类问题，为每个目标类别产生一个输出(具有单独的一组权重和求和单元)。类别的值输出是正在评估的案例具有该类别的概率。在RBF的训练中，可以确定各种参数，例如，隐藏层中的神经元的数量、每个隐藏层函数的中心的坐标、每个函数在每个维度中的扩展以及当传递到求和层时应用于输出的权重。训练可以通过聚类算法(例如，k均值聚类)、演变方法等来使用。
在实施例中，递归神经网络可以具有时变的实值(不仅仅是零或一)激活(输出)。每个连接可以具有可修改的实值权重。一些节点被称为标记节点，一些节点被称为输出节点，其他节点被称为隐藏节点。对于离散时间设置中的监督学习，实值输入矢量的训练序列可以成为输入节点的激活序列，一次一个输入矢量。在每个时间步长，每个非输入单元可以计算其当前激活，作为从其中接收连接的所有单元的激活的加权和的非线性函数。系统可以在某些时间步长显式地激活(独立于输入信号)一些输出单元。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用自组织神经网络(例如，Kohonen自组织神经网络)，例如，用于数据视图(例如，高维数据的低维视图)的可视化。自组织神经网络可以将竞争性学习应用于例如来自一个或多个传感器的一组输入数据或来自交易环境或与交易环境相关联的其他数据输入，包括与交易环境相关的任何机器或组件。在实施例中，自组织神经网络可以用于识别数据中的结构，例如，未标记的数据，例如，从交易环境周围的一系列数据源或在交易环境中或周围的传感器感测的数据中，其中，数据的源是未知的(例如，其中，事件可能来自一系列未知源中的任何一个未知源)。自组织神经网络可以组织数据中的结构或模式，使得可以识别、分析和标记这些结构或模式，例如，将市场行为结构识别为对应于其他事件和信号。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用递归神经网络，该递归神经网络可以允许双向数据流，例如，其中，连接的单元(例如，神经元或节点)形成定向循环。这种网络可以用于建模或显示动态时间行为，例如，涉及动态系统，例如，在本公开中描述的各种自动化系统、机器和设备，例如，出于收集数据、测试现货市场交易、执行交易等目的与市场交互的自动化代理，其中，动态系统行为涉及用户可能期望理解、预测、控制和/或优化的复杂交互。例如，递归神经网络可以用于预测市场的状态，例如，涉及动态过程或动作的状态，例如，在交易环境的市场中交易的或实现交易环境的市场的资源的状态的变化。在实施例中，递归神经网络可以使用内部存储器来处理本文描述的各种类型的输入序列，例如，来自其他节点和/或来自传感器的输入序列以及来自或关于交易环境的其他数据输入。在实施例中，递归神经网络还可以用于模式识别，例如，用于基于行为签名、简档、一组特征矢量(例如，在音频文件或图像中)等来识别机器、组件、代理或其他物品。在非限制性示例中，递归神经网络可以通过学习从训练数据集对市场或机器的操作模式中的转变进行分类，来识别该转变，训练数据集由来自应用于一个或多个资源或围绕一个或多个资源的传感器的一个或多个数据源的数据流组成。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用模块化神经网络，该模块化神经网络可以包括由中间设备调节的一系列独立神经网络(例如，本文描述的各种类型的神经网络)。模块化神经网络中的每个独立神经网络可以利用单独的输入工作，完成构成模块化网络作为整体旨在执行的任务的子任务。例如，模块化神经网络可以包括用于模式识别的递归神经网络，例如，识别由一个或多个传感器感测到的机器或系统的什么类型，传感器作为输入通道提供给模块化网络以及用于一旦被理解就优化机器或系统的行为的RBF神经网络。中间设备可以接受各个神经网络中的每一个的输入，处理这些输入，并为模块化神经网络创建输出，例如，适当的控制参数、状态预测等。
本文描述的各种神经网络类型的对、三元组或更大组合中的任一个之间的组合包含在本公开中。这可以包括这种组合，其中，专家系统使用一个神经网络来识别模式(例如，指示问题或故障状况的模式)，并且使用不同的神经网络来基于所识别的模式自组织活动或工作流(例如，响应于所识别的状况或模式来提供管理系统的自主控制的输出)。这还可以包括这种组合，其中，专家系统使用一个神经网络来对物品进行分类(例如，识别机器、组件或操作模式)，并且使用不同的神经网络来预测物品的状态(例如，故障状态、操作状态、预期状态、维护状态等)。模块化神经网络还可以包括这种情况，其中，专家系统使用一个神经网络来确定状态或上下文(例如，机器、过程、工作流、市场、存储系统、网络、数据收集器等的状态)，并且使用不同的神经网络来自组织涉及状态或上下文的过程(例如，数据存储过程、网络编码过程、网络选择过程、数据市场过程、发电过程、制造过程、细化过程、挖掘过程、钻孔过程或本文描述的其他过程)。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用物理神经网络，其中，一个或多个硬件元件用于执行或模拟神经行为。在实施例中，一个或多个硬件神经元可以被配置为流式传输表示传感器数据的电压值、电流值等，例如，用于计算来自模拟传感器输入的表示能源消耗、能源产生等的信息，例如，通过为一个或多个交易提供能源或消耗能源的一个或多个机器。一个或多个硬件节点可以被配置为流式传输由神经网络的活动产生的输出数据。可以提供硬件节点，这些硬件节点可以包括一个或多个芯片、微处理器、集成电路、可编程逻辑控制器、专用集成电路、现场可编程门阵列等，以优化产生或消耗能源的机器，或者优化本文所述的任何类型的神经网络的某个部分的另一参数。硬件节点可以包括用于加速计算的硬件(例如，用于对输入数据执行基本或更复杂的计算以提供输出的专用处理器、用于过滤或压缩数据的专用处理器、用于解压缩数据的专用处理器、用于压缩特定文件或数据类型的专用处理器(例如，用于处理图像数据、视频流、声学信号、热图像、热图等)等。物理神经网络可以体现在数据收集器中，包括可以通过以变化的配置切换或路由输入来重新配置的数据收集器，例如，以在数据收集器内提供用于处理不同类型的输入的不同神经网络配置(其中，可选地在专家系统的控制下的切换和配置，该专家系统可以包括位于数据收集器上或远程的基于软件的神经网络)。物理或至少部分物理的神经网络可以包括位于存储系统中的物理硬件节点，例如，用于将数据存储在机器、数据存储系统、分布式分类账、移动设备、服务器、云资源内或者在交易环境中，例如，用于加速向神经网络提供数据或从神经网络获取数据的一个或多个存储元件的输入/输出功能。物理或至少部分物理的神经网络可以包括位于网络中的物理硬件节点，例如，用于在能源边缘环境内传输数据、向能源边缘环境传输数据或从能源边缘环境传输数据，例如，用于加速到网络中的一个或多个网络节点的输入/输出功能、加速中继功能等。在物理神经网络的实施例中，电可调电阻材料可用于模拟神经突触的功能。在实施例中，物理硬件模拟神经元，并且软件模拟神经元之间的神经网络。在实施例中，神经网络补充了传统算法计算机。神经网络是通用的，并且可以进行训练，以执行适当的功能，而不需要任何指令，例如，分类功能、优化功能、模式识别功能、控制功能、选择功能、演变功能等。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用多层前馈神经网络，例如，用于一个或多个物品、现象、模式、状态等的复杂模式分类。在实施例中，多层前馈神经网络可以通过优化技术(例如，遗传算法)进行训练，例如，探索大且复杂的选项空间，以找到最优或次优的全局解决方案。例如，可以使用一个或多个遗传算法来训练多层前馈神经网络，以对复杂现象进行分类，例如，识别机器的复杂操作模式，例如，涉及机器之间的复杂相互作用的模式(包括干扰效应、共振效应等)、涉及非线性现象的模式、涉及关键故障的模式，例如，其中，发生多个同时故障，使得根本原因分析变得困难等。在实施例中，多层前馈神经网络可以用于对来自市场的监测的结果进行分类，例如，在市场内操作的监测系统(例如，自动化代理)以及支持市场的监测资源，例如，计算、联网、能源、数据存储、能源存储和其他资源。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用前馈、反向传播多层感知器(MLP)神经网络，例如，用于处理一个或多个遥感应用，例如，用于从分布在各种交易环境中的传感器获取输入。在实施例中，MLP神经网络可以用于交易环境和资源环境的分类，例如，借贷市场、现货市场、远期市场、能源市场、可再生能源额度(REC)市场、联网市场、广告市场、频谱市场、票务市场、奖励市场、计算市场和在本公开中提及的其他市场以及产生这些市场的物理资源和环境，例如，能源资源(包括可再生能源环境、采矿环境、勘探环境、钻井环境等，包括地质结构的分类(包括地下特征和地上特征)、材料(包括流体、矿物、金属等)的分类等问题。这可能包括模糊分类。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用结构自适应神经网络，其中，神经网络的结构进行调整，例如，基于规则、感测的状况、上下文参数等。例如，如果神经网络在一定量的训练之后作用于一组输入时没有收敛于解决方案，例如，对物品进行分类或得出预测，则可以修改神经网络，例如，从前馈神经网络修改为递归神经网络，例如，通过将节点的一些子集之间的数据路径从单向数据路径切换为双向数据路径。结构适应可以在专家系统的控制下发生，例如，在触发、规则或事件发生时触发适应，例如，识别阈值的发生(例如，在给定时间量内没有收敛到解)或识别需要不同或附加结构的现象(例如，识别系统动态地或以非线性方式变化)。在一个非限制性示例中，专家系统可以在接收到无级变速器用于驱动被分析的系统中的发电机、涡轮机等的指示时，从简单的神经网络结构(例如，前馈神经网络)切换到更复杂的神经网络结构(例如，递归神经网络、卷积神经网络等)。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用自动编码器、自动关联器或空竹神经网络，其可以类似于多层感知器(MLP)神经网络，例如，其中，可以存在输入层、输出层以及连接输入层和输出层的一个或多个隐藏层。然而，自动编码器中的输出层可以具有与输入层相同数量的单元，其中，MLP神经网络的目的是重构其自身的输入(而不仅仅是排放目标值)。因此，自动编码器可以作为无监督学习模型来操作。自动编码器可以例如用于有效编码的无监督学习，例如，用于降维、用于学习数据的生成模型等。在实施例中，自动编码神经网络可用于自学习有效网络编码，用于通过一个或多个网络传输来自机器的模拟传感器数据或来自一个或多个数据源的数字数据。在实施例中，自动编码神经网络可用于自学习用于存储数据流的有效存储方法。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用概率神经网络(PNN)，该概率神经网络在实施例中可以包括多层(例如，四层)前馈神经网络，其中，层可以包括输入层、隐藏层、模式/求和层和输出层。在PNN算法的实施例中，可以例如通过Parzen窗口和/或非参数函数来近似每个类别的父概率分布函数(PDF)。然后，使用每个类别的PDF，估计新输入的类概率，并且可以采用贝叶斯规则，例如，将其分配给具有最高后验概率的类别。PNN可以体现贝叶斯网络，并且可以使用统计算法或分析技术，例如，核Fisher判别分析技术。在本文公开的广泛实施例中的任何实施例中，PNN可以用于分类和模式识别。在一个非限制性示例中，概率神经网络可用于根据从发动机的传感器和仪器收集数据输入来预测发动机的故障状况。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用时延神经网络(TDNN)，该时延神经网络可以包括用于识别独立于序列位置的特征的序列数据的前馈架构。在实施例中，为了考虑数据中的时移，将延迟添加到一个或多个输入，或者在一个或多个节点之间，使得多个数据点(来自不同的时间点)一起分析。时间延迟神经网络可以形成更大的模式识别系统的一部分，例如，使用感知器网络。在实施例中，可以利用监督学习来训练TDNN，例如，其中，利用反向传播或在反馈下训练连接权重。在实施例中，TDNN可用于处理来自不同流(例如，速度数据流、加速度数据流、温度数据流、压力数据流等)的传感器数据，其中，时间延迟用于在时间上对齐数据流，例如，以帮助理解涉及对各种流的理解的模式(例如，现货或远期市场中的价格模式的变化)。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用卷积神经网络(在一些情况下被称为CNN、ConvNet、移位不变神经网络或空间不变神经网络)，其中，单元以类似于人脑的视觉皮层的模式连接。神经元可以对被称为感受野的受限空间区域中的刺激做出反应。感受野可以部分重叠，使得感受野共同覆盖整个(例如，视觉)场。可以数学地计算节点响应，例如，通过卷积运算，例如，使用使用最小预处理的多层感知器。卷积神经网络可以用于图像和视频流内的识别，例如，用于使用设置在移动数据收集器(例如，无人机或移动机器人)上的相机系统来识别大型环境中的机器类型。在实施例中，卷积神经网络可用于基于数据输入(包括传感器输入和其他上下文信息)提供推荐，例如，为移动数据收集器推荐路线。在实施例中，卷积神经网络可以用于处理输入，例如，用于由环境中的工作流中涉及的一方或多方提供的指令的自然语言处理。在实施例中，卷积神经网络可以部署有大量神经元(例如，100,000、500,000或更多)、多个(例如，4、5、6或更多)层以及许多(例如，数百万)参数。卷积神经网络可以使用一个或多个卷积网络。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用调节反馈网络，例如，用于识别紧急现象(例如，在交易环境中先前不理解的新类型的行为)。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用涉及无监督学习的自组织映射(SOM)。一组神经元可以学习将输入空间中的点映射到输出空间中的坐标。输入空间可以具有与输出空间不同的维度和拓扑，并且SOM可以在将现象映射到组中的同时保留这些。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用学习矢量量化神经网络(LVQ)。类别的原型代表可以与适当的距离度量一起在基于距离的分类方案中参数化。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用回波状态网络(ESN)，该回波状态网络可以包括具有稀疏连接的随机隐藏层的递归神经网络。可以改变输出神经元的权重(例如，可以基于反馈来训练权重)。在实施例中，ESN可以用于处理时间序列模式，例如，在示例中，识别与市场相关联的事件的模式，例如，响应于刺激的价格变化的模式。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用双向递归神经网络(BRNN)，例如，使用有限的值序列(例如，来自传感器的电压值)来基于元件的过去和未来上下文预测或标记序列的每个元件。这可以通过将两个RNN的输出相加来完成，例如，一个从左到右处理序列，另一个从右到左处理序列。组合输出是目标信号的预测，例如，由教师或主管提供的信号。双向RNN可以与长短期记忆RNN组合。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用以各种方式连接元件的分层RNN，以将分层行为分解成例如有用的子程序。在实施例中，分层RNN可以用于管理用于交易环境中的数据收集的一个或多个分层模板。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用随机神经网络，该随机神经网络可以将随机变化引入网络中。这种随机变化可以被视为统计抽样的一种形式，例如，蒙特卡罗抽样。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用遗传尺度递归神经网络。在这种实施例中，使用RNN(通常是LSTM)，其中，将序列分解成多个标度，其中，每个标度通知两个连续点之间的主要长度。一阶标度由一个正常的RNN组成，二阶标度由两个索引分隔的所有点组成，以此类推。N阶RNN连接第一个节点和最后一个节点。来自所有各种标度的输出可以被视为成员委员会，并且相关分数可在下一次迭代中遗传使用。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用机器委员会(CoM)，包括一起对给定示例“投票”的不同神经网络的集合。由于神经网络可能受到局部最小值的影响，因此从相同的架构和训练开始，但随机使用不同的初始权重通常会产生不同的结果。CoM倾向于使结果稳定。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用关联神经网络(ASNN)，例如，涉及组合多个前馈神经网络和k最近邻技术的机器委员会的扩展。可以使用集合响应之间的相关性，作为kNN的分析情况中的距离的度量。这校正了神经网络集合的偏差。关联神经网络可以具有可以与训练集重合的存储器。如果有新数据可用，则网络会立即提高其预测能力，并提供数据近似(自学习)，而无需重新训练。ASNN的另一个重要特征是通过分析模型空间中数据案例之间的相关性来解释神经网络结果的可能性。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用瞬时训练的神经网络(ITNN)，其中，隐藏层和输出层的权重直接从训练矢量数据映射。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用脉冲神经网络，该脉冲神经网络可以明确地考虑输入的时间。网络输入和输出可以表示为一系列尖峰(例如，δ函数或更复杂的形状)。SNN可以处理时域中的信息(例如，随时间变化的信号，例如，涉及市场或交易环境的动态行为的信号)。这些通常被实现为循环网络。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用动态神经网络，该动态神经网络解决非线性多变量行为并且包括时间相关行为(例如，瞬态现象和延迟效应)的学习。瞬态可以包括改变市场变量的行为，例如，价格、可用数量、可用交易对手等。
在实施例中，级联相关可以用作架构和监督学习算法，补充固定拓扑网络中的权重的调整。级联相关可以从最小网络开始，然后，自动训练并逐个添加新的隐藏单元，从而创建多层结构。一旦新的隐藏单元被添加到网络中，其输入侧权重可能冻结。然后，该单元成为网络中的永久特征检测器，可用于产生输出或创建其他更复杂的特征检测器。级联相关架构可以快速学习，确定其自身的大小和拓扑，即使训练集改变并且不需要反向传播，也保留其已经构建的结构。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用神经模糊网络，例如，涉及人工神经网络主体中的模糊推理系统。根据类型，几个层可以模拟模糊推理中涉及的过程，例如，模糊化、推理、汇总和解模糊化。将模糊系统嵌入神经网络的一般结构中，作为使用可用训练方法来寻找模糊系统参数的好处。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用组合模式产生网络(CPPN)，例如，关联神经网络(ANN)的变体，其使一组激活函数及其应用方式不同。虽然典型的人工神经网络通常只包含S型函数(并且
有时是高斯函数)，但是CPPN可以包括这两种类型的函数和许多其他类型的函数。此外，CPPN可以应用于可能输入的整个空间，使得CPPN可以表示完整的图像。由于CPPN是函数的组合，所以CPPN实际上以无限分辨率对图像进行编码，并且可以通过任何最佳分辨率对特定显示器进行采样。
这种类型的网络可以添加新的模式，无需重新训练。在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用一次性关联存储器网络，例如，通过创建特定存储器结构，该特定存储器结构使用相邻连接的分层阵列将每个新模式分配给正交平面。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用分层时间记忆(HTM)神经网络，例如，涉及新皮质的结构和算法特征。HTM可以使用基于记忆预测理论的仿生模型。HTM可用于发现和推断观察到的输入模式和序列的高级原因。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用全息关联记忆(HAM)神经网络，该神经网络可以包括模拟的、基于相关性的关联刺激响应系统。信息可以映射到复数的相位取向上。记忆对于关联记忆任务、泛化和注意力可变的模式识别是有效的。
在实施例中，涉及网络编码的各种实施例可用于对神经网络中的网络节点之间的传输数据进行编码，例如，其中，节点位于交易环境中的一个或多个数据收集器或机器中。
参考图9至图37，本公开的实施例，包括涉及专家系统、自组织、机器学习、人工智能等的实施例，可以受益于神经网络的使用，例如，被训练用于模式识别、用于一个或多个参数、特征或现象的分类、用于支持自主控制以及其他目的神经网络。在本公开中对神经网络的引用应理解为涵盖广泛的不同类型的神经网络、机器学习系统、人工智能系统等，例如，双过程人工神经网络(DPANN)、前馈神经网络、径向基函数神经网络、自组织神经网络(例如，Kohonen自组织神经网络)、递归神经网络、模块化神经网络、人工神经网络、物理神经网络、多层神经网络、卷积神经网络、神经网络与其他专家系统的混合(例如，混合模糊逻辑-神经网络系统)、自动编码器神经网络、概率神经网络、时延神经网络、卷积神经网络、调节反馈神经网络、径向基函数神经网络、递归神经网络、Hopfield神经网络、玻尔兹曼机器神经网络、自组织映射(SOM)神经网络、学习矢量量化(LVQ)神经网络、全递归神经网络、简单递归神经网络、回声状态神经网络、长短期记忆神经网络、双向神经网络、分层神经网络、随机神经网络、遗传尺度RNN神经网络、机器神经网络委员会、关联神经网络、物理神经网络、瞬时训练神经网络、脉冲神经网络、新认知神经网络、动态神经网络、级联神经网络、神经模糊神经网络、组合模式产生神经网络、记忆神经网络、分层时间记忆神经网络、深度前馈神经网络、门控递归单元(GCU)神经网络、自动编码器神经网络、变分自动编码器神经网络、去噪自动编码器神经网络、稀疏自动编码器神经网络、马尔可夫链神经网络、受限玻尔兹曼机器神经网络、深度卷积神经网络、去卷积神经网络、深度卷积逆图形神经网络、生成对抗神经网络、液态机器神经网络、极限学习机器神经网络、回声状态神经网络、深度残差神经网络、支持矢量机神经网络、神经图灵机神经网络和/或全息关联记忆神经网络、或前述的混合或组合、或与其他专家系统的组合，例如，基于规则的系统、基于模型的系统(包括基于物理模型、统计模型、基于流的模型、生物模型、仿生模型等的系统)。
在实施例中，平台102包括双过程人工神经网络(DPANN)系统。DPANN系统包括具有作为训练系统和重新训练系统的产物的行为和操作过程(例如，决策)的人工神经网络(ANN)。训练系统被配置为执行ANN操作的自动经训练的执行。重新训练系统例如基于ANN的一个或多个相关方面(例如，存储器)、一个或多个输入数据集(包括关于这种数据集中的元件的时间信息)、一个或多个目标或目的(包括可以动态变化(例如，周期性地和/或基于上下文变化)的目标或目的，例如，与ANN的使用上下文相关的目标或目的)和/或其他来执行ANN的费力的、分析性的、有意的重新训练。在涉及基于存储器的重新训练的情况下，存储器可以包括原始/历史训练数据和细化训练数据。DPANN系统包括被配置为管理和执行正在进行的数据保留过程的双过程学习函数(DPLF)902。DPLF 902(在适用的情况下，包括存储器管理过程)促进ANN的行为的重新训练和细化。DPLF 902提供了框架，通过该框架，ANN基于历史输入、新输入和新输出(包括为特定用例配置的输出，包括由利用上下文的参数(可以包括时延参数、准确性参数、一致性参数、带宽利用参数、处理能力利用参数、优先级参数、能源利用参数等性能参数)来创建输出，例如，预测、分类、推荐、结论和/或其他输出。
在实施例中，DPANN系统存储训练数据，从而允许基于ANN的决策、预测和/或其他操作的结果进行持续的重新训练，并且允许根据ANN的输出分析训练数据。存储在存储器中的实体的管理允许构建和执行新模型，例如，可以由训练系统或在训练系统的管理下处理、执行或以其他方式执行的模型。DPANN系统使用存储器的实例来验证动作(例如，以类似于生物神经网络的思考方式(包括关于在给定情况下采取的动作是否最佳的回顾性或自我反思性思考)，并执行ANN的训练，包括有意地向ANN馈送适当的几组记忆(即，给定ANN的性能要求产生有利结果的几组记忆)的训练。
在实施例中，图9示出了DPLF 902的示例性过程。DPLF 902可以是或包括随时间存储在存储器中的一个或多个训练数据集和/或存储器的持续过程保留。因此，DPLF 902允许ANN应用现有的神经功能并利用几组过去事件(包括出于不同目的有意改变和/或策划的事件)，以便构建对当前、最近和/或新场景的理解和这些场景内的行为，包括在模拟中、在训练过程期间以及在ANN的完全操作部署中。DPLF 902可以向ANN提供框架，通过该框架，ANN可以分析、评估和/或管理数据，例如，与过去、现在和未来相关的数据。因此，DPLF 902在经由训练系统和重新训练系统训练和重新训练ANN中起着至关重要的作用。
在实施例中，DPLF 902被配置为执行双过程操作，以管理现有训练过程，并且还被配置为管理和/或执行新的训练过程，即，重新训练过程。在实施例中，ANN的每个实例经由训练系统进行训练并且被配置为经由重新训练系统来重新训练。ANN对训练和/或重新训练数据集进行编码，存储数据集，并在经由训练系统的训练和经由重新训练系统的重新训练期间检索数据集。DPANN系统可以基于其相应的输入、处理(例如，基于其结构、类型、模型、操作、执行环境、资源利用等)和/或结果(包括结果类型)、性能要求(包括上下文或动态要求)等，识别数据集(在该上下文中，术语数据集可选地包括相对于用于训练或重新训练的基础数据集的各种子集、超集、组合、排列、元件、元数据、增强等)、存储活动、处理操作和/或输出是否具有固有地有利于训练系统而不是重新训练系统的特征。例如，DPANN系统可以确定训练系统在分类任务上的不良性能可以指示ANN的训练不充分的新问题(例如，在数据集的类型、输入模型和/或反馈的性质、训练数据量、标注或标记的质量、监督的质量等方面)，ANN的处理操作不太适合于该新问题(例如，由于所使用的神经网络的类型、所使用的模型的类型等，它们易于出现已知的漏洞)，并且这可以通过接合重新训练系统，以重新训练模型，来教导模型学习解决新的分类问题(例如，通过向其馈送更多正确分类的物品的标记实例)，从而来解决。通过对ANN的性能的周期性或连续评估，DPANN系统可以随后确定ANN的高度稳定的性能(例如，在由重新训练系统进行的多次重新训练迭代中仅发生ANN的小幅改进的情况下)指示训练系统准备好替换重新训练系统(或者在两者都涉及的情况下更有利地加权)。在更长的时间段内，可能会出现不同性能的循环，例如，在出现一系列新问题的情况下，使得DPANN的重新训练系统根据需要串行地接合，以通过提供第二输出源(其可以与ANN输出融合或组合，以提供单个结果(在它们之间具有各种权重)，或者可以并行地提供，例如，使得能够对相应输出进行比较、选择、平均或上下文或上下文特定应用)来重新训练ANN和/或增强ANN。
在实施例中，ANN被配置为根据经由训练系统和重新训练系统的ANN的双过程训练结合数据的收集来学习新函数。DPANN系统经由训练系统执行ANN的分析，并且执行ANN的初始训练，使得ANN获得新的内部函数(或者减去或修改内部函数，例如，在现有函数对有利结果没有帮助的情况下)。在初始训练之后，DPANN系统经由重新训练系统执行ANN的重新训练。为了执行重新训练，重新训练系统评估ANN的存储器和历史处理，以构建用于重新训练的目标DPLF 902过程。DPLF 902过程可以是所识别的场景特定的。ANN过程可以与DPLF 902过程并行运行。作为示例，ANN可以用于在由训练系统进行初始训练之后操作特定品牌和型号的自动驾驶汽车。DPANN系统可以经由重新训练系统执行ANN的功能的重新训练，以便允许ANN操作不同品牌和型号的汽车(例如，具有不同相机、加速度计和其他传感器、不同物理特征、不同性能要求等的汽车)，或者甚至不同种类的交通工具，例如，自行车或宇宙飞船。
在实施例中，随着ANN的输出和/或操作质量的改进，并且只要ANN的性能要求和利用上下文保持相当稳定，执行双过程训练过程可以变成要求递减的过程。因此，DPANN系统可以确定需要ANN的较少神经元来执行ANN的操作和/或过程，性能监测可以不那么密集(例如，在性能检查之间具有更长的间隔)，和/或不再需要重新训练(至少在一段时间内，例如，直到长期维护期到来和/或直到在利用的上下文中存在显著变化)。随着ANN继续改进现有功能和/或经由双过程训练过程添加新功能，ANN可以同时执行其他有时更“智能要求高”(例如，重新训练密集)的任务。例如，利用正在训练的函数或过程的双重过程学习知识，ANN可以同时解决不相关的复杂问题或做出重新训练决策。重新训练可以包括监督，例如，其中，代理(例如，人类监督者或智能代理)将ANN引导到重新训练目标(例如，“掌握该新功能”)并且为重新训练提供一组训练任务和反馈功能(例如，监督分级)。在实施例中，ANN可以用于组织其他双过程训练的ANN的监督、训练和重新训练，以提供这种训练或重新训练的种子等。
在实施例中，ANN的一个或多个行为和操作过程(例如，决策)可以是分别由训练系统和重新训练系统促进的训练和重新训练过程的产物。训练系统可以被配置为执行ANN的自动训练，例如，通过在由各种数据源或从各种数据源收集训练数据时连续添加训练数据的附加实例。重新训练系统可以被配置为例如基于记忆(例如，存储的训练数据或细化的训练数据)和/或可选地基于推理或其他因素来执行ANN的费力的、分析性的、有意的重新训练。例如，在部署管理上下文中，训练系统可以与ANN的标准响应相关联，而重新训练系统可以实现ANN的DPLF 902重新训练和/或网络调整。在一些情况下，超出工厂或“开箱即用”训练水平的ANN的重新训练可能涉及的不仅仅是重新训练系统的重新训练。通过一个或多个网络调整对ANN的成功调整可以取决于训练系统的一个或多个网络调整的操作。
在实施例中，训练系统可以通过基于ANN与先前数据集的训练来应用ANN的现有神经功能，从而促进ANN的快速操作和训练。可以大量利用训练系统的ANN的标准操作活动可以包括在本公开中和并入本文的文档描述的方法、过程、工作流、系统等中的一个或多个，例如但不限于：联网内的定义功能(例如，发现可用的网络和连接、在网络中建立连接、在设备和系统之间供应网络带宽、在网络内路由数据、将流量引导到可用的网络路径、跨联网资源的负载平衡等)；识别和分类(例如，图像、文本、符号、对象、视频内容、音乐和其他音频内容、语音内容等的识别和分类)；口语；状态和事件的预测(例如，机器或系统故障模式的预测、工作流内事件的预测、购物和其他活动中的行为的预测以及许多其他预测)；控制(例如，控制自主或半自主系统、自动化代理(例如，自动化呼叫中心操作、聊天机器人等)等)；和/或优化和推荐(例如，针对产品、内容、决策等)。人工神经网络也可能适用于训练仅需要输出的场景的数据集。标准操作活动可能不需要ANN主动分析对ANN的要求，除了对明确定义的数据输入进行操作，为明确定义的用例计算明确定义的输出之外。训练系统和/或重新训练系统的操作可以基于一个或多个历史数据训练数据集，并且可以使用历史数据训练数据集的参数来基于新的输入值计算结果，并且可以在对ANN或其输入类型进行很小的改变或没有改变的情况下执行。在实施例中，可以对训练系统的实例进行训练，以分类ANN是否能够在给定情况下表现良好，例如，通过识别由ANN分类的图像或声音是否是历史上已经以高准确度(例如，高于阈值)进行分类的类型。
在实施例中，通过训练系统和重新训练系统中的一个或两个对ANN的网络自适应可以包括ANN在经受新输入值时的多个定义的网络函数、知识和类似直觉的行为。在这种实施例中，重新训练系统可以将新的输入值应用于DPLF 902系统，以调整ANN的功能响应，从而执行ANN的重新训练。DPANN系统可以确定经由网络调整重新训练ANN是必要的，例如但不限于，功能神经网络被分配需要ANN提供新问题的解决方案的活动和作业、参与网络自适应或其他高阶认知活动、应用DPANN最初设计的领域之外的概念、支持不同的部署上下文(例如，在使用情况、性能要求、可用资源或其他因素已经改变的情况下)等。可以训练ANN，以识别哪里需要重新训练系统，例如，通过训练ANN，以识别训练系统的不良性能、输入数据集相对于用于对训练系统进行训练的历史数据集的高可变性、新功能或性能要求、用例或上下文中的动态变化或其他因素。ANN可以应用推理来评估性能并向重新训练系统提供反馈。可以训练和/或重新训练ANN以执行直观功能，可选地包括通过组合或重新组合过程(例如，包括遗传编程，其中，输入(例如，数据源)、过程/功能(例如，神经网络类型和结构)、反馈和输出或其元件以各种排列和组合布置，并且ANN与其中的每一个(无论是在模拟中还是在实时部署中)相关联地进行测试，例如，在一系列轮次或演变步骤中，以促进有利的变体，直到针对给定场景、用例，或一组需求识别出优选的ANN或一组优选的ANN)。这可以包括生成一组输入“想法”(例如，关于诊断过程中的因果关系的不同结论的组合)，用于由重新训练系统和后续训练和/或由显式推理过程处理，例如，贝叶斯推理过程、诡辩或状况推理过程、演绎推理过程、归纳推理过程或如本公开或通过引用并入本文的文献中所描述的其他过程(包括上述过程的组合)。
在实施例中，DPLF 902可以执行DPLF 902的编码过程，以将数据集处理成存储形式，以供将来使用，例如，由重新训练系统重新训练ANN。编码过程使得数据集能够被DPLF902接收、理解和改变，以更好地支持在存储器中存储和从存储器中使用。DPLF 902可以应用当前的功能知识和/或推理，来合并新的输入值。存储器可以包括短期存储器(STM)906、长期存储器(LTM)912或其组合。数据集可以存储在STM 906和LTM 912中的一者或两者中。STM 906可以通过应用ANN(例如，递归神经网络，可以是门控的或非门控的，或长期短期神经网络)内部的专门行为来实现。LTM 912可以通过存储可应用于发现新场景的场景、相关数据和/或未处理的数据来实现。编码过程可以包括处理和/或存储例如视觉编码数据(例如，通过卷积神经网络处理)、声学传感器编码数据(例如，某物听起来如何、语音编码数据(例如，通过深度神经网络(DNN)处理，可选地包括用于音素识别)、单词的语义编码数据(例如，通过使用隐马尔可夫模型(HMM)来确定语义含义；和/或移动和/或触觉编码数据(例如，对振动/加速度计传感器数据、触摸传感器数据、位置或地理定位数据等的操作)。虽然数据集可以通过这些模式中的一种模式进入DPLF 902系统，但是存储数据集的形式可以不同于数据集的原始形式，并且可以通过神经处理引擎，以被编码成压缩的和/或上下文相关的格式。例如，可以使用ANN的无监督实例将历史数据学习成压缩格式。
在实施例中，编码的数据集保留在DPLF 902系统内。编码的数据集首先存储在短期DPLF 902(即STM 906)中。例如，传感器数据集可以主要存储在STM 906中，并且可以通过不断重复保持在STM 906中。存储在STM 906中的数据集是活动的并且用作对新输入值的一种即时响应。DPANN系统可以响应于例如由于在导入、处理和/或存储新数据时STM 906中的空间耗尽而导致的数据流的变化，从STM 906移除数据集。例如，短期DPLF 902仅持续15至30秒是可行的。STM 906可以仅存储通常嵌入在ANN内部的少量数据。
在实施例中，DPANN系统可以基于训练系统、作为整体的DPANN系统等的利用来测量注意力，例如，通过消耗对ANN的输出的注意力和/或利用的各种指标，并作为响应将这些指标传输到ANN(类似于大脑中的“识别时刻”，其中，注意力经过某物并且认知系统说“啊哈！”)。在实施例中，注意力可以通过系统中的一者或两者在数据流上的活动的绝对量来测量。在实施例中，使用来自ANN的输出的系统可以明确地指示注意力，例如，通过操作员指导ANN关注特定活动(例如，响应诊断的问题以及许多其他可能性)。DPANN系统可以管理数据输入，以促进注意力的测量，例如，通过提示和/或计算对具有来自历史模式的高固有可变性的数据(例如，在变化率、偏离范数等方面)、指示历史性能的高可变性的数据(例如，具有与ANN在训练中表现不佳的情况中涉及的数据集相似特征的数据)等的更大注意力。
在实施例中，DPANN系统可以根据一个或多个存储过程和/或作为一个或多个存储过程的一部分，在DPLF 902系统内保留编码的数据集。在编码的数据集已经存储在STM 906中并且被确定为对于ANN的当前操作、训练过程、重新训练过程等不再必需和/或具有低优先级之后，DPLF 902系统可以根据需要将编码的数据集存储在LTM 912中。LTM 912可以通过存储场景来实现，并且DPANN系统可以将相关联的数据和/或未处理的数据应用于发现新场景。例如，来自某些经处理的数据流(例如，语义编码的数据集)的数据可以主要存储在LTM 912中。LTM 912还可以以编码形式存储图像(和传感器)数据集以及许多其他示例。
在实施例中，LTM 912可以具有相对高的存储容量，并且在一些场景中，存储在LTM912内的数据集可以无限期地有效地存储。DPANN系统可以被配置为从LTM 912移除数据集，例如，通过将LTM 912数据传递通过一系列存储器结构，这些存储器结构具有越来越长的检索周期或越来越高的阈值要求，以触发利用(类似于生物大脑“非常努力地思考”以找到处理挑战性问题的先例的情况)，从而提供更近期或更频繁使用的存储器的更大显著性，同时当情况证明更全面的存储器利用是合理的时，保留检索(通过更多时间/精力)较旧的存储器的能力。因此，DPANN系统可以在时间线上布置存储在LTM 912中的数据集，例如，通过将较旧的存储器(通过起始时间和/或最近的利用时间来测量)存储在单独和/或较慢的系统上，通过在其检索中施加人为延迟来惩罚较旧的存储器，和/或通过在利用之前施加阈值要求(例如，对改进结果的高需求的指标)。附加地或替代地，LTM 912可以根据其他分类协议(例如，按主题)进行聚类。例如，可以将在时间上接近周期性识别的人的所有存储器聚类，以一起检索，和/或可以将与场景相关的所有存储器聚类，以一起检索。
在实施例中，DPANN系统可以模块化和链接LTM 912数据集，例如，在目录、层级、集群、知识图(有向/非循环或具有状况逻辑)等中，以便于搜索相关存储器。例如，所有存储器模块具有涉及人、主题、物品、过程、这种事物的n元组的链接的实例(例如，涉及所选实体对的所有存储器模块)等。DPANN系统可以为DPLF 902选择知识图的子图，以在一个或多个特定领域和/或特定任务用途中实现，例如，通过使用与机器人或人类代理的特定集合和/或类似的机器人或人类代理相关的存储器来训练模型，以预测机器人或人类代理行为。DPLF902系统可以高速缓存用于不同速度和/或利用概率的频繁使用的模块。高价值模块(例如，具有高质量结果、性能特征等的模块)可以用于其他功能，例如，STM 906保留/遗忘过程的选择/训练。
在实施例中，DPANN系统可以例如以上述各种方式模块化和链接LTM数据集，以便于搜索相关存储器。例如，可以链接和搜索具有涉及人、主题、物品、过程、这种事物的n元组的链接的实例的存储器模块(例如，涉及所选实体对的所有存储器模块)或与场景相关联的所有存储器等。DPANN系统可以为DPLF 902选择场景的子集(例如，知识图的子图)，以用于特定领域和/或特定任务的使用，例如，通过使用与机器人或人类代理和/或类似的机器人或人类代理的特定集合相关的存储器来训练模型，以预测机器人或人类代理行为。可以针对不同的使用速度/概率或其他性能特征来高速缓存频繁使用的模块或场景。高价值模块或场景(产生高质量结果的模块或场景)可以用于其他功能，例如，STM 906保留/遗忘过程的选择/训练等。
在实施例中，DPANN系统可以执行LTM规划，以便找到用于声明性描述的系统的程序性动作过程，以达到其目标，同时优化总体性能测量。例如，当可以通过声明方式描述问题，DPANN系统具有不应忽略的领域知识，问题的结构使得问题对于纯学习技术来说是困难的，和/或ANN需要训练和/或重新训练，以能够解释DPANN系统采取的特定行动过程时，DPANN系统可以执行LTM规划。在实施例中，DPANN系统可以应用于规划识别问题，即，规划问题的逆：代替目标状态，给出一组可能的目标，并且规划识别中的目标是找出哪个目标正在实现以及如何实现。
在实施例中，DPANN系统可以促进用户的LTM场景规划，以制定长期规划。例如，风险管理用例的LTM场景规划可能会更加强调识别日常操作中通常不会考虑的极端或不寻常但可能的风险和机会，例如，在钟形曲线或正态分布之外，但实际上在“长尾”或“胖尾”情况下以高于预期的频率发生的风险和机会，例如，涉及信息或市场定价过程等。LTM情景规划可以涉及分析力量(例如，社会、技术、经济、环境和/或政治趋势)之间的关系，以解释当前情况，和/或可以包括为潜在的未来状态提供情景。
在实施例中，DPANN系统可以促进LTM场景规划，以预测和预期可能的替代未来以及对预测状态做出响应的能力。LTM规划可以从专家领域知识中诱导或从当前场景中预测，因为许多场景(例如，涉及导致新实体或行为的组合过程的结果的场景)从未发生过，因此不能通过完全依赖于历史分布的概率方法来预测。DPANN系统可以准备应用于LTM 912，以生成许多不同的场景，为预期的和令人惊讶的未来探索到DPLM的各种可能的未来。这可以通过如上所述的遗传编程和推理技术等来促进或增强。
在实施例中，DPANN系统可以实现LTM场景规划，以促进将风险管理转换为规划识别问题，并应用DPLF 902来生成潜在的解决方案。LTM情景归纳解决了预测规划固有的几个挑战。例如，当用于预测的模型具有不一致、缺失、不可靠的观测时；当有可能产生不止一个而是许多未来规划时；和/或当可以捕获和编码LTM领域知识，以改进预测时(例如，在领域专家倾向于优于可用计算模型的情况下)，LTM情景归纳可能是适用的。LTM情景可以侧重于将LTM情景规划应用于风险管理。LTM情景规划可以通过检测新出现的故事情节来提供相关风险驱动因素的态势感知。此外，LTM场景规划可以生成未来场景，允许DPLM或运营商对未来的突发事件和机会进行推理和规划。
在实施例中，DPANN系统可以被配置为经由DPLF 902执行检索过程,以访问ANN的存储数据集。检索过程可以决定ANN在旨在测试回忆的任务方面的表现如何。例如，可以训练ANN,以执行受控车辆停放操作，由此，通过经由检索存储在LTM 912中的数据来关联先前的访问，自动驾驶车辆返回到指定地点或出口。存储在STM 906和LTM中的数据集可以通过不同的过程来检索。存储在STM 906中的数据集可以响应于特定输入和/或通过存储数据集的顺序(例如，通过数字的顺序列表)来检索。存储在LTM 912中的数据集可以通过事件与历史活动的关联和/或匹配来检索，例如，通过大型数据集的复杂关联和索引。
在实施例中，DPANN系统可以实现场景监测，作为检索过程的至少一部分。场景可以给上下文决策过程提供上下文。在实施例中，场景可以涉及显式推理(例如，因果推理、贝叶斯推理、诡辩逻辑、状况逻辑等或其组合)，其输出声明检索了什么LTM存储的数据(例如，正在评估的事件的时间线和涉及潜在地遵循类似因果模式的事件的其他时间线)。例如，机器或工作流的故障的诊断可以检索关于该类型的机器或工作流的各种故障模式(和/或涉及问题状态或状况的诊断、事件或行为的识别、故障模式(例如，财务故障、合约违约等)或许多其他的类似过程)的历史传感器数据以及LTM数据。
在实施例中，图10至图37描绘了示例性神经网络，图10描绘了示出了在图10至图37中描绘的神经网络的各种组件。图10描绘了在分布了功能和要求的单元中描绘的各种神经网络组件。在实施例中，各种神经网络示例可以包括(在图10的示例中从上到下)：反馈数据/传感器输入单元、数据/传感器输入单元、噪声输入单元和隐藏单元。神经网络组件还包括概率隐藏单元、尖峰隐藏单元、输出单元、匹配输入/输出单元、循环单元、存储器单元、不同存储器单元、内核以及卷积或池单元。
在实施例中，图11描绘了可以连接到平台102、与该平台集成或与该平台接合的示例性感知器神经网络。该平台102还可以与其他神经网络系统相关联，例如，前馈神经网络(图12)、径向基神经网络(图13)、深度前馈神经网络(图14)、递归神经网络(图15)、长期/短期神经网络(图16)和门控递归神经网络(图17)。该平台102还可以与其他神经网络系统相关联，例如，自动编码器神经网络(图18)、变分神经网络(图19)、去噪神经网络(图20)、稀疏神经网络(图21)、马尔可夫链神经网络(图22)和Hopfield网络神经网络(图23)。该平台102还可以与附加的神经网络系统相关联，例如，玻尔兹曼机器神经网络(图24)、受限BM神经网络(图25)、深度信念神经网络(图26)、深度卷积神经网络(图27)、反卷积神经网络(图28)和深度卷积逆图形神经网络(图29)。该平台102还可以与其他神经网络系统相关联，例如，生成对抗神经网络(图30)、液体状态机神经网络(图31)、极端学习机器神经网络(图32)、回波状态神经网络(图33)、深度残差神经网络(图34)、Kohonen神经网络(图35)、支持矢量机神经网络(图36)和神经图灵机神经网络(图37)。
前述神经网络可以具有各种节点或神经元，其可以对输入(例如，从传感器或其他数据源(包括其他节点)接收的输入)执行各种功能。函数可以涉及权重、特征、特征矢量等。神经元可以包括感知器、模拟生物功能(例如，人类的触觉、视觉、味觉、听觉和嗅觉)的神经元等。例如，具有S型激活的连续神经元可用于各种形式的神经网络的上下文中，例如，在涉及反向传播的情况下。
在许多实施例中，专家系统或神经网络可以例如由人类操作员或监督者或者基于数据集、模型等进行训练。训练可以包括向神经网络呈现一个或多个训练数据集，该一个或多个训练数据集表示值，例如，传感器数据、事件数据、参数数据和其他类型的数据(包括在本公开中描述的许多类型)以及结果的一个或多个指标，例如，过程的结果、计算的结果、事件的结果、活动的结果等。训练可以包括优化中的训练，例如，训练神经网络，以基于一种或多种优化方法来优化一个或多个系统，例如，贝叶斯方法、参数贝叶斯分类器方法、k最近邻分类器方法、迭代方法、插值方法、帕累托优化方法、算法方法等。可以在变化和选择过程中提供反馈，例如，利用遗传算法，该遗传算法基于通过一系列轮次的反馈演变出一个或多个解决方案。
在实施例中，多个神经网络可以部署在云平台中，该云平台接收在一个或多个能源边缘环境中收集(例如，由移动数据收集器)并通过一个或多个网络传输到云平台的数据流和其他输入，包括使用网络编码来提供高效传输。在云平台中，可选地使用大规模并行计算能力，各种类型(包括模块化形式、结构自适应形式、混合形式等)的多个不同神经网络可用于承担预测、分类、控制功能，并提供如结合在本公开中公开的专家系统所描述的其他输出。不同的神经网络可以被构造成彼此竞争(可选地包括使用演变算法、遗传算法等)，使得具有适当输入集、权重、节点类型和函数等的适当类型的神经网络可以例如由专家系统选择，用于给定上下文、工作流、环境过程、系统等中涉及的特定任务。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用前馈神经网络，该前馈神经网络在一个方向上移动信息，例如，从数据输入(例如，与至少一个资源相关的数据源或与交易环境相关的参数，例如，在本公开中提及的任何数据源)通过一系列神经元或节点移动到输出。数据可以从输入节点移动到输出节点，可选地通过一个或多个隐藏节点，而无需循环。在实施例中，前馈神经网络可以用各种类型的单元来构建，例如，二进制McCulloch-Pitts神经元，其中最简单的是感知器。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用胶囊神经网络，例如，用于关于交易环境的预测、分类或控制功能，例如，与在本公开中描述的机器和自动化系统中的一个或多个有关。
在实施例中，本文所述的涉及专家系统或自组织能力的方法和系统可以使用径向基函数(RBF)神经网络，这在涉及多维空间中的插值的一些情况下可能是优选的(例如，插值有助于优化多维函数的情况，例如，用于优化如本文所述的数据市场，优化发电系统、工厂系统等的效率或输出，或涉及多维的其他情况)。在实施例中，RBF神经网络中的每个神经元将来自训练集的示例存储为“原型”。该神经网络的功能中涉及的线性为RBF提供了通常不会遭受局部最小值或最大值问题的优点。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用径向基函数(RBF)神经网络，例如，采用相对于中心的距离准则(例如，高斯函数)的神经网络。径向基函数可以被应用为多层感知器中的隐藏层(例如，S型隐藏层转移)的替代。RBF网络可以具有两个层，例如，其中，输入被映射到隐藏层中的每个RBF上。在实施例中，输出层可以包括表示例如平均预测输出的隐藏层值的线性组合。输出层值可以提供与统计中的回归模型的输出相同或相似的输出。在分类问题中，输出层可以是隐藏层值的线性组合的S型函数，表示后验概率。这两种情况下的性能通常通过收缩技术来提高，例如，经典统计中的岭回归。这对应于贝叶斯框架中对小参数值(以及因此平滑输出函数)的先验信念。RBF网络可以避免局部极小值，因为在学习过程中仅仅进行调整的参数是从隐藏层到输出层的线性映射。线性确保误差曲面是二次的，因此具有单个最小值。在回归问题中，这可以在一个矩阵运算中找到。在分类问题中，可以使用迭代重新加权的最小二乘函数等来处理由S型输出函数引入的固定非线性。RBF网络可以使用核方法，例如，支持矢量机(SVM)和高斯过程(其中，RBF是核函数)。非线性核函数可以用于将输入数据投影到可以使用线性模型解决学习问题的空间中。
在实施例中，RBF神经网络可以包括输入层、隐藏层以及求和层。在输入层中，在每个预测变量的输入层中出现一个神经元。在分类变量的情况下，使用N-1个神经元，其中，N是类别的数量。在实施例中，输入神经元可以通过减去中值并除以四分位数间距来对值范围进行归一化。然后，输入神经元可以将值馈送到隐藏层中的每个神经元。在隐藏层中，可以使用可变数量的神经元(由训练过程确定)。每个神经元可以由径向基函数组成，该径向基函数以具有与预测变量的数量一样多的维度的点为中心。RBF函数的扩展(例如，半径)对于每个维度可以是不同的。中心和扩展可以通过训练来确定。当呈现来自输入层的输入值的矢量时，隐藏神经元可以计算测试用例距神经元中心点的欧几里得距离，然后，将RBF核函数应用于该距离，例如，使用扩展值。然后，可以将所得值传递到求和层。在求和层中，来自隐藏层中的神经元的值可以乘以与该神经元相关联的权重，并且可以与其他神经元的加权值相加。该和成为输出。对于分类问题，为每个目标类别产生一个输出(具有单独的一组权重和求和单元)。类别的值输出是正在评估的案例具有该类别的概率。在RBF的训练中，可以确定各种参数，例如，隐藏层中的神经元的数量、每个隐藏层函数的中心的坐标、每个函数在每个维度中的扩展以及当传递到求和层时应用于输出的权重。训练可以通过聚类算法(例如，k均值聚类)、演变方法等来使用。
在实施例中，递归神经网络可以具有时变的实值(不仅仅是零或一)激活(输出)。每个连接可以具有可修改的实值权重。一些节点被称为标记节点，一些节点被称为输出节点，其他节点被称为隐藏节点。对于离散时间设置中的监督学习，实值输入矢量的训练序列可以成为输入节点的激活序列，一次一个输入矢量。在每个时间步长，每个非输入单元可以计算其当前激活，作为从其中接收连接的所有单元的激活的加权和的非线性函数。系统可以在某些时间步长显式地激活(独立于输入信号)一些输出单元。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用自组织神经网络(例如，Kohonen自组织神经网络)，例如，用于数据视图(例如，高维数据的低维视图)的可视化。自组织神经网络可以将竞争性学习应用于例如来自一个或多个传感器的一组输入数据或来自交易环境或与交易环境相关联的其他数据输入，包括与交易环境相关的任何机器或组件。在实施例中，自组织神经网络可以用于识别数据中的结构，例如，未标记的数据，例如，从交易环境周围的一系列数据源或在交易环境中或周围的传感器感测的数据中，其中，数据的源是未知的(例如，其中，事件可能来自一系列未知源中的任何一个未知源)。自组织神经网络可以组织数据中的结构或模式，使得可以识别、分析和标记这些结构或模式，例如，将市场行为结构识别为对应于其他事件和信号。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用递归神经网络，该递归神经网络可以允许双向数据流，例如，其中，连接的单元(例如，神经元或节点)形成定向循环。这种网络可以用于建模或显示动态时间行为，例如，涉及动态系统，例如，在本公开中描述的各种自动化系统、机器和设备，例如，出于收集数据、测试现货市场交易、执行交易等目的与市场交互的自动化代理，其中，动态系统行为涉及用户可能期望理解、预测、控制和/或优化的复杂交互。例如，递归神经网络可以用于预测市场的状态，例如，涉及动态过程或动作的状态，例如，在交易环境的市场中交易的或实现交易环境的市场的资源的状态的变化。在实施例中，递归神经网络可以使用内部存储器来处理本文描述的各种类型的输入序列，例如，来自其他节点和/或来自传感器的输入序列以及来自或关于交易环境的其他数据输入。在实施例中，递归神经网络还可以用于模式识别，例如，用于基于行为签名、简档、一组特征矢量(例如，在音频文件或图像中)等来识别机器、组件、代理或其他物品。在非限制性示例中，递归神经网络可以通过学习从训练数据集对市场或机器的操作模式中的转变进行分类，来识别该转变，训练数据集由来自应用于一个或多个资源或围绕一个或多个资源的传感器的一个或多个数据源的数据流组成。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用模块化神经网络，该模块化神经网络可以包括由中间设备调节的一系列独立神经网络(例如，本文描述的各种类型的神经网络)。模块化神经网络中的每个独立神经网络可以利用单独的输入工作，完成构成模块化网络作为整体旨在执行的任务的子任务。例如，模块化神经网络可以包括用于模式识别的递归神经网络，例如，识别由一个或多个传感器感测到的机器或系统的什么类型，传感器作为输入通道提供给模块化网络以及用于一旦被理解就优化机器或系统的行为的RBF神经网络。中间设备可以接受各个神经网络中的每一个的输入，处理这些输入，并为模块化神经网络创建输出，例如，适当的控制参数、状态预测等。
本文描述的各种神经网络类型的对、三元组或更大组合中的任一个之间的组合包含在本公开中。这可以包括这种组合，其中，专家系统使用一个神经网络来识别模式(例如，指示问题或故障状况的模式)，并且使用不同的神经网络来基于所识别的模式自组织活动或工作流(例如，响应于所识别的状况或模式来提供管理系统的自主控制的输出)。这还可以包括这种组合，其中，专家系统使用一个神经网络来对物品进行分类(例如，识别机器、组件或操作模式)，并且使用不同的神经网络来预测物品的状态(例如，故障状态、操作状态、预期状态、维护状态等)。模块化神经网络还可以包括这种情况，其中，专家系统使用一个神经网络来确定状态或上下文(例如，机器、过程、工作流、市场、存储系统、网络、数据收集器等的状态)，并且使用不同的神经网络来自组织涉及状态或上下文的过程(例如，数据存储过程、网络编码过程、网络选择过程、数据市场过程、发电过程、制造过程、细化过程、挖掘过程、钻孔过程或本文描述的其他过程)。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用物理神经网络，其中，一个或多个硬件元件用于执行或模拟神经行为。在实施例中，一个或多个硬件神经元可以被配置为流式传输表示传感器数据的电压值、电流值等，例如，用于计算来自模拟传感器输入的表示能源消耗、能源产生等的信息，例如，通过为一个或多个交易提供能源或消耗能源的一个或多个机器。一个或多个硬件节点可以被配置为流式传输由神经网络的活动产生的输出数据。可以提供硬件节点，这些硬件节点可以包括一个或多个芯片、微处理器、集成电路、可编程逻辑控制器、专用集成电路、现场可编程门阵列等，以优化产生或消耗能源的机器，或者优化本文所述的任何类型的神经网络的某个部分的另一参数。硬件节点可以包括用于加速计算的硬件(例如，用于对输入数据执行基本或更复杂的计算以提供输出的专用处理器、用于过滤或压缩数据的专用处理器、用于解压缩数据的专用处理器、用于压缩特定文件或数据类型的专用处理器(例如，用于处理图像数据、视频流、声学信号、热图像、热图等)等。物理神经网络可以体现在数据收集器中，包括可以通过以变化的配置切换或路由输入来重新配置的数据收集器，例如，以在数据收集器内提供用于处理不同类型的输入的不同神经网络配置(其中，可选地在专家系统的控制下的切换和配置，该专家系统可以包括位于数据收集器上或远程的基于软件的神经网络)。物理或至少部分物理的神经网络可以包括位于存储系统中的物理硬件节点，例如，用于将数据存储在机器、数据存储系统、分布式分类账、移动设备、服务器、云资源内或者在交易环境中，例如，用于加速向神经网络提供数据或从神经网络获取数据的一个或多个存储元件的输入/输出功能。物理或至少部分物理的神经网络可以包括位于网络中的物理硬件节点，例如，用于在能源边缘环境内传输数据、向能源边缘环境传输数据或从能源边缘环境传输数据，例如，用于加速到网络中的一个或多个网络节点的输入/输出功能、加速中继功能等。在物理神经网络的实施例中，电可调电阻材料可用于模拟神经突触的功能。在实施例中，物理硬件模拟神经元，并且软件模拟神经元之间的神经网络。在实施例中，神经网络补充了传统算法计算机。神经网络是通用的，并且可以进行训练，以执行适当的功能，而不需要任何指令，例如，分类功能、优化功能、模式识别功能、控制功能、选择功能、演变功能等。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用多层前馈神经网络，例如，用于一个或多个物品、现象、模式、状态等的复杂模式分类。在实施例中，多层前馈神经网络可以通过优化技术(例如，遗传算法)进行训练，例如，探索大且复杂的选项空间，以找到最优或次优的全局解决方案。例如，可以使用一个或多个遗传算法来训练多层前馈神经网络，以对复杂现象进行分类，例如，识别机器的复杂操作模式，例如，涉及机器之间的复杂相互作用的模式(包括干扰效应、共振效应等)、涉及非线性现象的模式、涉及关键故障的模式，例如，其中，发生多个同时故障，使得根本原因分析变得困难等。在实施例中，多层前馈神经网络可以用于对来自市场的监测的结果进行分类，例如，在市场内操作的监测系统(例如，自动化代理)以及支持市场的监测资源，例如，计算、联网、能源、数据存储、能源存储和其他资源。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用前馈、反向传播多层感知器(MLP)神经网络，例如，用于处理一个或多个遥感应用，例如，用于从分布在各种交易环境中的传感器获取输入。在实施例中，MLP神经网络可以用于能源边缘环境和资源环境的分类，例如，现货市场、远期市场、能源市场、可再生能源额度(REC)市场、联网市场、广告市场、频谱市场、票务市场、奖励市场、计算市场和在本公开中提及的其他市场以及产生这些市场的物理资源和环境，例如，能源资源(包括可再生能源环境、采矿环境、勘探环境、钻井环境等，包括地质结构的分类(包括地下特征和地上特征)、材料(包括流体、矿物、金属等)的分类等问题。这可能包括模糊分类。在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用结构自适应神经网络，其中，神经网络的结构进行调整，例如，基于规则、感测的状况、上下文参数等。例如，如果神经网络在一定量的训练之后作用于一组输入时没有收敛于解决方案，例如，对物品进行分类或得出预测，则可以修改神经网络，例如，从前馈神经网络修改为递归神经网络，例如，通过将节点的一些子集之间的数据路径从单向数据路径切换为双向数据路径。结构适应可以在专家系统的控制下发生，例如，在触发、规则或事件发生时触发适应，例如，识别阈值的发生(例如，在给定时间量内没有收敛到解)或识别需要不同或附加结构的现象(例如，识别系统动态地或以非线性方式变化)。在一个非限制性示例中，专家系统可以在接收到无级变速器用于驱动被分析的系统中的发电机、涡轮机等的指示时，从简单的神经网络结构(例如，前馈神经网络)切换到更复杂的神经网络结构(例如，递归神经网络、卷积神经网络等)。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用自动编码器、自动关联器或空竹神经网络，其可以类似于多层感知器(MLP)神经网络，例如，其中，可以存在输入层、输出层以及连接输入层和输出层的一个或多个隐藏层。然而，自动编码器中的输出层可以具有与输入层相同数量的单元，其中，MLP神经网络的目的是重构其自身的输入(而不仅仅是排放目标值)。因此，自动编码器可以作为无监督学习模型来操作。自动编码器可以例如用于有效编码的无监督学习，例如，用于降维、用于学习数据的生成模型等。在实施例中，自动编码神经网络可用于自学习有效网络编码，用于通过一个或多个网络传输来自机器的模拟传感器数据或来自一个或多个数据源的数字数据。在实施例中，自动编码神经网络可用于自学习用于存储数据流的有效存储方法。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用概率神经网络(PNN)，该概率神经网络在实施例中可以包括多层(例如，四层)前馈神经网络，其中，层可以包括输入层、隐藏层、模式/求和层和输出层。在PNN算法的实施例中，可以例如通过Parzen窗口和/或非参数函数来近似每个类别的父概率分布函数(PDF)。然后，使用每个类别的PDF，估计新输入的类概率，并且可以采用贝叶斯规则，例如，将其分配给具有最高后验概率的类别。PNN可以体现贝叶斯网络，并且可以使用统计算法或分析技术，例如，核Fisher判别分析技术。在本文公开的广泛实施例中的任何实施例中，PNN可以用于分类和模式识别。在一个非限制性示例中，概率神经网络可用于根据从发动机的传感器和仪器收集数据输入来预测发动机的故障状况。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用时延神经网络(TDNN)，该时延神经网络可以包括用于识别独立于序列位置的特征的序列数据的前馈架构。在实施例中，为了考虑数据中的时移，将延迟添加到一个或多个输入，或者在一个或多个节点之间，使得多个数据点(来自不同的时间点)一起分析。时间延迟神经网络可以形成更大的模式识别系统的一部分，例如，使用感知器网络。在实施例中，可以利用监督学习来训练TDNN，例如，其中，利用反向传播或在反馈下训练连接权重。在实施例中，TDNN可用于处理来自不同流(例如，速度数据流、加速度数据流、温度数据流、压力数据流等)的传感器数据，其中，时间延迟用于在时间上对齐数据流，例如，以帮助理解涉及对各种流的理解的模式(例如，现货或远期市场中的价格模式的变化)。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用卷积神经网络(在一些情况下被称为CNN、ConvNet、移位不变神经网络或空间不变神经网络)，其中，单元以类似于人脑的视觉皮层的模式连接。神经元可以对被称为感受野的受限空间区域中的刺激做出反应。感受野可以部分重叠，使得感受野共同覆盖整个(例如，视觉)场。可以数学地计算节点响应，例如，通过卷积运算，例如，使用使用最小预处理的多层感知器。卷积神经网络可以用于图像和视频流内的识别，例如，用于使用设置在移动数据收集器(例如，无人机或移动机器人)上的相机系统来识别大型环境中的机器类型。在实施例中，卷积神经网络可用于基于数据输入(包括传感器输入和其他上下文信息)提供推荐，例如，为移动数据收集器推荐路线。在实施例中，卷积神经网络可以用于处理输入，例如，用于由环境中的工作流中涉及的一方或多方提供的指令的自然语言处理。在实施例中，卷积神经网络可以部署有大量神经元(例如，100,000、500,000或更多)、多个(例如，4、5、6或更多)层以及许多(例如，数百万)参数。卷积神经网络可以使用一个或多个卷积网络。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用调节反馈网络，例如，用于识别紧急现象(例如，在交易环境中先前不理解的新类型的行为)。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用涉及无监督学习的自组织映射(SOM)。一组神经元可以学习将输入空间中的点映射到输出空间中的坐标。输入空间可以具有与输出空间不同的维度和拓扑，并且SOM可以在将现象映射到组中的同时保留这些。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用学习矢量量化神经网络(LVQ)。类别的原型代表可以与适当的距离度量一起在基于距离的分类方案中参数化。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用回波状态网络(ESN)，该回波状态网络可以包括具有稀疏连接的随机隐藏层的递归神经网络。可以改变输出神经元的权重(例如，可以基于反馈来训练权重)。在实施例中，ESN可以用于处理时间序列模式，例如，在示例中，识别与市场相关联的事件的模式，例如，响应于刺激的价格变化的模式。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用双向递归神经网络(BRNN)，例如，使用有限的值序列(例如，来自传感器的电压值)来基于元件的过去和未来上下文预测或标记序列的每个元件。这可以通过将两个RNN的输出相加来完成，例如，一个从左到右处理序列，另一个从右到左处理序列。组合输出是目标信号的预测，例如，由教师或主管提供的信号。双向RNN可以与长短期记忆RNN组合。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用以各种方式连接元件的分层RNN，以将分层行为分解成例如有用的子程序。在实施例中，分层RNN可以用于管理用于交易环境中的数据收集的一个或多个分层模板。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用随机神经网络，该随机神经网络可以将随机变化引入网络中。这种随机变化可以被视为统计抽样的一种形式，例如，蒙特卡罗抽样。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用遗传尺度递归神经网络。在这种实施例中，使用RNN(通常是LSTM)，其中，将序列分解成多个标度，其中，每个标度通知两个连续点之间的主要长度。一阶标度由一个正常的RNN组成，二阶标度由两个索引分隔的所有点组成，以此类推。N阶RNN连接第一个节点和最后一个节点。来自所有各种标度的输出可以被视为成员委员会，并且相关分数可在下一次迭代中遗传使用。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用机器委员会(CoM)，包括一起对给定示例“投票”的不同神经网络的集合。由于神经网络可能受到局部最小值的影响，因此从相同的架构和训练开始，但随机使用不同的初始权重通常会产生不同的结果。CoM倾向于使结果稳定。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用关联神经网络(ASNN)，例如，涉及组合多个前馈神经网络和k最近邻技术的机器委员会的扩展。可以使用集合响应之间的相关性，作为kNN的分析情况中的距离的度量。这校正了神经网络集合的偏差。关联神经网络可以具有可以与训练集重合的存储器。如果有新数据可用，则网络会立即提高其预测能力，并提供数据近似(自学习)，而无需重新训练。ASNN的另一个重要特征是通过分析模型空间中数据案例之间的相关性来解释神经网络结果的可能性。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用瞬时训练的神经网络(ITNN)，其中，隐藏层和输出层的权重直接从训练矢量数据映射。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用脉冲神经网络，该脉冲神经网络可以明确地考虑输入的时间。网络输入和输出可以表示为一系列尖峰(例如，δ函数或更复杂的形状)。SNN可以处理时域中的信息(例如，随时间变化的信号，例如，涉及市场或交易环境的动态行为的信号)。这些通常被实现为循环网络。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用动态神经网络，该动态神经网络解决非线性多变量行为并且包括时间相关行为(例如，瞬态现象和延迟效应)的学习。瞬态可以包括改变市场变量的行为，例如，价格、可用数量、可用交易对手等。
在实施例中，级联相关可以用作架构和监督学习算法，补充固定拓扑网络中的权重的调整。级联相关可以从最小网络开始，然后，自动训练并逐个添加新的隐藏单元，从而创建多层结构。一旦新的隐藏单元被添加到网络中，其输入侧权重可能冻结。然后，该单元成为网络中的永久特征检测器，可用于产生输出或创建其他更复杂的特征检测器。级联相关架构可以快速学习，确定其自身的大小和拓扑，即使训练集改变并且不需要反向传播，也保留其已经构建的结构。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用神经模糊网络，例如，涉及人工神经网络主体中的模糊推理系统。根据类型，几个层可以模拟模糊推理中涉及的过程，例如，模糊化、推理、汇总和解模糊化。将模糊系统嵌入神经网络的一般结构中，作为使用可用训练方法来寻找模糊系统参数的好处。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用组合模式产生网络(CPPN)，例如，关联神经网络(ANN)的变体，其使一组激活函数及其应用方式不同。虽然典型的人工神经网络通常只包含S型函数(并且有时是高斯函数)，但是CPPN可以包括这两种类型的函数和许多其他类型的函数。此外，CPPN可以应用于可能输入的整个空间，使得CPPN可以表示完整的图像。由于CPPN是函数的组合，所以CPPN实际上以无限分辨率对图像进行编码，并且可以通过任何最佳分辨率对特定显示器进行采样。
这种类型的网络可以添加新的模式，无需重新训练。在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用一次性关联存储器网络，例如，通过创建特定存储器结构，该特定存储器结构使用相邻连接的分层阵列将每个新模式分配给正交平面。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用分层时间记忆(HTM)神经网络，例如，涉及新皮质的结构和算法特征。HTM可以使用基于记忆预测理论的仿生模型。HTM可用于发现和推断观察到的输入模式和序列的高级原因。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用全息关联记忆(HAM)神经网络，该神经网络可以包括模拟的、基于相关性的关联刺激响应系统。信息可以映射到复数的相位取向上。记忆对于关联记忆任务、泛化和注意力可变的模式识别是有效的。
量子计算服务
图38示出了根据本公开的实施例的示例量子计算系统3800。在实施例中，量子计算系统3800提供用于向一个或多个量子计算客户端提供一组量子计算服务的框架。在一些实施例中，量子计算系统3800框架可以在相应的量子计算客户端中至少部分地复制。在这些实施例中，单个客户端可以包括量子计算系统3800的一些或全部能力，由此，量子计算系统3800适于由量子计算客户端的子系统执行的特定功能。附加地或替代地，在一些实施例中，量子计算系统3800可以被实现为一组微服务，使得不同的量子计算客户端可以经由暴露给量子计算客户端的一个或多个API来利用量子计算系统3800。在这些实施例中，量子计算系统3800可以被配置为执行可以适用于不同量子计算客户端的各种类型的量子计算服务。在这些配置中的任一配置中，量子计算客户端可以矢量子计算系统3800提供请求，其中，该请求用于执行特定任务(例如，优化)。作为响应，量子计算系统3800执行所请求的任务并且矢量子计算客户端返回响应。
参考图38，在一些实施例中，量子计算系统3800可以包括量子适应服务库3802、量子通用服务库3804、量子数据服务库3806、量子计算引擎库3808、量子计算配置服务3810、量子计算执行系统3812和量子计算API接口3814。
在实施例中，量子计算引擎库3808包括基于各种支持的量子模型的量子计算引擎配置3816和量子计算过程模块3818。在实施例中，量子计算系统3800可以支持许多不同的量子模型，包括但不限于量子电路模型、量子图灵机、绝热量子计算机、自旋电子计算系统(例如，使用自旋轨道耦合来在非磁性固体中生成自旋极化电子态，例如，使用金刚石材料的固体)、单向量子计算机、量子退火和各种量子单元自动机。在量子电路模型下，量子电路可以基于量子位或“量子位”，这在某种程度上类似于经典计算中的位。量子位可以处于1或0量子态，或者可以处于1和0态的叠加。然而，当量子位已经测量了测量结果时，量子位将始终处于1或0量子态。与这两种结果相关的概率取决于量子位在测量之前所处的量子态。通过用量子逻辑门操纵量子位来执行计算，量子逻辑门有点类似于经典逻辑门。
在实施例中，量子计算系统3800可以使用模拟方法或数字方法来物理地实现。模拟方法可以包括但不限于量子模拟、量子退火和绝热量子计算。在实施例中，数字量子计算机使用量子逻辑门来进行计算。模拟和数字方法都可以使用量子位或量子位。
在实施例中，量子计算系统3800包括量子退火模块3820，其中，量子退火模块可以被配置为使用量子涨落在给定的候选解(例如，候选状态)集合上找到给定目标函数的全局最小值或最大值。如本文所使用的，量子退火可以指用于使用基于量子涨落的计算而不是经典计算，从可能非常大但有限的可能解决方案集合内找到识别绝对最小值或最大值(例如，大小、长度、成本、时间、距离或其他度量)的过程的元过程。量子退火模块3820可以用于搜索空间是离散的具有许多局部最小值的问题(例如，组合优化问题)，例如，找到自旋玻璃的基态或旅行推销员问题。
在实施例中，量子退火模块3820从具有相等权重的所有可能状态(候选状态)的量子力学叠加开始。量子退火模块3820然后可以演化，例如，遵循依赖于时间的薛定谔方程，系统(例如，物理系统、逻辑系统等)的自然量子力学演化。在实施例中，所有候选态的振幅改变，根据横向场的时间相关强度实现量子并行，这导致态之间的量子隧穿。如果横向场的变化速率足够慢，则量子退火模块3820可以保持接近瞬时哈密顿量的基态。如果横向场的变化速率加速，则量子退火模块3820可以暂时离开基态，但产生在最终问题能源状态或哈密顿量的基态中结束的更高可能性。
在实施例中，量子计算系统3800可以包括任意大量的量子位，并且可以将离子传输到离子阱阵列中的空间上不同的位置，经由远程纠缠的离子链的光子连接网络构建大幅纠缠态。
在一些实现方式中，量子计算系统3800包括俘获离子计算机模块3822，该俘获离子计算机模块可以是应用俘获离子来解决复杂问题的量子计算机。俘获离子计算机模块3822可以具有低量子退相干并且可以能够构建大幅溶液状态。离子或带电原子粒子可以使用电磁场限制和悬浮在自由空间中。量子位存储在每个离子的稳定电子态中，并且量子信息可以通过共享阱中离子的集体量子化运动(通过库仑力相互作用)来传输。可以应用激光来诱导量子位状态之间的耦合(用于单量子位操作)或内部量子位状态与外部运动状态之间的耦合(用于量子位之间的纠缠)。
在本发明的一些实施例中，包括处理器、存储器和图形用户接口(GUI)的传统计算机可用于设计、编译和提供来自执行的输出，并且量子计算系统3800可用于执行机器语言指令。在本发明的一些实施例中，量子计算系统3800可以由传统计算机执行的计算机程序来模拟。在这种实施例中，可以基于来自初始状况的输入来准备量子计算系统3800的状态的叠加。由于量子计算机中可用的初始化操作只能将量子位初始化为0>或1>状态，因此初始化为状态的叠加在物理上是不现实的。然而，出于模拟目的，绕过初始化过程并直接初始化量子计算系统3800可能是有用的。
在一些实施例中，量子计算系统3800提供各种量子数据服务，包括量子输入过滤、量子输出过滤、量子应用过滤和量子数据库引擎。
在实施例中，量子计算系统3800可以包括量子输入过滤服务3824。在实施例中，量子输入过滤服务3824可以被配置为选择是在量子计算系统3800上运行模型还是在经典计算系统上运行模型。在一些实施例中，量子输入过滤服务3824可以过滤数据，以用于以后在经典计算机上建模。在实施例中，量子计算系统3800可以向传统计算平台提供输入，同时过滤掉流入分布式系统的不必要信息。在一些实施例中，量子计算系统3800可以通过针对智能代理的过滤的指定体验来信任。
在实施例中，系统的系统中的系统可以包括用于基于一组输入来自动确定是否将量子计算或量子算法资源部署到活动、是否部署传统计算资源和算法、或者是否应用其混合或组合的模型或系统。在实施例中，模型或自动化系统的输入可以包括需求信息、供应信息、财务数据、能源成本信息、计算资源的资本成本、开发成本(例如，算法)、能源成本、操作成本(包括劳动力和其他成本)、关于可用资源(量子和传统)的性能信息以及可用于模拟(例如，使用本文和/或通过引用并入本文的文献中描述的多种模拟技术中的任一种)和/或预测量子优化结果与非量子优化结果之间的结果差异的许多其他数据集中的任一个。可以例如通过对结果的深度学习或通过来自人类专家决策的数据集来训练机器学习模型(包括在DPANN系统中)，以在考虑给定请求的输入数据的情况下确定要部署哪一组资源。模型本身可以部署在量子计算资源上和/或可以使用量子算法(例如，量子退火)来确定是否、在哪里以及何时使用量子系统、传统系统和/或混合或组合。
在本发明的一些实施例中，量子计算系统3800可以包括量子输出过滤服务3826。在实施例中，量子输出过滤服务3826可以被配置为从多个神经网络的解决方案中选择解决方案。例如，多个神经网络可以被配置为生成特定问题的解决方案，并且量子输出过滤服务3826可以从这组解决方案中选择最佳解决方案。
在一些实施例中，量子计算系统3800连接并指导神经网络开发或选择过程。在该实施例中，量子计算系统3800可以直接编程神经网络的权重，使得神经网络给出期望的输出。然后，该量子编程神经网络可以在没有量子计算系统3800的监督的情况下操作，但仍将在期望的计算引擎的预期参数内操作。
在实施例中，量子计算系统3800包括量子数据库引擎3828。在实施例中，量子数据库引擎3828配置有数据库内量子算法执行。在实施例中，可以采用量子查询语言来查询量子数据库引擎3828。在一些实施例中，量子数据库引擎可以具有用于量子工作流的优先级化和/或分配的嵌入式策略引擎3830，包括查询工作负载的优先级化，例如，基于总体优先级以及使用量子计算资源相对于其他资源的比较优势。在实施例中，量子数据库引擎3828可以通过建立在交互和接触点上有效的单个身份来辅助实体的识别。量子数据库引擎3828可以被配置为执行数据匹配的优化和智能传统计算优化，以匹配各个数据元件。量子计算系统3800可以包括用于混淆数据的量子数据混淆系统。
量子计算系统3800可以包括但不限于模拟量子计算机、数字计算机和/或纠错量子计算机。模拟量子计算机可以直接操纵量子位之间的相互作用，而无需将这些动作分解为原始门操作。在实施例中，可以运行模拟机器的量子计算机包括但不限于量子退火器、绝热量子计算机和直接量子模拟器。数字计算机可以通过使用物理量子位上的原始门操作来执行感兴趣的算法，从而进行操作。纠错量子计算机可以指通过部署量子纠错(QEC)而变得更加健壮的基于门的量子计算机的版本，这使得有噪声的物理量子位能够模拟稳定的逻辑量子位，使得计算机对于任何计算都表现可靠。此外，量子信息产品可以包括但不限于计算能力、量子预测和量子发明。
在一些实施例中，量子计算系统3800被配置为引擎，该引擎可用于优化传统计算机，将来自多个源的数据集成到决策过程中等。数据集成过程可能涉及通过与价值链网络活动直接和间接相关的广泛跟踪能力实时捕获和管理交互数据。在实施例中，量子计算系统3800可以被配置为接受cookie、电子邮件地址和其他联系人数据、社交媒体馈送、新闻馈送、事件和交易日志数据(包括交易事件、网络事件、计算事件和许多其他)、事件流、网络爬行的结果、分布式分类账信息(包括区块链更新和状态信息)、来自数据源的分布式或联合查询的结果、来自聊天室和论坛的数据流等。
在实施例中，量子计算系统3800包括具有多个量子位的量子寄存器。此外，量子计算系统3800可以包括用于对量子寄存器中的每个量子位实现基本操作的量子控制系统和用于协调所需操作的控制处理器。
在实施例中，量子计算系统3800被配置为优化一组商品或服务的定价。在实施例中，量子计算系统3800可以利用量子退火，来提供优化的定价。在实施例中，量子计算系统3800可以使用基于量子位的计算方法来优化定价。
在实施例中，量子计算系统3800被配置为自动发现智能合约配置机会。智能合约配置机会的自动发现可以基于向市场发布的API和机器学习(例如，通过利益相关者、资产和交易类型的机器人过程自动化(RPA))。
在实施例中，量子建立的或其他支持区块链的智能合约使得能够在各方网络之间发生频繁的交易，并且由交易对手针对每次交易执行手动或重复任务。量子建立或其他区块链充当共享数据库，以提供安全、单一的真实来源，智能合约自动执行审批、计算和其他容易出现滞后和误差的交易活动。智能合约可以使用软件代码来使任务自动化，并且在一些实施例中，该软件代码可以包括实现极其复杂的优化结果的量子代码。
在实施例中，量子计算系统3800或这些系统中的该系统中的其他系统可以包括被配置为执行风险识别和/或缓解的量子支持或其他风险识别模块。风险识别模块可以采取的步骤可以包括但不限于风险识别、影响评估等。在一些实施例中，风险识别模块从一组风险类型中确定风险类型。在实施例中，风险可以包括但不限于可预防的、战略性的和外部的风险。可预防风险可能是指来自内部的风险，通常可以在基于规则的层面上进行管理，例如，采用操作程序监测以及员工和管理者的指导和指示。策略风险可以指那些为了获得更大回报而自愿承担的风险。外部风险可以指源自外部且不在企业控制范围内的风险(例如，自然灾害)。外部风险是不可预防的或不可取的。在实施例中，风险识别模块可以确定许多类别的风险的预测成本。风险识别模块可以执行对总体风险概况的当前和潜在影响的计算。在实施例中，风险识别模块可以确定某些事件的概率和重要性。附加地或替代地，风险识别模块可以被配置为预测事件。
在实施例中，量子计算系统3800或量子计算系统3800的其他系统被配置用于图形聚类分析，用于异常和欺诈检测。
在一些实施例中，量子计算系统3800包括量子预测模块，该量子预测模块被配置为生成预测。此外，量子预测模块可以构建经典预测引擎，以进一步生成预测，从而减少对正在进行的量子计算成本的需要，与传统计算机相比，这一成本可能是巨大的。
在实施例中，量子计算系统3800可以包括量子主成分分析(QPCA)算法，如果在关于以量子力学形式给出的矢量的特定假设下，可有效地获得数据的协方差矩阵，作为密度矩阵，则该算法可以处理输入矢量数据。可以假设用户具有对量子存储器中的训练矢量数据的量子访问。此外，可以假设每个训练矢量根据其与类均值的差异存储在量子存储器中。然后可以应用这些QPCA算法来使用量子方法的计算益处提供降维。
在实施例中，量子计算系统3800被配置用于针对利害关系证明区块链的经认证随机性的图聚类分析。量子密码方案可以在其设计中利用量子力学，这使得这种方案能够依赖于假定牢不可破的物理定律来实现其安全性。量子密码方案可以是信息理论上安全的，使得其安全性不基于任何非基本假设。在区块链系统的设计中，信息论安全性没有得到证明。相反，经典的区块链技术通常依赖于对攻击者资源限制做出假设的安全论点。
在实施例中，量子计算系统3800被配置用于检测对抗性系统，例如，对抗性神经网络，包括对抗性卷积神经网络。例如，量子计算系统3800或量子计算系统3800的其他系统可以被配置为检测虚假交易模式。
在实施例中，量子计算系统3800包括量子持续学习(系统或QCL)系统3832，其中，QCL系统3832连续并且自适应地学习外部世界，通过更新量子模型以考虑不同的任务和数据分布，来实现复杂技能和知识的自主增量开发。QCL系统3832在真实的时间尺度上操作，其中，数据和/或任务仅在操作期间变得可用。先前的量子态可以叠加到量子引擎中，以提供QCL的容量。因为QCL系统3832不受限于可以确定性地处理的有限数量的变量，所以可以连续地适应未来状态，从而产生动态的连续学习能力。QCL系统3832可以具有数据分布保持相对静态但是连续接收数据的应用。例如，QCL系统3832可以用在量子推荐应用或量子异常检测系统中，其中，连续地接收数据并且量子模型连续地细化，以提供各种结果、预测等。QCL实现任务的异步交替训练，并且仅在特定时刻对可从一个或多个流源获得的实时数据更新量子模型。
在实施例中，QCL系统3832在目标数据基于不受控制的隐藏变量保持变化的复杂环境中操作。在实施例中，QCL系统3832可以在处理增加的数据量并且在维护实际数量的量子态的同时，在智能方面进行缩放。QCL系统3832应用量子方法来大幅减少对历史数据存储的需求，同时允许执行连续计算，以提供详细信息驱动的最佳结果。在实施例中，QCL系统3832被配置用于无监督流式传输感知数据，因为该系统用新的可用数据连续地更新量子模型。
在实施例中，QCL系统3832实现多模态多任务量子学习。QCL系统3832不限于单个感知数据流，而是允许来自不同传感器和输入模态的许多感知数据流。在实施例中，QCL系统3832可以通过复制量子态并在复制的量子环境上执行计算来解决多个任务。QCL的一个关键优势是量子模型不需要在历史数据上重新训练，因为叠加态保存与所有先前输入相关的信息。多模态和多任务量子学习增强了量子优化，因为这通过应用大量状态信息赋予了量子机器推理技能。
在实施例中，量子计算系统3800支持量子叠加或将一组状态叠加到单个量子环境中的能力。
在实施例中，量子计算系统3800支持量子隐形传态。例如，即使光子没有物理链接，信息可也以在芯片组上的光子之间传递。
在实施例中，量子计算系统3800可以包括量子转移定价系统。量子转移定价允许为子公司、附属公司或共同控制的公司之间交换的商品和/或服务确定价格，这些公司是大型企业的一部分，可以用于为公司节省税款。在实施例中，解决转移定价问题涉及用一组测试来测试系统的系统中的每个系统的弹性。在这些实施例中，测试可以按周期性批次进行，然后可以重复。如本文所述，转移定价可以指公司中的一个部门就商品和服务向该公司中的另一个部门收取的价格。
在实施例中，量子转移定价系统全年持续地整合与组织的所有实体的转移定价相关的所有财务数据，其中，整合涉及应用量子纠缠，以将数据覆盖到单个量子态中。在实施例中，财务数据可以包括利润数据、损失数据、来自公司间发票的数据(可能包括数量和价格)等。
在实施例中，量子转移定价系统可以与基于叠加数据报告分段利润和损失、交易矩阵、税收优化结果等的报告系统接合。在实施例中，量子转移定价系统自动生成预测计算，并且评估一组任何量子态的预期局部利润。
在实施例中，量子转移定价系统可以与用于执行模拟的模拟系统集成。可以通过集成量子工作流和量子隐形传态通讯状态跨境讨论新产品价格的建议最优值。
在实施例中，量子转移定价可以用于例如在日历年期间主动控制跨国企业(MNE)内的利润分布，使得实体能够实现每种类型交易的公平利润范围。
在实施例中，QCL系统3832可以使用多种方法来计算量子转移定价，包括量子可比非受控价格(QCUP)方法、量子成本加百分比方法(QCPM)、量子转售价格方法(QRPM)、量子交易净利方法(QTNM)和量子利润分割方法。
QCUP方法可以应用量子计算来找到相关和不相关组织之间进行的可比交易，可能通过量子叠加数据的共享。通过应用量子比较引擎将公司间交易中的商品和/或服务的价格与独立方使用的价格进行比较，可以确定基准价格。
QCPM方法可以将毛利润与销售成本进行比较，从而衡量成本加成加价(从产品中获得的实际利润)。一旦确定了这一加价，该加价就应该等于第三方在可比的上下文和类似外部市场状况下进行的类似交易中所获得的加价。在实施例中，量子引擎可以模拟外部市场状况。
QRPM方法着眼于交易组而不是单个交易，并基于毛利率或采购产品的价格与出售给第三方的价格之间的差异。在实施例中，量子引擎可以应用于计算价格差异并记录叠加系统中的交易。
QTNM方法基于受控交易的净利润，而不是可比的外部市场定价。净利润的计算是通过量子引擎完成的，该量子引擎可以考虑多种因素并最优地解决产品价格。然后可能会将净利润与独立企业的净利润进行比较，可能使用量子隐形传态。
当两家相关公司分别从事同一业务时，可以使用量子利润分割方法。在这些应用中，量子转移定价是基于利润的。量子利润分割方法应用量子计算来确定与特定交易相关的利润如何在相关的独立方之间分割。
在实施例中，量子计算系统3800可以利用一个或多个人工网络来满足量子计算客户端的请求。例如，量子计算系统3800可以利用一组人工神经网络来识别图像中的模式(例如，使用来自液体透镜系统的图像数据)、执行二元矩阵因式分解、执行主题内容定向、执行基于相似性的聚类、执行协作过滤、执行机会挖掘等。
在实施例中，系统的系统可以包括用于优先化和分配量子计算资源和传统计算资源的混合计算分配系统。在实施例中，量子计算资源和传统计算资源的优先化和分配可以是基于测量(例如，测量量子资源相对于其他可用资源的优势程度)、基于成本的、基于最优性的、基于速度的、基于影响的等。在一些实施例中，混合计算分配系统被配置为在量子计算系统3800和传统计算系统之间执行时分复用。在实施例中，混合计算分配系统可以自动跟踪和报告计算资源的分配、计算资源的可用性、计算资源的成本等。
在实施例中，量子计算系统3800可以用于队列优化，用于利用量子计算资源，包括基于上下文的队列优化。
在实施例中，量子计算系统3800可以支持量子计算感知的基于位置的数据缓存。
在实施例中，量子计算系统3800可以用于系统中的该系统中的各种系统资源的优化，包括量子计算资源、传统计算资源、能源资源、人力资源、机器人车队资源、智能容器车队资源、I/O带宽、存储资源、网络带宽、注意力资源等的优化。
可以实现量子计算系统3800，其中，完整范围的能力可用于任何配置的服务或作为任何配置的服务的一部分。配置的量子计算服务可以配置有这些能力的子集，以执行特定的预定义功能、产生新定义的功能或两者的各种组合。
图39示出了根据本公开的一些实施例的量子计算服务请求处理。定向量子计算请求3902可以来自一个或多个量子感知设备或设备堆栈，其中，该请求用于配置有特定量子实例、量子计算引擎或其他量子计算资源的已知应用，并且其中，与请求相关联的数据可以预处理或以其他方式优化，用于量子计算。
一般量子计算请求3904可以来自系统的系统或配置的服务中的任何系统，其中，请求者已经确定量子计算资源可以提供附加价值或其他改进的结果。量子计算服务还可以与某种形式的监测和分析相关联地建议改进的结果。对于一般量子计算请求3904，输入数据可以不按照量子计算的需要进行结构化或格式化。
在实施例中，外部数据请求3906可以包括训练新量子实例所必需的任何可用数据。这种请求的来源可能是公共数据、传感器、ERP系统等。
可以使用归一化方法来分析传入的操作请求和相关联的数据，该归一化方法标识可以应用于执行所请求的操作的已知量子实例、量子计算引擎或其他量子计算资源的一个或多个可能集合。可以在量子集合库3908中标识潜在的现有集合。
在实施例中，量子计算系统3800包括量子计算配置服务3810。量子计算配置服务可以单独或与智能服务3834一起工作，以使用还包括请求者的优先级的资源和优先级分析来选择最佳可用配置。量子计算配置服务可以提供解决方案(是)或确定需要新配置(否)。
在一个示例中，所请求的量子计算服务集合可能不存在于量子集合库3908中。在该示例中，必须使用可用数据利用智能服务3834开发(训练)一个或多个新量子实例。在实施例中，可以在来自智能服务3834的帮助下开发替代配置，以标识提供所有或一些所请求的量子计算服务的替代方式，直到适当的资源变得可用。例如，量子/传统混合模型是可能的，提供所请求的服务，但是具有较慢的速率。
在实施例中，可以在来自智能服务3834的帮助下开发替代配置，以标识提供所有或一些所请求的量子计算服务的替代和可能临时的方式。例如，混合量子/传统模型是可能的，提供所请求的服务，但是具有较慢的速率。这还可以包括反馈学习循环，以实时调整服务或改进存储的库元件。
当量子计算配置已经标识并且可用时，对量子计算配置进行分配和编程，以用于一个或多个量子态(解决方案)的执行和输送。
基于生物学的系统、方法、试剂盒和装置
图40和图41一起示出了丘脑服务4000和一组输入传感器，跨中央控制系统4002以其中央管理的数据源4004从各种源流式传输数据。丘脑服务4000将信息过滤到中央控制系统4002中，使得控制系统永远不会被信息的总量淹没。在实施例中，丘脑服务4000为系统内的信息流提供信息抑制机制。该机制监测所有数据流，并通过确保来自所有输入传感器的最大数据流，始终受到约束来剥离不相关的数据流。
丘脑服务4000可以是用于响应于优化中央控制系统4002的所有通信的网关。例如，在隔离区域中的已知火灾期间，中央控制系统4002可以决定改变从丘脑服务4000流流传输传输的数据的优化，并且该事件可以指导丘脑服务4000继续提供火焰传感器信息，尽管该数据中的大多数数据并不罕见。丘脑服务4000可以是整个系统通信框架的组成部分。
在实施例中，丘脑服务4000包括进气管理系统4006。进气管理系统4006可以被配置为通过将多个大数据集转换成数据流来接收和处理多个大数据集，调整数据流的大小并且组织数据流，以供随后由在一个或多个系统内操作的中央控制系统4002使用。例如，机器人可以包括由中央控制系统4002用于实时标识和移动通过环境的视觉和感测系统。进气管理系统4006可以通过解析、过滤、分类或以其他方式减小多个大数据集的大小并增加其效用来促进机器人决策，否则，多个大数据集将压倒中央控制系统4002。在实施例中，进气管理系统可以包括进气控制器4008，该进气控制器与智能服务4010一起工作，以评估传入数据并采取基于动作的评估结果。评估和动作可以包括由丘脑服务4000接收的特定指令集，例如，使用在“联网”库模块内规定的一组特定压缩和优化工具。在另一示例中，丘脑服务输入可以指导特定过滤和抑制技术的使用。在第三示例中，丘脑服务输入可以规定与感兴趣区域(例如，某种类型的财务交易)相关联的数据过滤。进气管理系统还被配置为识别和管理矢量化格式(例如，PCMP)的数据集，其中，这些数据集可以直接传递到中央控制，或者替代地解构和单独处理。进气管理系统4006可以包括学习模块，该学习模块从外部源接收数据，使得能够改进和创建应用程序和数据管理库模块。在一些情况下，进气管理系统可以请求外部数据扩充现有数据集。
在实施例中，中央控制系统4002可以指导丘脑服务4000改变其过滤，以提供来自一组特定源的更多输入。丘脑服务4000通过抑制基于将总数据流约束在中央控制系统内可以处理的体积内的其他信息流，来处理更多输入的这种指示。
丘脑服务4000可以通过基于若干不同因素抑制数据来操作，并且在实施例中，默认因素可以是数据的异常。这种异常是对所有输入传感器的持续监测，并确定数据的异常。
在一些实施例中，丘脑服务4000可以基于地理空间因素来抑制数据。丘脑服务4000可以知道所有传感器的地理空间位置，并且能够基于地理空间上下文在数据中寻找异常的模式并相应地抑制数据。
在一些实施例中，丘脑服务4000可以基于时间因素来抑制数据。例如，如果可以降低数据的节奏，使得整个数据流被过滤到中央处理单元可以处理的水平，则可以在时间上抑制数据。
在一些实施例中，丘脑服务4000可以基于上下文因素来抑制数据。在实施例中，基于上下文的过滤是过滤事件，其中，丘脑服务4000知道某个基于上下文的事件。在这种情况下，进行过滤，以抑制与来自事件的数据无关的信息流。
在实施例中，中央控制系统4002可以超越丘脑过滤，并且出于任何特定原因决定聚焦于完全不同的区域。
在实施例中，系统可以包括矢量模块。在实施例中，矢量模块可用于将数据转换为矢量化格式。在许多示例中，将通常相似的数字的长序列转换成可以包括短期未来预测的矢量使得通信在大小上更小并且在本质上更具前瞻性。在实施例中，预测方法可以包括：移动平均线；加权移动平均；卡尔曼过滤；指数平滑；自回归移动平均(预测取决于预测变量的过去值和过去的预测误差)；自回归积分移动平均(ARIMA)(预测变量的周期变化的ARMA)；外推；线性预测；趋势估计(将变量预测为时间的线性或多项式函数)；生长曲线(例如，统计)；以及递归神经网络。
在实施例中，系统可以包括预测模型通信协议(PMCP)系统，以支持基于矢量的预测模型和预测模型通信协议(PMCP)。在PMCP协议下，并非传输单个数据项的传统流，而是传输表示数据如何变化或数据中的预测趋势的矢量。PMCP系统可以发送实际模型参数和接收单元，使得边缘设备可以应用基于矢量的预测模型来确定未来状态。例如，网络中的每个自动化设备可以训练回归模型或神经网络，不断地将数据流拟合到当前输入数据。利用PMCP系统的所有自动化设备能够在事件实际发生之前做出反应，而不是等待例如物品的库存耗尽。继续示例，无状态自动化设备可以对预测的未来状态做出反应并进行必要的调整，例如，订购更多的物品。
在实施例中，PMCP系统使得能够传送矢量信息和允许处理矢量信息，以细化关于一组基于概率的状态的已知信息的算法。例如，PMCP系统可以支持传送在传感器读数的每个点处收集的矢量信息，但是还可以添加允许处理信息的算法。应用于具有大量不同精度和可靠性的传感器的环境中，PMCP系统的基于概率矢量的机制允许大量(如果不是全部的话)数据流组合，以产生表示当前状态、过去状态和可能的未来状态的精细模型。近似方法可以包括重要性采样，并且所得算法被称为粒子过滤器、凝聚算法或蒙特卡罗定位。
在实施例中，PMCP系统的基于矢量的通信允许例如通过以半自主方式运行的简单边缘节点设备来预期未来的安全事件。边缘设备可以负责构建一组显示数据趋势的预测模型。可以使用PMCP系统来传输这组预测模型的参数。
安全系统不断寻找显示状态变化的矢量，因为异常事件往往会触发多个矢量，以显示异常模式。在安全设置中，看到多个同时的异常矢量可以触发升级和例如控制系统的响应。此外，通信安全关注的一个主要领域是围绕存储数据的保护，并且在基于矢量的系统中，不需要存储数据，因此简单地消除了数据丢失的风险。
在实施例中，PMCP数据可以直接存储在可查询数据库中，其中，实际数据响应于查询而动态地重构。在一些实施例中，PMCP数据流可以用于重新创建细粒度数据，使得其成为提取变换和加载(ETL)过程的一部分。
在边缘设备的容量非常有限的实施例中，可以添加附加边缘通信设备，以将数据转换为PMCP格式。例如，为了保护分布式医疗设备免受黑客攻击，许多制造商会选择不将设备连接到任何类型的网络。为了克服这一限制，可以使用传感器(例如，相机、声音监测器、用于电力使用的电压检测器、化学嗅探器等)来监测医疗设备。功能单元学习和其他数据技术可用于确定与网络功能单元分离的医疗设备的实际使用情况。
使用矢量数据的通信允许持续查看可能的未来状态。这允许传送未来状态，允许各种实体在不需要访问细粒度数据的情况下提前响应于未来状态要求。
在实施例中，PMCP协议可用于传送关于生产水平和未来生产趋势的相关信息。该PMCP数据馈送具有内置的数据混淆功能，允许与消费者、监管机构和其他实体共享有关生产水平的真实上下文信息，而无需共享敏感数据。例如，当选择购买新车时，如果即将出现红色油漆短缺，则可以鼓励消费者选择不同的颜色，以保持期望的交付时间。PMCP和矢量数据实现了简单的数据通知交互系统，用户可以应用这些系统，而不必构建极其复杂的大数据引擎。例如，上游制造商具有协调许多下游消耗点的极其复杂的任务。通过使用PMCP，制造商能够向消费者提供真实信息，而无需存储详细的数据和构建复杂的模型。
在实施例中，边缘设备单元可以经由PMCP系统通信，以示出移动方向和可能的未来位置。例如，移动机器人可以传送其未来移动的可能轨迹。
在实施例中，PMCP系统实现基于矢量的数据的视觉表示(例如，经由用户接口)，突出显示关注的区域，而无需处理大量的数据。该表示允许显示许多监测的矢量输入。然后，用户接口可以显示与感兴趣的关键物品相关的信息，特别是显示异常或麻烦移动的区域的矢量。该机制允许在边缘设备边缘节点处构建的复杂模型，以视觉信息方式馈送到最终用户通信中。
功能单元产生源源持续的“无聊”数据流。通过从产生数据转变为监测问题，物流模块的问题突出显示，而不需要仔细检查细粒度数据。在实施例中，矢量化过程可以不断地管理示出未来状态的预测模型。在维护方面，预测模型中参数的这些变化本身就是操作参数变化的预测器，可能表明需要维护。在实施例中，功能区域并不总是被设计成连接的，但是通过允许外部设备虚拟地监测设备，不允许连接的功能区域可以成为货物中信息流的一部分。该概念扩展到允许通过用矢量化的监测信息修饰其数据流，来有效地监测具有有限连接性的功能区域。将自动化设备放置在具有有限连接或没有连接的功能单元附近，允许在不需要连接的情况下从设备捕获信息。还有可能为这些未连接或有限连接的功能区域添加训练数据捕获功能单元。这些训练数据捕获功能单元通常相当昂贵，并且可以提供高质量的监测数据，该监测数据用作邻近边缘设备监测设备的输入，以提供用于监督学习算法的数据。
通常，位置充满了电气干扰，给通信带来了根本性的挑战。流式传输所有细粒度数据的传统方法依赖于数据流的完整性。例如，如果边缘设备离线10分钟，流数据及其信息将会丢失。通过矢量化通信，离线单元继续细化预测模型，直到重新连接的时刻，这允许经由PMCP系统传输更新的模型。
在实施例中，系统和设备可以基于PMCP协议。例如，相机和视觉系统(例如，液体透镜系统)、用户设备、传感器、机器人、智能容器等可以使用PMCP和/或基于矢量的通信。例如，通过使用基于矢量的相机，仅传输与物品的移动相关的信息。这减少了数据量，并且本质上过滤了关于静态物品的信息，仅显示图像中的变化，并将数据通信集中在变化的元件上。变化的通信到通信的整体转变类似于人类视觉过程的功能，静止的物体甚至不会传送到大脑的更高层次。
射频识别允许实时跟踪大量移动标签。在实施例中，标签的移动可以经由PMCP协议作为矢量信息进行通信，因为这种形式的通信自然适合于处理关于标签在货物内的位置的信息。通过利用可以使用先前移动路径的预测模型来显示位置的未来状态的能力，允许商品将基本的通信机制改变为使用数据流的单位正在使用有关商品未来可能状态的信息的机制。在实施例中，每个标记物品可以被表示为基于概率的位置矩阵，该基于概率的位置矩阵示出了标记物品在空间中的位置处的可能概率。移动通信显示了位置概率矩阵到一组新概率的转换。该概率位置概览提供了移动单元的可能相交的区域的恒定建模，并允许细化物品位置的概率视图。移动到基于矢量的概率矩阵允许单元不断地处理各种物品、实体等的状态测量中的固有不确定性。在实施例中，状态包括但不限于位置、温度、移动和功耗。
在实施例中，在基于PMCP的通信系统中连续监测传感器输入不需要连续连接。例如，具有多个传感器的移动机器人设备将在与网络断开连接时继续构建数据流的模型和预测，并且在重新连接时，传送更新的模型。此外，使用来自被监测系统或设备的输入的其他系统或设备可以应用最佳已知的、通常是最后传送的矢量预测，以继续保持对货物状态的概率理解。
附加示例性实施例
基于AI的能源边缘平台
在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，并且具有用于跨网络中的一组节点传送数据的系统，其中，每个节点适于对能源生成、存储或消耗数据的能源数据集进行操作，其中，一组节点配置有算法或规则集中的至少一个，用于基于网络状况、网络纠错要求、数据大小、数据粒度或数据内容中的至少一个来过滤、压缩或路由能源数据集。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的至少一个参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由指令，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的纠错参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的压缩参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的存储参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的定时参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，并且具有边缘设备人工智能系统，用于对通过边缘设备传送的数据进行操作，以优化由边缘设备和由边缘设备控制的一组系统共同使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，并且具有用于自动和协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对数据集的人工智能处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对社交数据内容的自然语言处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对卫星图像内容或网络图像内容的计算机视觉处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对一组能源交易日志的自动处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的发现是通过应用人工智能系统来实现的，该人工智能系统在电网和离网能源模式的历史训练数据集上进行训练，以识别离网能源资源的存在。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产生成能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于至少一个传统基础设施资产存储能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于至少一个传统基础设施资产消耗能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源生成数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源存储数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源消耗数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，并且具有一组用于能源边缘数据收集和传输的自适应自主数据处理系统。
自适应能源数据管道
在实施例中本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，每个节点适于对能源生成、存储或消耗数据的能源数据集进行操作，其中，一组节点配置有算法或规则集中的至少一个，用于基于网络状况、网络纠错要求、数据大小、数据粒度或数据内容中的至少一个来过滤、压缩或路由能源数据集。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，每个节点适于对能源生成、存储或消耗数据的能源数据集进行操作，其中，一组节点配置有算法或规则集中的至少一个，用于基于网络状况、网络纠错要求、数据大小、数据粒度或数据内容中的至少一个来过滤、压缩或路由能源数据集，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的至少一个参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，每个节点适于对能源生成、存储或消耗数据的能源数据集进行操作，其中，一组节点配置有算法或规则集中的至少一个，用于基于网络状况、网络纠错要求、数据大小、数据粒度或数据内容中的至少一个来过滤、压缩或路由能源数据集，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由指令，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，每个节点适于对能源生成、存储或消耗数据的能源数据集进行操作，其中，一组节点配置有算法或规则集中的至少一个，用于基于网络状况、网络纠错要求、数据大小、数据粒度或数据内容中的至少一个来过滤、压缩或路由能源数据集，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，每个节点适于对能源生成、存储或消耗数据的能源数据集进行操作，其中，一组节点配置有算法或规则集中的至少一个，用于基于网络状况、网络纠错要求、数据大小、数据粒度或数据内容中的至少一个来过滤、压缩或路由能源数据集，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的纠错参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，每个节点适于对能源生成、存储或消耗数据的能源数据集进行操作，其中，一组节点配置有算法或规则集中的至少一个，用于基于网络状况、网络纠错要求、数据大小、数据粒度或数据内容中的至少一个来过滤、压缩或路由能源数据集，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的压缩参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，每个节点适于对能源生成、存储或消耗数据的能源数据集进行操作，其中，一组节点配置有算法或规则集中的至少一个，用于基于网络状况、网络纠错要求、数据大小、数据粒度或数据内容中的至少一个来过滤、压缩或路由能源数据集，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的存储参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，每个节点适于对能源生成、存储或消耗数据的能源数据集进行操作，其中，一组节点配置有算法或规则集中的至少一个，用于基于网络状况、网络纠错要求、数据大小、数据粒度或数据内容中的至少一个来过滤、压缩或路由能源数据集，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的定时参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，每个节点适于对能源生成、存储或消耗数据的能源数据集进行操作，其中，一组节点配置有算法或规则集中的至少一个，用于基于网络状况、网络纠错要求、数据大小、数据粒度或数据内容中的至少一个来过滤、压缩或路由能源数据集，并且具有边缘设备人工智能系统，用于对通过边缘设备传送的数据进行操作，以优化由边缘设备和由边缘设备控制的一组系统共同使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，每个节点适于对能源生成、存储或消耗数据的能源数据集进行操作，其中，一组节点配置有算法或规则集中的至少一个，用于基于网络状况、网络纠错要求、数据大小、数据粒度或数据内容中的至少一个来过滤、压缩或路由能源数据集，并且具有用于自动和协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，每个节点适于对能源生成、存储或消耗数据的能源数据集进行操作，其中，一组节点配置有算法或规则集中的至少一个，用于基于网络状况、网络纠错要求、数据大小、数据粒度或数据内容中的至少一个来过滤、压缩或路由能源数据集，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，每个节点适于对能源生成、存储或消耗数据的能源数据集进行操作，其中，一组节点配置有算法或规则集中的至少一个，用于基于网络状况、网络纠错要求、数据大小、数据粒度或数据内容中的至少一个来过滤、压缩或路由能源数据集，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对数据集的人工智能处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，每个节点适于对能源生成、存储或消耗数据的能源数据集进行操作，其中，一组节点配置有算法或规则集中的至少一个，用于基于网络状况、网络纠错要求、数据大小、数据粒度或数据内容中的至少一个来过滤、压缩或路由能源数据集，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对社交数据内容的自然语言处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，每个节点适于对能源生成、存储或消耗数据的能源数据集进行操作，其中，一组节点配置有算法或规则集中的至少一个，用于基于网络状况、网络纠错要求、数据大小、数据粒度或数据内容中的至少一个来过滤、压缩或路由能源数据集，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对卫星图像内容或网络图像内容的计算机视觉处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，每个节点适于对能源生成、存储或消耗数据的能源数据集进行操作，其中，一组节点配置有算法或规则集中的至少一个，用于基于网络状况、网络纠错要求、数据大小、数据粒度或数据内容中的至少一个来过滤、压缩或路由能源数据集，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对一组能源交易日志的自动处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，每个节点适于对能源生成、存储或消耗数据的能源数据集进行操作，其中，一组节点配置有算法或规则集中的至少一个，用于基于网络状况、网络纠错要求、数据大小、数据粒度或数据内容中的至少一个来过滤、压缩或路由能源数据集，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的发现是通过应用人工智能系统来实现的，该人工智能系统在电网和离网能源模式的历史训练数据集上进行训练，以识别离网能源资源的存在。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，每个节点适于对能源生成、存储或消耗数据的能源数据集进行操作，其中，一组节点配置有算法或规则集中的至少一个，用于基于网络状况、网络纠错要求、数据大小、数据粒度或数据内容中的至少一个来过滤、压缩或路由能源数据集，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产生成能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，每个节点适于对能源生成、存储或消耗数据的能源数据集进行操作，其中，一组节点配置有算法或规则集中的至少一个，用于基于网络状况、网络纠错要求、数据大小、数据粒度或数据内容中的至少一个来过滤、压缩或路由能源数据集，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于至少一个传统基础设施资产存储能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，每个节点适于对能源生成、存储或消耗数据的能源数据集进行操作，其中，一组节点配置有算法或规则集中的至少一个，用于基于网络状况、网络纠错要求、数据大小、数据粒度或数据内容中的至少一个来过滤、压缩或路由能源数据集，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于至少一个传统基础设施资产消耗能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，每个节点适于对能源生成、存储或消耗数据的能源数据集进行操作，其中，一组节点配置有算法或规则集中的至少一个，用于基于网络状况、网络纠错要求、数据大小、数据粒度或数据内容中的至少一个来过滤、压缩或路由能源数据集，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源生成数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，每个节点适于对能源生成、存储或消耗数据的能源数据集进行操作，其中，一组节点配置有算法或规则集中的至少一个，用于基于网络状况、网络纠错要求、数据大小、数据粒度或数据内容中的至少一个来过滤、压缩或路由能源数据集，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源存储数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，每个节点适于对能源生成、存储或消耗数据的能源数据集进行操作，其中，一组节点配置有算法或规则集中的至少一个，用于基于网络状况、网络纠错要求、数据大小、数据粒度或数据内容中的至少一个来过滤、压缩或路由能源数据集，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源消耗数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，每个节点适于对能源生成、存储或消耗数据的能源数据集进行操作，其中，一组节点配置有算法或规则集中的至少一个，用于基于网络状况、网络纠错要求、数据大小、数据粒度或数据内容中的至少一个来过滤、压缩或路由能源数据集，并且具有一组用于能源边缘数据收集和传输的自适应自主数据处理系统。
自动优化边缘数据管道中使用的能源
在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的至少一个参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的至少一个参数，以便优化数据通信中使用的能源，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由指令，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的至少一个参数，以便优化数据通信中使用的能源，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的至少一个参数，以便优化数据通信中使用的能源，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的纠错参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的至少一个参数，以便优化数据通信中使用的能源，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的压缩参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的至少一个参数，以便优化数据通信中使用的能源，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的存储参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的至少一个参数，以便优化数据通信中使用的能源，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的定时参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的至少一个参数，以便优化数据通信中使用的能源，并且具有边缘设备人工智能系统，用于对通过边缘设备传送的数据进行操作，以优化由边缘设备和由边缘设备控制的一组系统共同使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的至少一个参数，以便优化数据通信中使用的能源，并且具有用于自动和协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的至少一个参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的至少一个参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对数据集的人工智能处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的至少一个参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对社交数据内容的自然语言处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的至少一个参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对卫星图像内容或网络图像内容的计算机视觉处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的至少一个参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对一组能源交易日志的自动处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的至少一个参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的发现是通过应用人工智能系统来实现的，该人工智能系统在电网和离网能源模式的历史训练数据集上进行训练，以识别离网能源的存在。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的至少一个参数，以便优化数据通信中使用的能源，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产生成能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的至少一个参数，以便优化数据通信中使用的能源，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于至少一个传统基础设施资产存储能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的至少一个参数，以便优化数据通信中使用的能源，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产消耗能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的至少一个参数，以便优化数据通信中使用的能源，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源生成数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的至少一个参数，以便优化数据通信中使用的能源，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源存储数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的至少一个参数，以便优化数据通信中使用的能源，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源消耗数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的至少一个参数，以便优化数据通信中使用的能源，并且具有一组用于能源边缘数据收集和传输的自适应自主数据处理系统。
通过路由优化边缘数据管道中使用的能源
在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由指令，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由指令，以便优化数据通信中使用的能源，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由指令，以便优化数据通信中使用的能源，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的纠错参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由指令，以便优化数据通信中使用的能源，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的压缩参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由指令，以便优化数据通信中使用的能源，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的存储参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由指令，以便优化数据通信中使用的能源，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的定时参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由指令，以便优化数据通信中使用的能源，并且具有边缘设备人工智能系统，用于对通过边缘设备传送的数据进行操作，以优化由边缘设备和由边缘设备控制的一组系统共同使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由指令，以便优化数据通信中使用的能源，并且具有用于自动和协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由指令，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由指令，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对数据集的人工智能处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由指令，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对社交数据内容的自然语言处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由指令，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对卫星图像内容或网络图像内容的计算机视觉处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由指令，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对一组能源交易日志的自动处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由指令，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的发现是通过应用人工智能系统来实现的，该人工智能系统在电网和离网能源模式的历史训练数据集上进行训练，以识别离网能源的存在。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由指令，以便优化数据通信中使用的能源，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产生成能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由指令，以便优化数据通信中使用的能源，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于至少一个传统基础设施资产存储能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由指令，以便优化数据通信中使用的能源，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产消耗能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由指令，以便优化数据通信中使用的能源，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源生成数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由指令，以便优化数据通信中使用的能源，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源存储数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由指令，以便优化数据通信中使用的能源，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源消耗数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由指令，以便优化数据通信中使用的能源，并且具有一组用于能源边缘数据收集和传输的自适应自主数据处理系统。
通过路由参数选择来优化边缘数据管道中使用的能源
在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由参数，以便优化数据通信中使用的能源，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的纠错参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由参数，以便优化数据通信中使用的能源，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的压缩参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由参数，以便优化数据通信中使用的能源，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的存储参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由参数，以便优化数据通信中使用的能源，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的定时参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由参数，以便优化数据通信中使用的能源，并且具有边缘设备人工智能系统，用于对通过边缘设备传送的数据进行操作，以优化由边缘设备和由边缘设备控制的一组系统共同使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由参数，以便优化数据通信中使用的能源，并且具有用于自动和协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对数据集的人工智能处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对社交数据内容的自然语言处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对卫星图像内容或网络图像内容的计算机视觉处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过一组能源的自动处理来实现的gy交易日志。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的发现是通过应用人工智能系统来实现的，该人工智能系统在电网和离网能源模式的历史训练数据集上进行训练，以识别离网能源的存在。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由参数，以便优化数据通信中使用的能源，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产生成能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由参数，以便优化数据通信中使用的能源，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于至少一个传统基础设施资产存储能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由参数，以便优化数据通信中使用的能源，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产消耗能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由参数，以便优化数据通信中使用的能源，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源生成数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由参数，以便优化数据通信中使用的能源，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源存储数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由参数，以便优化数据通信中使用的能源，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源消耗数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的路由参数，以便优化数据通信中使用的能源，并且具有一组用于能源边缘数据收集和传输的自适应自主数据处理系统。
通过纠错参数配置来优化边缘数据管道中使用的能源
在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的纠错参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的纠错参数，以便优化数据通信中使用的能源，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的压缩参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的纠错参数，以便优化数据通信中使用的能源，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的存储参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的纠错参数，以便优化数据通信中使用的能源，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的定时参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的纠错参数，以便优化数据通信中使用的能源，并且具有边缘设备人工智能系统，用于对通过边缘设备传送的数据进行操作，以优化由边缘设备和由边缘设备控制的一组系统共同使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的纠错参数，以便优化数据通信中使用的能源，并且具有用于自动和协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的纠错参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的纠错参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对数据集的人工智能处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的纠错参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对社交数据内容的自然语言处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的纠错参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对卫星图像内容或网络图像内容的计算机视觉处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的纠错参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对一组能源交易日志的自动处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的纠错参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的发现是通过应用人工智能系统来实现的，该人工智能系统在电网和离网能源模式的历史训练数据集上进行训练，以识别离网能源资源的存在。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的纠错参数，以便优化数据通信中使用的能源，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产生成能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的纠错参数，以便优化数据通信中使用的能源，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于至少一个传统基础设施资产存储能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的纠错参数，以便优化数据通信中使用的能源，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产消耗能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的纠错参数，以便优化数据通信中使用的能源，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源生成数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的纠错参数，以便优化数据通信中使用的能源，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源存储数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的纠错参数，以便优化数据通信中使用的能源，并且具有一组边缘设备，用于基于包含在边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源消耗数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的纠错参数，以便优化数据通信中使用的能源，并且具有一组用于能源边缘数据收集和传输的自适应自主数据处理系统。
通过压缩参数选择来优化边缘数据管道中使用的能源
在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的压缩参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的压缩参数，以便优化数据通信中使用的能源，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的存储参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的压缩参数，以便优化数据通信中使用的能源，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的定时参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的压缩参数，以便优化数据通信中使用的能源，并且具有边缘设备人工智能系统，用于对通过边缘设备传送的数据进行操作，以优化由边缘设备和由边缘设备控制的一组系统共同使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的压缩参数，以便优化数据通信中使用的能源，并且具有用于自动和协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的压缩参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的压缩参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对数据集的人工智能处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的压缩参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对社交数据内容的自然语言处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的压缩参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对卫星图像内容或网络图像内容的计算机视觉处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的压缩参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与具有用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对一组能源交易日志的自动处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的压缩参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的发现是通过应用人工智能系统来实现的，该人工智能系统在电网和离网能源模式的历史训练数据集上进行训练，以识别离网能源的存在。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的压缩参数，以便优化数据通信中使用的能源，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产生成能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的压缩参数，以便优化数据通信中使用的能源，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于至少一个传统基础设施资产存储能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的压缩参数，以便优化数据通信中使用的能源，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产消耗能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的压缩参数，以便优化数据通信中使用的能源，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源生成数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的压缩参数，以便优化数据通信中使用的能源，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源存储数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的压缩参数，以便优化数据通信中使用的能源，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源消耗数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的压缩参数，以便优化数据通信中使用的能源，并且具有一组用于能源边缘数据收集和传输的自适应自主数据处理系统。
通过存储参数选择来优化边缘数据管道中使用的能源
在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的存储参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的存储参数，以便优化数据通信中使用的能源，并且具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的定时参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的存储参数，以便优化数据通信中使用的能源，并且具有边缘设备人工智能系统，用于对通过边缘设备传送的数据进行操作，以优化由边缘设备和由边缘设备控制的一组系统共同使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的存储参数，以便优化数据通信中使用的能源，并且具有用于自动和协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的存储参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的存储参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对数据集的人工智能处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的存储参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对社交数据内容的自然语言处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的存储参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对卫星图像内容或网络图像内容的计算机视觉处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的存储参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与具有用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对一组能源交易日志的自动处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的存储参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的发现是通过应用人工智能系统来实现的，该人工智能系统在电网和离网能源模式的历史训练数据集上进行训练，以识别离网能源的存在。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的存储参数，以便优化数据通信中使用的能源，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产生成能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的存储参数，以便优化数据通信中使用的能源，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于至少一个传统基础设施资产存储能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的存储参数，以便优化数据通信中使用的能源，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产消耗能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的存储参数，以便优化数据通信中使用的能源，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源生成数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的存储参数，以便优化数据通信中使用的能源，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源存储数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的存储参数，以便优化数据通信中使用的能源，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源消耗数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的存储参数，以便优化数据通信中使用的能源，并且具有一组用于能源边缘数据收集和传输的自适应自主数据处理系统。
通过定时参数选择来优化边缘数据管道中使用的能源
在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的定时参数，以便优化数据通信中使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的定时参数，以便优化数据通信中使用的能源，并且具有边缘设备人工智能系统，用于对通过边缘设备传送的数据进行操作，以优化由边缘设备和由边缘设备控制的一组系统共同使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的定时参数，以便优化数据通信中使用的能源，并且具有用于自动和协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的定时参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的定时参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对数据集的人工智能处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的定时参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对社交数据内容的自然语言处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的定时参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对卫星图像内容或网络图像内容的计算机视觉处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的定时参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与具有用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对一组能源交易日志的自动处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的定时参数，以便优化数据通信中使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的发现是通过应用人工智能系统来实现的，该人工智能系统在电网和离网能源模式的历史训练数据集上进行训练，以识别离网能源的存在。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的定时参数，以便优化数据通信中使用的能源，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产生成能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的定时参数，以便优化数据通信中使用的能源，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于至少一个传统基础设施资产存储能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的定时参数，以便优化数据通信中使用的能源，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产消耗能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的定时参数，以便优化数据通信中使用的能源，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源生成数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的定时参数，以便优化数据通信中使用的能源，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源存储数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的定时参数，以便优化数据通信中使用的能源，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源消耗数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于跨网络中的一组节点传送数据的系统，其中，至少一个节点子集配置有规则或算法中的至少一个，该规则或算法适于基于当前网络状况的一组指标来设置用于数据通信的定时参数，以便优化数据通信中使用的能源，并且具有一组用于能源边缘数据收集和传输的自适应自主数据处理系统。
具有用于能源优化和数据通信的AI的边缘设备
在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有边缘设备人工智能系统，用于对通过边缘设备传送的数据进行操作，以优化由边缘设备和由边缘设备控制的一组系统共同使用的能源。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有边缘设备人工智能系统，用于对通过边缘设备传送的数据进行操作，以优化由边缘设备和由边缘设备控制的一组系统共同使用的能源，并且具有用于自动和协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有边缘设备人工智能系统，用于对通过边缘设备传送的数据进行操作，以优化由边缘设备和由边缘设备控制的一组系统共同使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有边缘设备人工智能系统，用于对通过边缘设备传送的数据进行操作，以优化由边缘设备和由边缘设备控制的一组系统共同使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对数据集的人工智能处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有边缘设备人工智能系统，用于对通过边缘设备传送的数据进行操作，以优化由边缘设备和由边缘设备控制的一组系统共同使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对社交数据内容的自然语言处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有边缘设备人工智能系统，用于对通过边缘设备传送的数据进行操作，以优化由边缘设备和由边缘设备控制的一组系统共同使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对卫星图像内容或网络图像内容的计算机视觉处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有边缘设备人工智能系统，用于对通过边缘设备传送的数据进行操作，以优化由边缘设备和由边缘设备控制的一组系统共同使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对一组能源交易日志的自动处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有边缘设备人工智能系统，用于对通过边缘设备传送的数据进行操作，以优化由边缘设备和由边缘设备控制的一组系统共同使用的能源，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的发现是通过应用人工智能系统来实现的，该人工智能系统在电网和离网能源模式的历史训练数据集上进行训练，以识别离网能源的存在。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有边缘设备人工智能系统，用于对通过边缘设备传送的数据进行操作，以优化由边缘设备和由边缘设备控制的一组系统共同使用的能源，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产生成能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有边缘设备人工智能系统，用于对通过边缘设备传送的数据进行操作，以优化由边缘设备和由边缘设备控制的一组系统共同使用的能源，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于至少一个传统基础设施资产存储能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有边缘设备人工智能系统，用于对通过边缘设备传送的数据进行操作，以优化由边缘设备和由边缘设备控制的一组系统共同使用的能源，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产消耗能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有边缘设备人工智能系统，用于对通过边缘设备传送的数据进行操作，以优化由边缘设备和由边缘设备控制的一组系统共同使用的能源，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源生成数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有边缘设备人工智能系统，用于对通过边缘设备传送的数据进行操作，以优化由边缘设备和由边缘设备控制的一组系统共同使用的能源，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源存储数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有边缘设备人工智能系统，用于对通过边缘设备传送的数据进行操作，以优化由边缘设备和由边缘设备控制的一组系统共同使用的能源，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源消耗数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有边缘设备人工智能系统，用于对通过边缘设备传送的数据进行操作，以优化由边缘设备和由边缘设备控制的一组系统共同使用的能源，并且具有一组用于能源边缘数据收集和传输的自适应自主数据处理系统。
电网和分布式边缘(非电网)资源集的自动和协调治理或供应
在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动和协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动和协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动和协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对数据集的人工智能处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动和协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对社交数据内容的自然语言处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动和协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对卫星图像内容或网络图像内容的计算机视觉处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动和协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对一组能源交易日志的自动处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动和协调治理或供应一组电网能源设施和与电网电独立的一组分布式边缘能源资源集的系统，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统进行数据通信，其中，与电网独立的资源的发现是通过应用人工智能系统来实现的，该人工智能系统在电网和离网能源模式的历史训练数据集上进行训练，以识别离网能源资源的存在。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动和协调治理或供应一组电网能源设施和与电网电独立的一组分布式边缘能源资源集的系统，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产生成能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动和协调治理或供应一组电网能源设施和与电网电独立的一组分布式边缘能源资源集的系统，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产存储能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动和协调治理或供应一组电网能源设施和与电网电独立的一组分布式边缘能源资源集的系统，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产消耗能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动和协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源生成数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动和协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源存储数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动和协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源消耗数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动和协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源集的系统，并且具有一组用于能源边缘数据收集和传输的自适应自主数据处理系统。
自动发现用于自动和协调治理能源资源的离网能源资源
在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对数据集的人工智能处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对社交数据内容的自然语言处理来进行的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对卫星图像内容或网络图像内容的计算机视觉处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对一组能源交易日志的自动处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的发现是通过应用具有人工智能系统来实现的，该人工智能系统在电网和离网能源模式的历史训练数据集上进行训练，以识别离网能源资源的存在。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产生成能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于至少一个传统基础设施资产存储能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产消耗能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源生成数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源存储数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组电力独立的分布式边缘能源资源集的系统进行数据通信，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源消耗数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，并且具有一组用于能源边缘数据收集和传输的自适应自主数据处理系统。
自动发现离网能源资源以通过使用替代数据集来自动和协调治理能源资源
在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对数据集的人工智能处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对数据集的人工智能处理，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对社交数据内容的自然语言处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对数据集的人工智能处理来实现的，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对卫星图像内容或网络图像内容的计算机视觉处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对数据集的人工智能处理来实现的，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对一组能源交易日志的自动处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对数据集的人工智能处理来实现的，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的发现是通过应用人工智能系统来实现的，该人工智能系统在电网和离网能源模式的历史训练数据集上进行训练，以识别离网能源的存在。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对数据集的人工智能处理来实现的，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产生成能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对数据集的人工智能处理来实现的，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于至少一个传统基础设施资产的能源存储的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对数据集的人工智能处理来实现的，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产消耗能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对数据集的人工智能处理来实现的，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源生成数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对数据集的人工智能处理来实现的，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源存储数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对数据集的人工智能处理来实现的，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源消耗数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对数据集的人工智能处理来实现的，并且具有一组用于能源边缘数据收集和传输的自适应自主数据处理系统。
自动发现离网能源资源以通过使用社交数据来自动和协调治理能源资源
在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对社交数据内容的自然语言处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对社交数据内容的自然语言处理来实现的，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对卫星图像内容或网络图像内容的计算机视觉处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对社交数据内容的自然语言处理来实现的，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对一组能源交易日志的自动处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对社交数据内容的自然语言处理来实现的，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的发现是通过应用人工智能系统来实现的，该人工智能系统在电网和离网能源模式的历史训练数据集上进行训练，以识别离网能源资源的存在。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对社交数据内容的自然语言处理来实现的，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产生成能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对社交数据内容的自然语言处理来实现的，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于至少一个传统基础设施资产存储能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对社交数据内容的自然语言处理来实现的，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产消耗能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过社交数据内容的自然语言处理来实现的，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源生成数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过社交数据内容的自然语言处理来实现的，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源存储数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过社交数据内容的自然语言处理来实现的，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源消耗数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过社交数据内容的自然语言处理来实现的，并且具有一组用于能源边缘数据收集和传输的自适应自主数据处理系统。
自动发现离网能源以通过使用计算机视觉来自动和协调治理能源资源
在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对卫星图像内容或网络图像内容的计算机视觉处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对卫星图像内容或网络图像内容的计算机视觉处理来实现的，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对一组能源交易日志的自动处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对卫星图像内容或网络图像内容的计算机视觉处理来实现的，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的发现是通过应用人工智能系统来实现的，该人工智能系统在电网和离网能源模式的历史训练数据集上进行训练，以识别离网能源资源的存在。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对卫星图像内容或网络图像内容进行计算机视觉处理来实现的，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产生成能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对卫星图像内容或网络图像内容进行计算机视觉处理来实现，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于至少一个传统基础设施资产存储能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对卫星图像内容或网络图像内容的计算机视觉处理来实现的，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产消耗能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对卫星图像内容或网络图像内容的计算机视觉处理来实现的，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源生成数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对卫星图像内容或网络图像内容的计算机视觉处理来实现的，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源存储数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对卫星图像内容或网络图像内容的计算机视觉处理来实现的，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源消耗数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对卫星图像内容或网络图像内容的计算机视觉处理来实现的，并且具有一组用于能源边缘数据收集和传输的自适应自主数据处理系统。
自动发现离网能源资源以通过使用交易日志来自动和协调治理能源资源
在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对一组能源交易日志的自动处理来实现的。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对一组能源交易日志的自动处理来实现的，并且具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的发现是通过应用人工智能系统来实现的，该人工智能系统在电网和离网能源模式的历史训练数据集上进行训练，以识别离网能源资源的存在。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对一组能源交易日志的自动处理来实现的，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产生成能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对一组能源交易日志的自动处理来实现的，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于至少一个传统基础设施资产存储能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对一组能源交易日志的自动处理来实现的，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产消耗能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对一组能源交易日志的自动处理来实现的，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源生成数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对一组能源交易日志的自动处理来实现的，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源存储数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对一组能源交易日志的自动处理来实现的，并且具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源消耗数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的自动发现是通过对一组能源交易日志的自动处理来实现的，并且具有一组用于能源边缘数据收集和传输的自适应自主数据处理系统。
自动发现离网能源资源以通过使用人工智能的模式识别来自动和协调治理能源资源
在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的发现是通过应用人工智能系统来实现的，该人工智能系统在电网和离网能源模式的历史训练数据集上进行训练，以识别离网能源资源的存在。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的发现是通过应用人工智能系统来实现的，该人工智能系统在电网和离网能源模式的历史训练数据集上进行训练，以识别离网能源资源的存在，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产生成能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的发现是通过应用人工智能系统来实现的，该人工智能系统在电网和离网能源模式的历史训练数据集上进行训练，以识别离网能源资源的存在，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于至少一个传统基础设施资产存储能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的发现是通过应用人工智能系统来实现的，该人工智能系统在电网和离网能源模式的历史训练数据集上进行训练，以识别离网能源资源的存在，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产消耗能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的发现是通过应用人工智能系统来实现的，该人工智能系统在电网和离网能源模式的历史训练数据集上进行训练，以识别离网能源资源的存在，并且具有一组边缘设备，用于基于包含在边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源生成数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的发现是通过应用人工智能系统来实现的，该人工智能系统在电网和离网能源模式的历史训练数据集上进行训练，以识别离网能源资源的存在，并且具有一组边缘设备，用于基于包含在边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源存储数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的发现是通过应用人工智能系统来实现的，该人工智能系统在电网和离网能源模式的历史训练数据集上进行训练，以识别离网能源资源的存在，并且具有一组边缘设备，用于基于包含在边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源消耗数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有用于自动发现与电网电独立的能源生成或存储资源的系统，该系统与用于协调治理或供应一组电网能源设施和一组与电网电独立的分布式边缘能源资源集的系统进行数据通信，其中，与电网独立的资源的发现是通过应用人工智能系统来实现的，该人工智能系统在电网和离网能源模式的历史训练数据集上进行训练，以识别离网能源资源的存在，并且具有一组用于能源边缘数据收集和传输的自适应自主数据处理系统。
基于边缘能源智能的能源生成的边缘AI优化
在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产生成能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产生成能源的输出操作参数，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于至少一个传统基础设施资产存储能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产生成能源的输出操作参数，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产消耗能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产生成能源的输出操作参数，并且具有一组边缘设备，用于基于包含在边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源生成数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产生成能源的输出操作参数，并且具有一组边缘设备，用于基于包含在边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源存储数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产生成能源的输出操作参数，并且具有一组边缘设备，用于基于包含在边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源消耗数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由一组边缘设备管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据进行操作，以产生用于由至少一个传统基础设施资产生成能源的输出操作参数，并且具有一组用于能源边缘数据收集和传输的自适应自主数据处理系统。
基于边缘能源智能的能源存储的边缘AI优化
在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于至少一个传统基础设施资产存储能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于至少一个传统基础设施资产存储能源的输出操作参数，并且具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产消耗能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于至少一个传统基础设施资产存储能源的输出操作参数，并且具有一组边缘设备，用于基于包含在边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源生成数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于至少一个传统基础设施资产存储能源的输出操作参数，并且具有一组边缘设备，用于基于包含在边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源存储数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于至少一个传统基础设施资产存储能源的输出操作参数，并且具有一组边缘设备，用于基于包含在边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源消耗数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于至少一个传统基础设施资产存储能源的输出操作参数，并且具有一组用于能源边缘数据收集和传输的自适应自主数据处理系统。
基于边缘能源智能的能源消耗的边缘AI优化
在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产消耗能源的输出操作参数。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产消耗能源的输出操作参数，并且具有一组边缘设备，用于基于包含在边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源生成数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产消耗能源的输出操作参数，并且具有一组边缘设备，用于基于包含在边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源存储数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于由至少一个传统基础设施资产消耗能源的输出操作参数，并且具有一组边缘设备，用于基于包含在边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源消耗数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有人工智能系统，该人工智能系统对至少部分由包含在一组边缘设备中或由其管理的一组传感器产生的一组基础设施资产的能源生成、存储或消耗数据的数据集进行操作，以产生用于至少一个传统基础设施资产消耗能源的输出操作参数，并且具有一组用于能源边缘数据收集和传输的自适应自主数据处理系统。
传统基础设施能源生成智能的边缘设备治理的数据收集
在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源生成数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有一组边缘设备，用于基于包含在边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源生成数据，并且具有一组边缘设备，用于基于包含在边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源存储数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有一组边缘设备，用于基于包含在边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源生成数据，并且具有一组边缘设备，用于基于包含在边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源消耗数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源生成数据，并且具有一组用于能源边缘数据收集和传输的自适应自主数据处理系统。
传统基础设施能源存储智能的边缘设备治理的数据收集
在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源存储数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有一组边缘设备，用于基于包含在边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源存储数据，并且具有一组边缘设备，用于基于包含在边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源消耗数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源存储数据，并且具有一组用于能源边缘数据收集和传输的自适应自主数据处理系统。
传统基础设施能源消耗智能的边缘设备治理的数据收集
在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源消耗数据。在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有一组边缘设备，用于基于包含在一组边缘设备中或由其管理的一组传感器来收集一组基础设施资产的能源消耗数据，并且具有一组用于能源边缘数据收集和传输的自适应自主数据处理系统。
能源边缘内的自适应自主数据处理系统
在实施例中，本文提供了一种用于实现电力和能源的智能协调和管理的基于AI的平台，该平台具有一组用于能源边缘数据收集和传输的自适应自主数据处理系统。
基于计算机的实现方式
介绍
本公开中描述的方法和/或过程以及与其相关联的步骤可以在适于特定应用的硬件、软件或硬件和软件的任何组合中实现。硬件可以包括通用计算机和/或专用计算设备或特定计算设备或特定计算设备的特定方面或组件。这些过程可以在一个或多个微处理器、微控制器、嵌入式微控制器、可编程数字信号处理器或其他可编程设备以及内部和/或外部存储器中实现。这些过程也可以或替代地体现在专用集成电路、可编程门阵列、可编程阵列逻辑或可以被配置为处理电子信号的任何其他设备或设备组合中。还应当理解，一个或多个过程可以实现为能够在机器可读介质上执行的计算机可执行代码。
本文(包括在整个附图的流程图和框图中)描述和描绘的元件暗示了元件之间的逻辑边界。然而，根据软件或硬件工程实践，所描绘的元件及其功能可以使用能够执行存储在其上的程序指令的处理器通过计算机可执行代码在机器上实现为单片软件结构、独立软件模块、或采用外部例程、代码、服务等的模块、或这些的任何组合，并且所有这样的实现方式都可以在本公开的范围内。这种机器的示例可以包括但不限于个人数字助理、膝上型电脑、个人计算机、移动电话、其他手持计算设备、医疗设备、有线或无线通信设备、换能器、芯片、计算器、卫星、平板电脑、电子书、小工具、电子设备、设备、人工智能、计算设备、联网设备、服务器、路由器等。此外，流程图和框图中描绘的元件或任何其他逻辑组件可以在能够执行程序指令的机器上实现。因此，尽管前面的附图和描述阐述了所公开的系统的功能方面，但是除非明确陈述或者在上下文中显而易见，否则不应从这些描述中推断出用于实现这些功能方面的软件的特定布置。类似地，应当理解，在本公开中识别和描述的各种步骤可以变化，并且步骤的顺序可以适合于本文公开的技术的特定应用。所有这些变化和修改都将落入本公开的范围内。同样，对各种步骤的顺序的描绘和/或描述不应被理解为要求这些步骤的特定执行顺序，除非是特定应用所要求的，或者是明确陈述的或在上下文中显而易见的。
因此，在一个方面，本公开中描述的方法及其组合可以体现在计算机可执行代码中，当在一个或多个计算设备上执行时，该计算机可执行代码执行其步骤。在另一个方面，该方法可以在执行其步骤的系统中实现，并且可以以多种方式分布在设备上，或者所有功能可以集成到专用的独立设备或其他硬件中。在另一个方面，用于执行与本公开中描述的过程相关联的步骤的装置可以包括本公开中描述的任何硬件和/或软件。所有这些排列和组合都旨在落入本公开的范围内。
专用系统
专用系统包括硬件和/或软件，并且可以根据装置、方法或计算机可读介质来描述。在各种实施例中，功能可以在软件和硬件之间不同地分布。例如，某个功能可以在一个实施例中由硬件实现，而在另一个实施例中由软件实现。此外，软件可以由硬件结构编码，并且硬件可以由软件定义，例如，在软件定义网络或软件定义无线电中。
在本申请中，包括权利要求书，术语模块是指专用系统。该模块可以由一个或多个专用系统实现。一个或多个专用系统还可以实现其他模块中的一些或全部模块。
在包括权利要求的本申请中，术语“模块”可以用术语“控制器”或术语“电路”代替。
在包括权利要求的本申请中，术语平台是指提供一组功能的一个或多个模块。
在包括权利要求的本申请中，术语系统可以与模块或术语专用系统互换使用。
专用系统可以由操作员指导或控制。专用系统可以由运营商拥有的资产、运营商租赁的资产和第三方资产中的一个或多个托管。资产可以被称为私有、社区或混合云计算网络或云计算环境。
例如，专用系统可以部分地或完全由提供软件即服务(SaaS)、平台即服务(PaaS)和/或基础设施即服务(IaaS)的第三方托管。
可以使用敏捷开发和操作(DevOps)原则来实现专用系统。在实施例中，专用系统中的一些或全部专用系统可以在多环境架构中实现。例如，多个环境可以包括一个或多个生产环境、一个或多个集成环境、一个或多个开发环境等。
设备示例
专用系统可以使用移动设备或由移动设备部分地或完全实现。移动设备的示例包括导航设备、蜂窝电话、智能电话、移动电话、移动个人数字助理、掌上电脑、上网本、寻呼机、电子书阅读器、平板电脑、音乐播放器等。
专用系统可以使用联网设备或由网络设备部分地或完全实现。网络设备的示例包括交换机、路由器、防火墙、网关、集线器、基站、接入点、中继器、头端、用户设备、小区站点、天线、塔等。
专用系统可以部分地或完全使用具有各种形状因子和其他特征的计算机来实现。例如，计算机可以被表征为个人计算机、服务器等。计算机可以是便携式的，例如，在膝上型计算机、上网本等的情况下。计算机可以具有或可以不具有任何输出设备，例如，监测器、行式打印机、液晶显示器(LCD)、发光二极管(LED)等。计算机可以具有或可以不具有任何输入设备，例如，键盘、鼠标、触摸板、触控板、计算机视觉系统、条形码扫描仪、按钮阵列等。计算机可以运行通用操作系统，例如，来自微软公司的WINDOWS操作系统、来自苹果公司的MACOS操作系统或LINUX操作系统的变体。
服务器的示例包括文件服务器、打印服务器、域服务器、互联网服务器、内联网服务器、云服务器、基础设施即服务服务器、平台即服务服务器、网络服务器、辅助服务器、主机服务器、分布式服务器、故障转移服务器和备份服务器。
硬件
术语“硬件”涵盖诸如处理硬件、存储硬件、网络硬件以及其他通用和专用组件等组件。应当注意，这些不是相互排斥的类别。例如，处理硬件可以集成存储硬件，反之亦然。
组件的示例是集成电路(IC)、专用集成电路(ASIC)、数字电路元件、模拟电路元件、组合逻辑电路、诸如现场可编程门阵列(FPGA)等门阵列、数字信号处理器(DSP)、复杂可编程逻辑器件(CPLD)等。
硬件的多个组件可以集成，例如，在单个管芯上、在单个封装中、或者在单个印刷电路板或逻辑板上。例如，硬件的多个组件可以被实现为片上系统。组件或一组集成组件可以称为芯片、芯片组、小芯片或芯片堆叠。
片上系统的示例包括射频(RF)片上系统、人工智能(AI)片上系统、视频处理片上系统、片上器官、量子算法片上系统等。
硬件可以集成和/或接收来自传感器的信号。传感器可以允许观察和测量状况，包括温度、压力、磨损、光、湿度、变形、膨胀、收缩、偏转、弯曲、应力、应变、承载、收缩、电力、能源、质量、位置、温度、湿度、压力、粘度、液体流动、化学/气体存在、声音和空气质量。传感器可以包括可见和/或不可见(例如，热)波长的图像和/或视频捕获，例如，电荷耦合器件(CCD)或互补金属氧化物半导体(CMOS)传感器。
本文描述的方法和系统可以将有形和/或无形物品从一种状态转换到另一种状态。本文描述的方法和系统还可以将表示物理和/或无形物品的数据从一种状态转换到另一种状态。
计算机可读介质示例
计算机软件、程序代码和/或指令可以存储在机器可读介质上和/或在其上访问，机器可读介质可以包括：在某个时间间隔内保存用于计算的数字数据的计算机组件、设备和记录介质；被称为随机存取存储器(RAM)的半导体存储器；大容量存储器，通常用于更永久的存储(例如，光盘)，具有磁存储形式，例如，硬盘、磁带、磁鼓、卡和其他类型；处理器寄存器、高速缓冲存储器、易失性存储器、非易失性存储器；光存储器，例如，CD、DVD；可移动介质，例如，闪存(例如，USB棒或钥匙)、软盘、磁带、纸带、穿孔卡、独立RAM盘、Zip驱动器、可移动大容量存储器、离线等；其他计算机存储器，例如，动态存储器、静态存储器、读/写存储器、可变存储器、只读存储器、随机存取存储器、顺序存取存储器、位置可寻址存储器、文件可寻址存储器、内容可寻址存储器、网络附加存储器、存储区域网、条形码、磁性墨水、网络附加的存储器、网络存储器、NVME可访问存储器、PCIE连接存储器、分布式存储器等。
处理硬件
本文描述的方法和系统可以部分或全部通过在处理硬件(也称为“处理器”)上执行计算机软件、程序代码和/或指令的机器来部署。本公开可以被实现为机器上的方法、作为机器的一部分或与机器相关的系统或装置、或者在一个或多个机器上执行的包含在计算机可读介质中的计算机程序产品。在实施例中，处理器可以是服务器、云服务器、客户端、网络基础设施、移动计算平台、固定计算平台或其他计算平台的一部分。处理器可以是能够执行程序指令、代码、二进制指令等的任何种类的计算或处理设备，包括中央处理单元(CPU)、通用处理单元(GPU)、逻辑板、芯片(例如，图形芯片、视频处理芯片、数据压缩芯片等)、芯片组、控制器、片上系统(例如，片上RF系统、片上AI系统、片上视频处理系统等)、集成电路，专用集成电路(ASIC)、现场可编程门阵列(FPGA)、近似计算处理器、量子计算处理器、并行计算处理器、神经网络处理器或其他类型的处理器。处理器可以是或可以包括信号处理器、数字处理器、数据处理器、嵌入式处理器、微处理器或任何变体，例如，协处理器(数学协处理器、图形协处理器、通信协处理器、视频协处理器、AI协处理器等)等，其可以直接或间接地促进存储在其上的程序代码或程序指令的执行。此外，处理器可以实现多个程序、线程和代码的执行。线程可以同时执行，以增强处理器的性能，并且便于应用的同时操作。通过实现方式，本文描述的方法、程序代码、程序指令等可以在一个或多个线程中实现。该线程可以产生已经分配了与其相关联的优先级的其他线程；处理器可以基于优先级或者根据程序代码中提供的指令的任何其他顺序来执行这些线程。处理器或使用处理器的任何机器可以包括非暂时性存储器，非暂时性存储器存储本文和本文和其他地方描述的方法、代码、指令和程序。处理器可以通过接口访问非暂时性存储介质，该接口可以存储本文和本文和其他地方描述的方法、代码和指令。与处理器相关联的用于存储能够由计算或处理设备执行的方法、程序、代码、程序指令或其他类型指令的存储介质可以包括但不限于CD-ROM、DVD、存储器、硬盘、闪存驱动器、RAM、ROM、高速缓存、网络附加存储器、基于服务器的存储器等中的一个或多个。
处理器可以包括一个或多个内核，这些内核可以提高多处理器的速度和性能。在实施例中，该过程可以是双核处理器、四核处理器、其他芯片级多处理器等，其组合了两个或更多个独立的核(有时称为管芯)。
处理硬件的示例包括中央处理单元(CPU)、图形处理单元(GPU)、近似计算处理器、量子计算处理器、并行计算处理器、神经网络处理器、信号处理器、数字处理器、数据处理器、嵌入式处理器、微处理器和协处理器。协处理器可以提供附加处理功能和/或优化，例如，针对速度或功耗。协处理器的示例包括数学协处理器、图形协处理器、通信协处理器、视频协处理器和人工智能(AI)协处理器。
处理器架构
处理器可以实现执行多个线程。这些多个线程可以对应于不同的程序。在各种实施例中，单个程序可以由程序员实现为多个线程，或者可以由处理硬件分解成多个线程。可以同时执行线程，以增强处理器的性能并促进应用的同时操作。
处理器可以被实现为封装的半导体管芯。管芯包括一个或多个处理核，并且可以包括附加的功能块，例如，高速缓存。在各种实施例中，处理器可以由多个管芯来实现，多个管芯可以组合在单个封装中或单独封装。
网络基础设施和网络硬件
本文描述的方法和系统可以部分或全部通过网络基础设施来部署。网络基础设施可以包括诸如计算设备、服务器、路由器、集线器、防火墙、客户端、个人计算机、通信设备、路由设备和本领域已知的其他有源和无源设备、模块和/或组件之类的元件。除了其他组件之外，与网络基础设施相关联的计算和/或非计算设备还可以包括诸如闪存、缓冲器、堆栈、RAM、ROM等存储介质。本文和其他地方描述的过程、方法、程序代码、指令可以由一个或多个网络基础设施元件来执行。本文描述的方法和系统可适用于任何种类的私有、社区或混合云计算网络或云计算环境，包括涉及软件即服务(SaaS)、平台即服务(PaaS)和/或基础设施即服务(IaaS)的特征的私有、社区或混合云计算网络或云计算环境。
本文和其他地方描述的方法、程序代码和指令可以在具有多个小区的蜂窝网络上实现。蜂窝网络可以是频分多址(FDMA)网络或码分多址(CDMA)网络。蜂窝网络可以包括移动设备、小区站点、基站、中继器、天线、塔等。小区网络可以是GSM、GPRS、3G、4G、5G、LTE、EVDO、网络或其他网络类型。
网络硬件可以包括一个或多个接口电路。在一些示例中，接口电路可以实现直接或间接连接到一个或多个网络的有线或无线接口。网络的示例包括蜂窝网络、局域网(LAN)、无线个域网(WPAN)、城域网(MAN)和/或广域网(WAN)。网络可以包括点对点和网状技术中的一种或多种。由网络组件传输或接收的数据可以遍历相同或不同的网络。网络可以使用诸如多协议标签交换(MPLS)和虚拟专用网络(VPN)等技术通过WAN或点对点租用线路彼此连接。
蜂窝网络的示例包括GSM、GPRS、3G、4G、5G、LTE和EVDO。蜂窝网络可以使用频分多址(FDMA)网络或码分多址(CDMA)网络来实现。
LAN的示例是电气和电子工程师协会(IEEE)标准802.11-2020(也称为WIFI无线网络标准)和IEEE标准802.3-2018(也称为以太网有线网络标准)。
WPAN的示例包括IEEE标准802.15.4，包括来自ZigBee联盟的ZIGBEE标准。WPAN的其他示例包括蓝牙无线网络标准，包括来自蓝牙特殊兴趣小组(SIG)的核心规范版本3.0、4.0、4.1、4.2、5.0和5.1。
WAN也可以称为分布式通信系统(DCS)。广域网的一个示例是互联网。
存储硬件
存储硬件是计算机可读介质或包括计算机可读介质。如在本公开中使用的，术语计算机可读介质涵盖非易失性存储和易失性存储两者，例如，动态随机存取存储器(DRAM)。术语计算机可读介质仅排除通过介质(例如，在载波上)传播的瞬态电信号或电磁信号。因此，本公开中的计算机可读介质是非暂时性的，并且也可以被认为是有形的。
示例
由存储硬件实现的存储的示例包括数据库(例如，关系数据库或NoSQL数据库)、数据存储、数据湖、列存储、数据仓库。
存储硬件的示例包括非易失性存储器设备、易失性存储器设备、磁存储介质、存储区域网络(SAN)、网络附接存储(NAS)、光存储介质、打印介质(例如，条形码和磁性墨水)和纸介质(例如，穿孔卡和纸带)。存储硬件可以包括高速缓冲存储器，该高速缓冲存储器可以与处理硬件并置或与处理硬件集成。
存储硬件可以具有只读、一次性写入或读/写属性。存储硬件可以是随机存取或顺序存取。存储硬件可以是位置可寻址的、文件可寻址的和/或内容可寻址的。
非易失性存储器设备的示例包括闪存(包括NAND和NOR技术)、固态驱动器(SSD)、诸如电可擦除可编程只读存储器(EEPROM)设备等可擦除可编程只读存储器设备以及掩模只读存储器设备(ROM)。
易失性存储器设备的示例包括处理器寄存器和随机存取存储器(RAM)，例如，静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、同步图形RAM(SGRAM)和视频RAM(VRAM)。
磁存储介质的示例包括模拟磁带、数字磁带和旋转硬盘驱动器(HDD)。
光学存储介质的示例包括CD(例如，CD-R、CD-RW或CD-ROM)、DVD、蓝光光盘和超HD蓝光光盘。
由存储硬件实现的存储的示例包括分布式分类账，例如，许可或无许可的区块链。
例如，在区块链中记录交易的实体可以使用诸如利害关系证明、工作量证明和存储证明等算法来达成共识。
本公开的元件可以由不可替代令牌(NFT)表示或编码为不可替代令牌。与不可替代令牌相关的所有权权利可以记录在分布式分类账中或由分布式分类账引用。
由本公开发起或与本公开相关的交易可以使用法定货币和加密货币中的一者或两者，其示例包括位币和以太币。
硬件的一些或全部特征可以使用用于硬件描述的语言来定义，例如，IEEE标准1364-2005(通常称为“Verilog”)和IEEE标准1076-2008(通常称为“VHDL”)。硬件描述语言可以用于制造和/或编程硬件。
专用系统可以分布在多个不同的软件和硬件实体上。专用系统内和专用系统之间的通信可以使用网络硬件来执行。分布可以跨实施例变化，并且可以随时间变化。例如，分布可以基于需求而变化，其中，调用附加的硬件和/或软件实体来处理更高的需求。在各种实施例中，负载均衡器可以将请求引导到专用系统的多个实例化中的一个实例化。硬件和/或软件实体可以是物理上不同的和/或可以共享一些硬件和/或软件，例如，在虚拟化环境中。多个硬件实体可以称为服务器机架、服务器群、数据中心等。
软件
计算机可执行代码可以使用诸如C等结构化编程语言、诸如C++等面向对象编程语言、或可以存储、编译或解释以在本公开中描述的一个设备上运行的任何其他高级或低级编程语言(包括汇编语言、硬件描述语言、以及数据库编程语言和技术)来创建，也可以使用处理器、处理器架构的异构组合、或不同硬件和软件的组合、或能够执行程序指令的任何其他机器来创建。计算机软件可以采用虚拟化、虚拟机、容器、码头设施、容器管理工具和其他能力。
软件包括机器可读和/或可执行的指令。指令可以在逻辑上分组为程序、代码、方法、步骤、动作、例程、函数、库、对象、类等。软件可以由存储硬件存储或在其他硬件中编码。软件包括(i)待解析的描述性文本，例如，HTML(超文本标记语言)、XML(可扩展标记语言)和JSON(JavaScript对象符号)，(ii)汇编代码，(iii)由编译器从源代码生成的目标代码，(iv)由解释器执行的源代码，(v)字节码，(vi)由即时编译器编译和执行的源代码等。仅作为示例，源代码可以使用来自包括C、C++、JavaScript、Java、Python、R等的语言的语法来编写。
软件也包括数据。然而，数据和指令并不是相互排斥的类别。在各种实施例中，指令可以用作一个或多个操作中的数据。作为另一示例，可以从数据导出指令。
本公开中的功能框和流程图元件用作软件规范，这些软件规范可以通过熟练技术人员或程序员的日常工作被转化成软件。
软件可以包括和/或依赖于固件、处理器微代码、操作系统(OS)、基本输入/输出系统(BIOS)、应用编程接口(API)、诸如动态链接库(DLL)等库、设备驱动程序、管理程序、用户应用、后台服务、后台应用等。软件包括原生应用和网络应用。例如，可以使用超文本标记语言第5修订版(HTML5)通过浏览器向设备提供网络应用。
软件可以包括人工智能系统，这些人工智能系统可以包括机器学习或其他计算智能。例如，人工智能可以包括用于一个或多个问题域的一个或多个模型。
当呈现许多数据特征时，标识与问题域相关的特征子集可以提高预测精度，减少存储空间并提高处理速度。这种标识可以被称为特征工程。特征工程可以由用户执行或者可以仅由用户引导。在各种实现方式中，机器学习系统可以计算地标识相关特征，例如，通过对不同特征对输出的贡献执行奇异值分解。
模型的示例包括递归神经网络(RNN)(例如，长短期记忆(LSTM))、深度学习模型(例如，变换器)、决策树、支持矢量机、遗传算法、贝叶斯网络和回归分析。基于变换器模型的系统的示例包括来自变换器的双向编码器表示(BERT)和生成式预训练变换器模型(GPT)。
训练机器学习模型可以包括监督学习(例如，基于标记的输入数据)、无监督学习和强化学习。在各种实施例中，机器学习模型可以由其操作员或第三方预训练。
问题域几乎包括可以收集结构化数据的任何情况，包括自然语言处理(NLP)、计算机视觉(CV)、分类、图像识别等。
架构
本文描述的方法和系统可以部分或全部通过在各种设备上执行计算机软件的机器来部署，这些设备包括服务器、客户端、防火墙、网关、集线器、路由器、交换机、基础设施即服务、平台即服务或其他这样的计算机和/或网络硬件或系统。该软件可以与服务器相关联，该服务器可以包括文件服务器、打印服务器、域服务器、互联网服务器、内联网服务器、云服务器、基础设施即服务服务器、平台即服务服务器、网络服务器以及其他变体，例如，辅助服务器、主机服务器、分布式服务器、故障转移服务器、备份服务器、服务器群等。服务器可以包括存储器、处理器、计算机可读介质、存储介质、端口(物理的和虚拟的)、通信设备和能够通过有线或无线介质访问其他服务器、客户端、机器和设备的接口等中的一个或多个。本文和其他地方描述的方法、程序或代码可以由服务器执行。此外，执行本申请中描述的方法所需的其他设备可以被认为是与服务器相关联的基础设施的一部分。
服务器可以提供到其他设备的接口，包括但不限于客户端、其他服务器、打印机、数据库服务器、打印服务器、文件服务器、通信服务器、分布式服务器、社交网络等。此外，这种耦合和/或连接可以促进程序在网络上的远程执行。在不脱离本公开的范围的情况下，这些设备中的一些或全部的联网可以促进在一个或多个位置并行处理程序或方法。此外，通过接口连接到服务器的任何设备可以包括至少一个能够存储方法、程序、代码和/或指令的存储介质。中央存储库可以提供要在不同设备上执行的程序指令。在该实现方式中，远程存储库可以充当程序代码、指令和程序的存储介质。
该软件程序可以与客户端相关联，该客户端可以包括文件客户端、打印客户端、域客户端、互联网客户端、内联网客户端和其他变体，例如，次级客户端、主机客户端、分布式客户端等。客户端可以包括存储器、处理器、计算机可读介质、存储介质、端口(物理的和虚拟的)、通信设备和能够通过有线或无线介质访问其他客户端、服务器、机器和设备的接口等中的一个或多个。本文和其他地方描述的方法、程序或代码可以由客户端执行。此外，执行本申请中描述的方法所需的其他设备可以被认为是与客户端相关联的基础设施的一部分。
客户端可以提供到其他设备的接口，包括但不限于服务器、其他客户端、打印机、数据库服务器、打印服务器、文件服务器、通信服务器、分布式服务器等。此外，这种耦合和/或连接可以促进程序在网络上的远程执行。在不脱离本公开的范围的情况下，这些设备中的一些或全部的联网可以促进在一个或多个位置并行处理程序或方法。此外，通过接口连接到客户端的任何设备可以包括至少一个能够存储方法、程序、应用、代码和/或指令的存储介质。中央存储库可以提供要在不同设备上执行的程序指令。在该实现方式中，远程存储库可以充当程序代码、指令和程序的存储介质。
在客户端-服务器模型中，一些软件在功能上被标识为服务器的第一硬件上执行，而另一些软件在功能上被标识为客户端的第二硬件上执行。客户端和服务器的身份不是固定的：对于一些功能，第一硬件可以充当服务器，而对于其他功能，第一硬件可以充当客户端。在不同的实施例和不同的场景中，功能可以在客户端和服务器之间转移。在一个动态示例中，当第二硬件具有较小的能力时，通常由第二硬件执行的一些功能转移到第一硬件。在各种实施例中，可以使用术语“本地”代替“客户端”，并且可以使用术语“远程”代替“服务器”。
软件中的一些或全部软件可以在虚拟环境中运行，而不是直接在硬件上运行。虚拟环境可以包括管理程序、模拟器、沙箱、容器引擎等。软件可以构建为虚拟机、容器等。可以使用例如DOCKERTM容器平台、关键云铸造(PCF)平台等来控制虚拟化资源。
软件中的一些或全部软件可以在逻辑上划分为微服务。每个微服务都提供简化的功能子集。在各种实施例中，每个微服务可以通过将更多资源投入到微服务或通过实例化微服务的更多实例来根据负载独立地缩放。在各种实施例中，由一个或多个微服务提供的功能可以彼此组合和/或与不遵从微服务模型的其他软件组合。
软件中的一些或全部软可以在逻辑上布置成层。在分层架构中，第二层可以逻辑地放置在第一层和第三层之间。然后，第一层和第三层通常将与第二层交互，而不是彼此交互。在各种实施例中，这不是严格执行的，例如，在第一层和第三层之间可以发生某种直接通信。
本文和其他地方描述的方法、程序代码和指令可以在移动设备上或通过移动设备来实现。移动设备可以包括导航设备、蜂窝电话、移动电话、移动个人数字助理、膝上型电脑、掌上电脑、上网本、寻呼机、电子书阅读器、音乐播放器等。除了其他组件之外，这些设备可以包括存储介质，例如，闪存、缓冲器、RAM、ROM和一个或多个计算设备。与移动设备相关联的计算设备能够执行存储在其上的程序代码、方法和指令。或者，移动设备可以被配置为与其他设备协作执行指令。移动设备可以与基站通信，基站与服务器接合并被配置为执行程序代码。移动设备可以在对等网络、网状网络或其他通信网络上通信。程序代码可以存储在与服务器相关联的存储介质上，并由嵌入在服务器中的计算设备执行。基站可以包括计算设备和存储介质。存储设备可以存储由与基站相关联的计算设备执行的程序代码和指令。
结论
虽然仅示出和描述了本公开的几个实施例，但是对于本领域技术人员来说，显然可以对其进行许多改变和修改，而不脱离以下权利要求所述的本公开的精神和范围。在法律允许的最大范围内，本文引用的所有外国和国内专利申请和专利以及所有其他出版物都全文并入本文。
虽然已经结合详细示出和描述的优选实施例公开了本公开，但是对本领域技术人员来说，对其进行各种修改和改进将变得显而易见。因此，本公开的精神和范围不受前述示例的限制，而是应当在法律所允许的最广泛的意义上理解。
在描述本公开的上下文中(尤其是在所附权利要求的上下文中)，术语“一”和“一个”以及“该”和类似指示物的使用应被解释为涵盖单数和复数，除非在此另有说明或者与上下文明显矛盾。除非另有说明，术语“包括”、“具有”、“包含”和“含有”应被解释为开放式术语(即，表示“包括，但不限于”)。除非本文中另有说明，否则本文中数值范围的叙述仅旨在用作单独提及落入该范围内的每个单独数值的速记方法，并且每个单独数值都结合到说明书中，如同其在本文中单独叙述一样。除非本文另有说明或与上下文明显矛盾，否则本文描述的所有方法都可以以任何合适的顺序执行。本文提供的任何和所有示例或示例性语言(例如，“诸如”)的使用仅旨在更好地阐明本公开，而不是对本公开的范围构成限制，除非另有声明。术语“集合”可以包括具有单个成员的集合。说明书中的任何语言都不应该被解释为表示任何未要求保护的元件对于实施本公开是必不可少的。
虽然前面的书面描述使得技术人员能够制造和使用目前被认为是其最佳模式的方式，但是本领域技术人员将理解和意识到本文的具体实施例、方法和示例的变化、组合和等同物的存在。因此，本公开不应受上述实施例、方法和示例的限制，而是受本公开的范围和精神内的所有实施例和方法的限制。
本文引用的所有文件在此引入作为参考，如同在此完全阐述一样。

Claims (481)

1.一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：
自适应能源数据管道，所述自适应能源数据管道被配置为跨网络中的一组节点传送数据，
其中，所述一组节点中的每个节点适于对与能源生成、能源存储、能源输送或能源消耗中的至少一个相关联的能源数据集进行操作，并且
其中，所述一组节点中的至少一个节点被算法或规则集中的一个或两个配置为基于一组网络状况、数据大小、数据粒度或数据内容中的至少一个来过滤、压缩、变换、纠错和/或路由所述能源数据集的至少一部分。
2.根据权利要求1所述的基于AI的平台，其中，所述自适应能源数据管道还被配置为适应通过网络和/或通信系统的数据传输，其中，所述适应基于以下各项中的一项或多项：
拥塞状况；
延迟和/或时延状况；
丢包状况；
失误率状况；
运输成本状况；
服务质量(QoS)状况；
使用状况；
市场因素状况；或者
用户配置状况。
3.根据权利要求1所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生表示以下各项中的一项或多项：
能源利益相关者实体；
能源分布资源；
利益相关者信息技术；
网络基础设施实体；
能源相关的利益相关者生产设施；
利益相关者运输系统；
市场状况；或者
能源使用优先状况。
4.根据权利要求1所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为执行以下各项中的一项或多项：
提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；
过滤能源数据；
突出显示能源数据；或者
调整能源数据。
5.根据权利要求1所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为通过以下各项中的一项或多项生成能源消耗的视觉和/或分析指标：
一个或多个机器；
一个或多个工厂；或者
车队中的一个或多个车辆。
6.根据权利要求1所述的基于AI的平台，其中，所述自适应能源数据管道还被配置为执行以下各项中的一项或多项：
提取能源相关数据；
检测和/或校正能源相关数据中的误差；
转化、转换、归一化和/或清洁能源相关数据，
解析能源相关数据；
检测能源相关数据中的模式、内容和/或对象；
压缩能源相关数据；
流式传输能源相关数据；
过滤能源相关数据；
加载和/或存储能源相关数据；
路由和/或传输能源相关数据；或者
维护能源相关数据的安全性。
7.根据权利要求1所述的基于AI的平台，其中，所述能源数据集基于一个或多个公共数据资源，所述公共数据资源包括以下各项中的一项或多项：
天气数据资源；
卫星数据资源；
人口普查、人口、人口统计和/或心理数据资源；
市场数据资源；或者
电子商务数据资源。
8.根据权利要求1所述的基于AI的平台，其中，所述能源数据集基于一个或多个企业数据资源，所述企业数据资源包括以下各项中的一项或多项：
资源规划数据；
销售和/或营销数据；
财务规划数据；
需求规划数据；
供应链数据；
采购数据；
定价数据；
客户数据；
产品数据；或者
运营数据。
9.根据权利要求1所述的基于AI的平台，还包括至少一个基于AI的模型和/或算法，其中，所述至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且所述训练数据集基于以下各项中的一项或多项：
一个或多个人类标签和/或标记；
与硬件和/或软件系统的一个或多个人类交互；
一个或多个结果；
一个或多个AI生成的训练数据样本；
监督学习训练过程；
半监督学习训练过程；或者
深度学习训练过程。
10.根据权利要求1所述的基于AI的平台，其中，所述一组节点中的至少一个节点被配置为协调向一个或多个消耗点输送能源，并且所述能源输送包括以下各项中的一项或多项：
一条或多条固定传输线；
一个或多个无线能源传输实例；
一个或多个燃料输送；或者
一个或多个存储能源输送。
11.根据权利要求1所述的基于AI的平台，其中，所述一组节点中的至少一个节点还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，所述一个或多个能源相关事件包括以下各项中的一项或多项：
能源采购和/或销售事件；
与能源采购和/或销售事件相关联的服务费；
能源消耗事件；
能源生成事件；
能源分布事件；
能源存储事件；
碳排放产生事件；
碳排放减少事件；
可再生能源额度事件；
污染产生事件；或者
污染减少事件。
12.根据权利要求1所述的基于AI的平台，其中，所述一组节点中的至少一个节点部署在离网环境中，并且所述离网环境包括以下各项中的一项或多项：
离网能源生成系统；
离网能源存储系统；或者
离网能源调动系统。
13.根据权利要求1所述的基于AI的平台，其中，所述自适应能源数据管道还被配置为：
监测以下一项或两项：
所述一组节点中的至少一部分的总能源消耗；或者
所述一组节点的至少一个节点在所述一组节点中的至少一部分的总能源消耗中的作用；以及
基于所述监测，执行以下各项中的一项或多项：
管理所述一组节点的能源消耗，
预测所述一组节点的能源消耗，或者
供应与所述一组节点的能源消耗相关联的资源。
14.根据权利要求1所述的基于AI的平台，其中，包括所述自适应能源数据管道的所述网络中的所述一组节点包括一组边缘联网设备，所述边缘联网设备通过一组经由所述边缘联网设备控制的操作设备来管理能源消耗、能源存储、能源输送或能源消耗中的至少一个。
15.根据权利要求1所述的基于AI的平台，其中，所述自适应能源数据管道还被配置为自动选择用于跨所述一组节点传送的数据的最低成本路由，所述选择基于与所述数据相关的低优先级能源使用。
16.根据权利要求1所述的基于AI的平台，其中，所述自适应能源数据管道还被配置为自动选择用于跨所述一组节点传送的数据的高质量服务路由，所述选择基于与所述数据相关的高优先级能源使用。
17.根据权利要求1所述的基于AI的平台，其中，所述自适应能源数据管道包括一组人工智能能力，所述能力被配置为调整所述管道，以使得能够根据能源协调需求优化数据传输的元件。
18.根据权利要求1所述的基于AI的平台，其中，所述自适应能源数据管道包括自组织数据存储器，所述数据存储器被配置为基于数据模式、数据内容或数据上下文中的一个或多个在设备上存储数据。
19.根据权利要求1所述的基于AI的平台，其中，所述自适应能源数据管道被配置为执行自动化自适应联网，所述自适应联网包括自适应协议选择、基于RF状况的自适应数据路由、自适应数据过滤、网络带宽的自适应切片、认知网络容量的自适应使用或对等网络容量的自适应使用中的一个或多个。
20.根据权利要求1所述的基于AI的平台，其中，所述自适应能源数据管道被配置为通过基于企业的操作环境、企业的交易环境或企业的财务环境中的一个或多个自动处理数据来执行企业环境适应性。
21.根据权利要求1所述的基于AI的平台，其中，所述一组节点中的至少一个节点还被配置为调整与所述一组节点中的至少一个其他节点的通信，以使与能源生成、能源存储、能源输送或能源消耗中的至少一个相关联的数据的报告适应所述至少一个其他节点。
22.根据权利要求1所述的基于AI的平台，其中，所述一组节点中的所述至少一个节点还被配置为使所述报告的数据适应所述一组节点中的至少一个其他节点，其中，使所述报告的数据适应基于所述报告的数据的消费的优先级。
23.根据权利要求1所述的基于AI的平台，其中，所述一组节点包括异构组，所述异构组包括至少一个能源生产者和至少一个能源消费者，并且所述自适应能源数据管道还被配置为指示所述至少一个能源生产者和至少一个能源消费者中的一个或两个通过至少一个通信路由与所述一组节点中的至少一个其他节点进行通信。
24.根据权利要求1所述的基于AI的平台，其中，所述自适应能源数据管道还被配置为从所述一组节点中的至少一个节点请求报告的数据，所述报告的数据基于粒度级别，并且所述粒度级别基于与所述报告的数据相关联的机器的优先级。
25.根据权利要求1所述的基于AI的平台，其中，所述自适应能源数据管道还被配置为通过所述自适应能源数据管道对报告的数据的传输进行优先级排序，并且所述优先级排序基于与所述报告的数据相关联的监测责任。
26.一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：
一组自适应自主数据处理系统，其中，每个自适应自主数据处理系统被配置为从处于一组分布式能源的操作控制下的一组边缘设备收集与能源生成、存储或输送相关的数据，并且被配置为基于所述收集的数据自主地调整用于这种操作控制的一组操作参数。
27.根据权利要求26所述的基于AI的平台，其中，每个自适应自主数据处理系统还被配置为适应通过网络和/或通信系统的数据传输，其中，所述适应基于以下各项中的一项或多项：
拥塞状况；
延迟和/或时延状况；
丢包状况；
失误率状况；
运输成本状况；
服务质量(QoS)状况；
使用状况；
市场因素状况；或者
用户配置状况。
28.根据权利要求26所述的基于AI的平台，其中，每个自适应自主数据处理系统包括自适应能源数字孪生，所述自适应能源数字孪生表示以下各项中的一项或多项：
能源利益相关者实体；
能源分布资源；
利益相关者信息技术；
网络基础设施实体；
能源相关的利益相关者生产设施；
利益相关者运输系统；
市场状况；或者
能源使用优先状况。
29.根据权利要求26所述的基于AI的平台，其中，每个自适应自主数据处理系统包括自适应能源数字孪生，所述自适应能源数字孪生被配置为执行以下各项中的一项或多项：
提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；
过滤能源数据；
突出显示能源数据；或者
调整能源数据。
30.根据权利要求26所述的基于AI的平台，其中，每个自适应自主数据处理系统包括自适应能源数字孪生，所述自适应能源数字孪生被配置为通过以下各项中的一项或多项生成能源消耗的可视和/或分析指标：
一个或多个机器；
一个或多个工厂；或者
车队中的一个或多个车辆。
31.根据权利要求26所述的基于AI的平台，其中，每个自适应自主数据处理系统还被配置为执行以下各项中的一项或多项：
提取能源相关数据；
检测和/或校正能源相关数据中的误差；
转换、转化、归一化和/或清洁能源相关数据；
解析能源相关数据；
检测能源相关数据中的模式、内容和/或对象；
压缩能源相关数据；
流式传输能源相关数据；
过滤能源相关数据；
加载和/或存储能源相关数据；
路由和/或传输能源相关数据；或者
维护能源相关数据的安全性。
32.根据权利要求26所述的基于AI的平台，其中，所述能源边缘数据基于一个或多个公共数据资源，所述公共数据资源包括以下各项中的一项或多项：
天气数据资源；
卫星数据资源；
人口普查、人口、人口统计和/或心理数据资源；
市场数据资源；或者
电子商务数据资源。
33.根据权利要求26所述的基于AI的平台，其中，所述能源边缘数据基于一个或多个企业数据资源，所述企业数据资源包括以下各项中的一项或多项：
资源规划数据；
销售和/或营销数据；
财务规划数据；
需求规划数据；
供应链数据；
采购数据；
定价数据；
客户数据；
产品数据；或者
运营数据。
34.根据权利要求26所述的基于AI的平台，还包括至少一个基于AI的模型和/或算法，其中，所述至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且所述训练数据集基于以下各项中的一项或多项：
一个或多个人类标签和/或标记；
与硬件和/或软件系统的一个或多个人类交互；
一个或多个结果；
一个或多个AI生成的训练数据样本；
监督学习训练过程；
半监督学习训练过程；或者
深度学习训练过程。
35.根据权利要求26所述的基于AI的平台，其中，每个自适应自主数据处理系统还被配置为协调向一个或多个消耗点输送能源，并且所述能源输送包括以下各项中的一项或多项：
一条或多条固定传输线；
一个或多个无线能源传输实例；
一个或多个燃料输送；或者
一个或多个存储能源输送。
36.根据权利要求26所述的基于AI的平台，其中，每个自适应自主数据处理系统还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，所述一个或多个能源相关事件包括以下各项中的一项或多项：
能源采购和/或销售事件；
与能源采购和/或销售事件相关联的服务费；
能源消耗事件；
能源生成事件；
能源分布事件；
能源存储事件；
碳排放产生事件；
碳排放减少事件；
可再生能源额度事件；
污染产生事件；或者
污染减少事件。
37.根据权利要求26所述的基于AI的平台，其中，至少一个自适应自主数据处理系统部署在离网环境中，并且所述离网环境包括以下各项中的一项或多项：
离网能源生成系统；
离网能源存储系统；或者
离网能源调动系统。
38.根据权利要求26所述的基于AI的平台，其中，所述平台还包括自适应能源数据管道，所述自适应能源数据管道被配置为跨网络中的一组节点传送数据。
39.根据权利要求38所述的基于AI的平台，其中，包括所述自适应能源数据管道的所述网络中的所述一组节点包括一组边缘联网设备，所述边缘联网设备通过经由所述边缘联网设备控制的一组操作设备来管理能源消耗、能源存储、能源输送或能源消耗中的至少一个。
40.根据权利要求38所述的基于AI的平台，其中，所述自适应能源数据管道还被配置为自动选择用于跨所述一组节点传送的数据的最低成本路由，所述选择基于与所述数据相关的低优先级能源使用。
41.根据权利要求38所述的基于AI的平台，其中，所述自适应能源数据管道还被配置为自动选择用于跨所述一组节点传送的数据的高质量服务路由，所述选择基于与所述数据相关的高优先级能源使用。
42.根据权利要求38所述的基于AI的平台，其中，所述自适应能源数据管道包括一组人工智能能力，所述能力被配置为调整所述管道，以使得能够根据能源协调需求优化数据传输的元件。
43.根据权利要求38所述的基于AI的平台，其中，所述自适应能源数据管道包括自组织数据存储器，所述数据存储器被配置为基于数据模式、数据内容或数据上下文中的一个或多个在设备上存储数据。
44.根据权利要求38所述的基于AI的平台，其中，所述自适应能源数据管道被配置为执行自动化自适应联网，所述自适应联网包括自适应协议选择、基于RF状况的自适应数据路由、自适应数据过滤、网络带宽的自适应切片、认知网络容量的自适应使用或对等网络容量的自适应使用中的一个或多个。
45.根据权利要求38所述的基于AI的平台，其中，所述自适应能源数据管道被配置为通过基于企业的操作环境、企业的交易环境或企业的财务环境中的一个或多个自动处理数据来执行企业环境适应。
46.根据权利要求26所述的基于AI的平台，其中，至少一个自适应自主数据处理系统还被配置为基于与所述一组分布式能源相关联的至少一个优先级和/或需求来确定一组进程的调度。
47.根据权利要求26所述的基于AI的平台，其中，至少一个自适应自主数据处理系统还被配置为基于与所述一组分布式能源相关联的至少一个优先级和/或需求来调整与所述一组边缘设备中的至少一个边缘设备的通信，并且所述通信与所述分布式能源的能源生成、存储或输送的调查相关联。
48.根据权利要求26所述的基于AI的平台，其中，至少一个自适应自主数据处理系统还被配置为向所述一组边缘设备中的至少一个边缘设备发出指令，所述指令基于对所述分布式能源的能源生成、存储或输送的调查，并且所述指令使所述至少一个边缘设备调整所述至少一个边缘设备的能源生成、存储或输送。
49.一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：
系统，所述系统被配置为执行在操作上耦合在能源电网内的一组能源实体和一组分布式边缘能源资源内的自动和协调治理，其中，至少一个分布式边缘能源资源在操作上独立于所述能源电网。
50.根据权利要求49所述的基于AI的平台，其中，所述系统还被配置为适应通过网络和/或通信系统的数据传输，其中，所述适应基于以下各项中的一项或多项：
拥塞状况；
延迟和/或时延状况；
丢包状况；
失误率状况；
运输成本状况；
服务质量(QoS)状况；
使用状况；
市场因素状况；或者
用户配置状况。
51.根据权利要求49所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生表示以下各项中的一项或多项：
能源利益相关者实体；
能源分布资源；
利益相关者信息技术；
网络基础设施实体；
能源相关的利益相关者生产设施；
利益相关者运输系统；
市场状况；或者
能源使用优先状况。
52.根据权利要求49所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为执行以下各项中的一项或多项：
提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；
过滤能源数据；
突出显示能源数据；或者
调整能源数据。
53.根据权利要求49所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为通过以下各项中的一项或多项生成能源消耗的视觉和/或分析指标：
一个或多个机器；
一个或多个工厂；或者
车队中的一个或多个车辆。
54.根据权利要求49所述的基于AI的平台，其中，所述系统还被配置为执行以下各项中的一项或多项：
提取能源相关数据；
检测和/或校正能源相关数据中的误差；
转换、转化、归一化和/或清洁能源相关数据；
解析能源相关数据；
检测能源相关数据中的模式、内容和/或对象；
压缩能源相关数据；
流式传输能源相关数据；
过滤能源相关数据；
加载和/或存储能源相关数据；
路由和/或传输能源相关数据；或者
维护能源相关数据的安全性。
55.根据权利要求49所述的基于AI的平台，还包括至少一个基于AI的模型和/或算法，其中，所述至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且所述训练数据集基于以下各项中的一项或多项：
一个或多个人类标签和/或标记；
与硬件和/或软件系统的一个或多个人类交互；
一个或多个结果；
一个或多个AI生成的训练数据样本；
监督学习训练过程；
半监督学习训练过程；或者
深度学习训练过程。
56.根据权利要求49所述的基于AI的平台，其中，所述系统还被配置为协调向一个或多个消耗点输送能源，并且所述能源输送包括以下各项中的一项或多项：
一条或多条固定传输线；
一个或多个无线能源传输实例；
一个或多个燃料输送；或者
一个或多个存储能源输送。
57.根据权利要求49所述的基于AI的平台，其中，所述系统还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，所述一个或多个能源相关事件包括以下各项中的一项或多项：
能源采购和/或销售事件；
与能源采购和/或销售事件相关联的服务费；
能源消耗事件；
能源生成事件；
能源分布事件；
能源存储事件；
碳排放产生事件；
碳排放减少事件；
可再生能源额度事件；
污染产生事件；或者
污染减少事件。
58.根据权利要求49所述的基于AI的平台，其中，至少一个分布式能源边缘资源部署在离网环境中，并且所述离网环境包括以下各项中的一项或多项：
离网能源生成系统；
离网能源存储系统；或者
离网能源调动系统。
59.根据权利要求49所述的基于AI的平台，其中，所述系统被配置为促进采矿环境的治理。
60.根据权利要求59所述的基于AI的平台，其中，所述系统包括采矿环境的矿级物联网(IoT)感测、采矿环境的未开采部分的地面穿透感测、开采材料的基于质谱和计算机视觉的感测、智能容器的资产标记、用于检测矿工生理状态的可穿戴设备、交易和交易相关事件的安全记录和解决、用于自动分配从采矿环境获得的收益的智能合约、以及用于记录、报告和评估对合约、监管和法律政策要求的遵从性的自动化系统。
61.根据权利要求59所述的基于AI的平台，其中，所述系统包括一组碳感知能源边缘解决方案，所述解决方案包括探索、配置和实现一组关于碳生成的策略。
62.根据权利要求61所述的基于AI的平台，其中，所述解决方案要求监测采矿环境生产能源，以跟踪采矿环境生成的碳排放。
63.根据权利要求61所述的基于AI的平台，其中，所述解决方案要求采矿环境生产能源，以抵消采矿环境生成的碳。
64.根据权利要求59所述的基于AI的平台，其中，所述平台包括用户接口，并且所述系统包括一组自动化能源策略部署解决方案，所述解决方案能够经由用户与所述用户接口的交互来配置。
65.根据权利要求59所述的基于AI的平台，其中，所述系统包括智能代理，所述智能代理被训练以生成与采矿环境的治理相关的策略，在历史数据、来自结果的反馈和人类策略设置交互的训练集上训练所述智能代理。
66.根据权利要求59所述的基于AI的平台，其中，所述系统通过实施包括以下各项中的一项或多项的策略来促进采矿环境的治理：
为实体设置一段时间的最大能源使用；
为实体设置一段时间的最大能源成本；
为实体设置一段时间内的最大碳产量；
为实体设置一段时间内的最大污染排放；
设置碳抵消要求；
设置可再生能源额度要求；
设置能源混合要求；
基于生产实体的能源和其他边际成本设置利润率最小值；或者
为能源存储实体设置最低存储基线。
67.根据权利要求59所述的基于AI的平台，其中，所述系统包括一组能源管理智能合约解决方案，所述一组能源管理智能合约解决方案被配置为允许所述平台的用户设计、生成和部署自动提供一组能源交易的管理程度的智能合约。
68.根据权利要求59所述的基于AI的平台，其中，所述系统包括一组自动化能源财务控制解决方案，所述一组自动化能源财务控制解决方案被配置为允许所述平台的用户设计、生成、配置或部署与控制与能源生成、存储、输送或利用中的一个或多个相关的财务因素有关的策略。
69.根据权利要求49所述的基于AI的平台，其中，所述系统还被配置为确定与所述一组能源实体或所述一组分布式边缘能源资源中的至少一个相关联的优先级，并且所述优先级基于与所述一组能源实体或所述一组分布式能源资源中的至少一个相关联的策略。
70.根据权利要求49所述的基于AI的平台，其中，所述系统还被配置为通过所述一组能源实体执行对能源生产率的监测，并基于对生产率的监测来调整所述一组能源实体的自动和协调治理。
71.根据权利要求49所述的基于AI的平台，其中，所述系统还被配置为基于与所述一组能源实体相关联的至少一个能源测量和/或预测来分配对所述一组分布式边缘能源的处理。
72.一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：
自适应能源数据管道，所述自适应能源数据管道被配置为跨网络中的一组节点传送数据，其中，所述一组至少一个节点子集被配置为由规则或算法中的至少一个来设置与所述自适应能源数据管道相关联的数据通信的至少一个参数，并且所述至少一个参数基于当前网络状况的一组指标，以便优化在所述数据通信中使用的能源。
73.根据权利要求72所述的基于AI的平台，其中，所述至少一个参数是以下各项中的一项或多项：
路由指令，
路由参数，
误差校正参数，
压缩参数，
存储参数，或者
定时参数。
74.根据权利要求72所述的基于AI的平台，其中，所述自适应能源数据管道还被配置为适应通过网络和/或通信系统的数据传输，其中，所述适应基于以下各项中的一项或多项：
拥塞状况；
延迟和/或时延状况；
丢包状况；
失误率状况；
运输成本状况；
服务质量(QoS)状况；
使用状况；
市场因素状况；或者
用户配置状况。
75.根据权利要求72所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生表示以下各项中的一项或多项：
能源利益相关者实体；
能源分布资源；
利益相关者信息技术；
网络基础设施实体；
能源相关的利益相关者生产设施；
利益相关者运输系统；
市场状况；或者
能源使用优先状况。
76.根据权利要求72所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为执行以下各项中的一项或多项：
提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；
过滤能源数据；
突出显示能源数据；或者
调整能源数据。
77.根据权利要求72所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为通过以下各项中的一项或多项生成能源消耗的视觉和/或分析指标：
一个或多个机器；
一个或多个工厂；或者
车队中的一个或多个车辆。
78.根据权利要求72所述的基于AI的平台，其中，所述自适应能源数据管道还被配置为执行以下各项中的一项或多项：
提取能源相关数据；
检测和/或校正能源相关数据中的误差；
转换、转化、归一化和/或清洁能源相关数据；
解析能源相关数据；
检测能源相关数据中的模式、内容和/或对象；
压缩能源相关数据；
流式传输能源相关数据；
过滤能源相关数据；
加载和/或存储能源相关数据；
路由和/或传输能源相关数据；或者
维护能源相关数据的安全性。
79.根据权利要求72所述的基于AI的平台，其中，所述数据基于一个或多个公共数据资源，所述公共数据资源包括以下各项中的一项或多项：
天气数据资源；
卫星数据资源；
人口普查、人口、人口统计和/或心理数据资源；
市场数据资源；或者
电子商务数据资源。
80.根据权利要求72所述的基于AI的平台，其中，所述数据基于一个或多个企业数据资源，所述企业数据资源包括以下各项中的一项或多项：
资源规划数据；
销售和/或营销数据；
财务规划数据；
需求规划数据；
供应链数据；
采购数据；
定价数据；
客户数据；
产品数据；或者
运营数据。
81.根据权利要求72所述的基于AI的平台，还包括至少一个基于AI的模型和/或算法，其中，所述至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且所述训练数据集基于以下各项中的一项或多项：
一个或多个人类标签和/或标记；
与硬件和/或软件系统的一个或多个人类交互；
一个或多个结果；
一个或多个AI生成的训练数据样本；
监督学习训练过程；
半监督学习训练过程；或者
深度学习训练过程。
82.根据权利要求72所述的基于AI的平台，其中，所述自适应能源数据管道还被配置为协调向一个或多个消耗点输送能源，并且所述能源输送包括以下各项中的一项或多项：
一条或多条固定传输线；
一个或多个无线能源传输实例；
一个或多个燃料输送；或者
一个或多个存储能源输送。
83.根据权利要求72所述的基于AI的平台，其中，所述自适应能源数据管道还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，所述一个或多个能源相关事件包括以下各项中的一项或多项：
能源采购和/或销售事件；
与能源采购和/或销售事件相关联的服务费；
能源消耗事件；
能源生成事件；
能源分布事件；
能源存储事件；
碳排放产生事件；
碳排放减少事件；
可再生能源额度事件；
污染产生事件；或者
污染减少事件。
84.根据权利要求72所述的基于AI的平台，其中，所述自适应能源数据管道的至少一部分部署在离网环境中，并且所述离网环境包括以下各项中的一项或多项：
离网能源生成系统；
离网能源存储系统；或者
离网能源调动系统。
85.根据权利要求72所述的基于AI的平台，其中，所述自适应能源数据管道还被配置为：
监测以下一项或两项：
所述一组节点中的至少一部分的总能源消耗；或者
所述一组节点的至少一个节点在所述一组节点中的至少一部分的总能源消耗中的作用；以及
基于所述监测，执行以下各项中的一项或多项：
管理所述一组节点的能源消耗，
预测所述一组节点的能源消耗，或者
提供与所述一组节点的能源消耗相关联的资源。
86.根据权利要求72所述的基于AI的平台，其中，所述网络中包括所述自适应能源数据管道的所述一组节点包括一组边缘联网设备，所述边缘联网设备通过经由边缘联网设备控制的一组操作设备来管理能源消耗、能源存储、能源输送或能源消耗中的至少一个。
87.根据权利要求72所述的基于AI的平台，其中，所述自适应能源数据管道还被配置为自动选择用于跨所述一组节点传送的数据的最低成本路由，所述选择基于与所述数据相关的低优先级能源使用。
88.根据权利要求72所述的基于AI的平台，其中，所述自适应能源数据管道还被配置为自动选择用于跨所述一组节点传送的数据的高质量服务路由，所述选择基于与所述数据相关的高优先级能源使用。
89.根据权利要求72所述的基于AI的平台，其中，所述自适应能源数据管道包括一组人工智能能力，所述能力被配置为调整所述管道，以使得能够根据能源协调需求优化数据传输的元件。
90.根据权利要求72所述的基于AI的平台，其中，所述自适应能源数据管道包括自组织数据存储器，所述数据存储器被配置为基于数据模式、数据内容或数据上下文中的一个或多个在设备上存储数据。
91.根据权利要求72所述的基于AI的平台，其中，所述自适应能源数据管道被配置为执行自动化自适应联网，所述自适应联网包括自适应协议选择、基于RF状况的自适应数据路由、自适应数据过滤、网络带宽的自适应切片、认知网络容量的自适应使用或对等网络容量的自适应使用中的一个或多个。
92.一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：
数字孪生系统，所述数字孪生系统具有采矿环境的数字孪生，其中，所述数字孪生包括由采矿环境的传感器检测到的至少一个参数。
93.根据权利要求92所述的基于AI的平台，其中，所述至少一个参数与以下各项中的一项或多项相关联：
所述采矿环境的未开采部分；
从所述采矿环境中开采材料，
涉及与所述采矿环境相关联的智能容器的智能容器事件，
与所述采矿环境相关联的矿工的生理状态；
与所述采矿环境相关联的交易相关事件，或者
所述采矿环境遵从一个或多个合约、监管和/或法律政策。
94.根据权利要求92所述的基于AI的平台，其中，所述数字孪生系统还表示以下各项中的一项或多项：
能源利益相关者实体；
能源分布资源；
利益相关者信息技术；
网络基础设施实体；
能源相关的利益相关者生产设施；
利益相关者运输系统；
市场状况；或者
能源使用优先状况。
95.根据权利要求92所述的基于AI的平台，其中，所述数字孪生系统还被配置为执行以下各项中的一项或多项：
提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；
过滤能源数据；
突出显示能源数据；或者
调整能源数据。
96.根据权利要求92所述的基于AI的平台，其中，所述数字孪生系统还被配置为通过以下各项中的一项或多项生成能源消耗的可视和/或分析指标：
一个或多个机器；
一个或多个工厂；或者
车队中的一个或多个车辆。
97.根据权利要求92所述的基于AI的平台，其中，所述参数基于一个或多个公共数据资源，所述公共数据资源包括以下各项中的一项或多项：
天气数据资源；
卫星数据资源；
人口普查、人口、人口统计和/或心理数据资源；
市场数据资源；或者
电子商务数据资源。
98.根据权利要求92所述的基于AI的平台，其中，所述参数基于一个或多个企业数据资源，所述企业数据资源包括以下各项中的一项或多项：
资源规划数据；
销售和/或营销数据；
财务规划数据；
需求规划数据；
供应链数据；
采购数据；
定价数据；
客户数据；
产品数据；或者
运营数据。
99.根据权利要求92所述的基于AI的平台，其中，所述数字孪生系统包括至少一个基于AI的模型和/或算法，其中，所述至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且所述训练数据集基于以下各项中的一项或多项：
一个或多个人类标签和/或标记；
与硬件和/或软件系统的一个或多个人类交互；
一个或多个结果；
一个或多个AI生成的训练数据样本；
监督学习训练过程；
半监督学习训练过程；或者
深度学习训练过程。
100.根据权利要求92所述的基于AI的平台，其中，所述数字孪生系统还被配置为协调向一个或多个消耗点输送能源，并且所述能源输送包括以下各项中的一项或多项：
一条或多条固定传输线；
一个或多个无线能源传输实例；
一个或多个燃料输送；或者
一个或多个存储能源输送。
101.根据权利要求92所述的基于AI的平台，其中，所述数字孪生系统还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，所述一个或多个能源相关事件包括以下各项中的一项或多项：
能源采购和/或销售事件；
与能源采购和/或销售事件相关联的服务费；
能源消耗事件；
能源生成事件；
能源分布事件；
能源存储事件；
碳排放产生事件；
碳排放减少事件；
可再生能源额度事件；
污染产生事件；或者
污染减少事件。
102.根据权利要求92所述的基于AI的平台，其中，所述数字孪生系统部署在离网环境中，并且所述离网环境包括以下各项中的一项或多项：
离网能源生成系统；
离网能源存储系统；或者
离网能源调动系统。
103.根据权利要求92所述的基于AI的平台，其中，所述采矿环境是数据采矿环境。
104.根据权利要求92所述的基于AI的平台，其中，所述采矿环境是用于进行计算操作的一组资源。
105.根据权利要求92所述的基于AI的平台，其中，所述平台包括采矿环境的矿级物联网(IoT)感测、采矿环境的未开采部分的地面穿透感测、采矿材料的基于质谱和计算机视觉的感测、智能容器的资产标记、用于检测矿工生理状态的可穿戴设备、交易和交易相关事件的安全记录和解决、用于自动分配从采矿环境获得的收益的智能合约、以及用于记录、报告和评估对合约、监管和法律政策要求的遵从性的自动化系统。
106.根据权利要求92所述的基于AI的平台，其中，所述平台包括一组碳感知能源边缘解决方案，所述解决方案包括探索、配置和实现一组关于碳生成的策略。
107.根据权利要求106所述的基于AI的平台，其中，所述解决方案要求监测采矿环境生产能源，以跟踪采矿环境生成的碳排放。
108.根据权利要求106所述的基于AI的平台，其中，所述解决方案要求采矿环境生产能源，以抵消采矿环境生成的碳。
109.根据权利要求92所述的基于AI的平台，其中，所述平台包括用户接口，并且所述平台包括一组自动化能源策略部署解决方案，所述解决方案能够经由用户与所述用户接口的交互来配置。
110.根据权利要求92所述的基于AI的平台，其中，所述平台包括智能代理，所述智能代理被训练以生成与采矿环境的治理相关的策略，在历史数据、来自结果的反馈和人类策略设置交互的训练集上训练所述智能代理。
111.根据权利要求92所述的基于AI的平台，其中，所述平台通过实施包括以下各项中的一项或多项的策略来促进采矿环境的治理：
为实体设置一段时间的最大能源使用；
为实体设置一段时间的最大能源成本；
为实体设置一段时间内的最大碳产量；
为实体设置一段时间内的最大污染排放；
设置碳抵消要求；
设置可再生能源额度要求；
设置能源混合要求；
基于生产实体的能源和其他边际成本设置利润率最小值；或者
为能源存储实体设置最低存储基线。
112.根据权利要求92所述的基于AI的平台，其中，所述至少一个参数包括由所述传感器进行的测量，并且所述测量与包括在所述采矿环境的工业操作中的至少一件设备相关联。
113.根据权利要求92所述的基于AI的平台，其中，所述数字孪生系统包括调度器，所述调度器被配置为确定用于生成、存储和/或输送能源到与所述采矿环境的工业操作相关联的至少一件设备的计划表，并且所述计划表基于由所述传感器检测的所述至少一个参数。
114.根据权利要求92所述的基于AI的平台，其中，所述数字孪生中包含的所述至少一个参数包括与所述采矿环境相关联的至少一个数据集的至少一个属性。
115.一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：
采矿作业的治理系统；以及
报告系统，所述报告系统用于传送由所述采矿作业的矿井的传感器感测的至少一个参数，其中，所述至少一个参数与所述采矿作业遵从一组劳动标准相关联。
116.根据权利要求115所述的基于AI的平台，其中，所述报告系统还被配置为适应通过网络和/或通信系统的数据传输，其中，所述适应基于以下各项中的一项或多项：
拥塞状况；
延迟和/或时延状况；
丢包状况；
失误率状况；
运输成本状况；
服务质量(QoS)状况；
使用状况；
市场因素状况；或者
用户配置状况。
117.根据权利要求115所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生表示以下各项中的一项或多项：
能源利益相关者实体；
能源分布资源；
利益相关者信息技术；
网络基础设施实体；
能源相关的利益相关者生产设施；
利益相关者运输系统；
市场状况；或者
能源使用优先状况。
118.根据权利要求115所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为执行以下各项中的一项或多项：
提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；
过滤能源数据；
突出显示能源数据；
调整能源数据，或者
通过以下各项中的一项或多项生成能源消耗的视觉和/或分析指标：
一个或多个机器；
一个或多个工厂；或者
车队中的一个或多个车辆。
119.根据权利要求115所述的基于AI的平台，其中，所述报告系统还被配置为执行以下各项中的一项或多项：
提取能源相关数据；
检测和/或校正能源相关数据中的误差；
转换、转化、归一化和/或清洁能源相关数据；
解析能源相关数据；
检测能源相关数据中的模式、内容和/或对象；
压缩能源相关数据；
流式传输能源相关数据；
过滤能源相关数据；
加载和/或存储能源相关数据；
路由和/或传输能源相关数据；或者
维护能源相关数据的安全性。
120.根据权利要求115所述的基于AI的平台，其中，所述报告系统还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，所述一个或多个能源相关事件包括以下各项中的一项或多项：
能源采购和/或销售事件；
与能源采购和/或销售事件相关联的服务费；
能源消耗事件；
能源生成事件；
能源分布事件；
能源存储事件；
碳排放产生事件；
碳排放减少事件；
可再生能源额度事件；
污染产生事件；或者
污染减少事件。
121.根据权利要求115所述的基于AI的平台，其中，所述至少一个参数中的至少一个基于以下各项中的一项或多项：
一个或多个公共数据资源，所述一个或多个公共数据资源包括以下各项中的一项或多项：
天气数据资源；
卫星数据资源；
人口普查、人口、人口统计和/或心理数据资源；
市场数据资源；或者
电子商务数据资源，或者
一个或多个企业数据资源，所述一个或多个企业数据资源包括以下各项中的一项或多项：
资源规划数据；
销售和/或营销数据；
财务规划数据；
需求规划数据；
供应链数据；
采购数据；
定价数据；
客户数据；
产品数据；或者
运营数据。
122.根据权利要求115所述的基于AI的平台，还包括至少一个基于AI的模型和/或算法，其中，所述至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且所述训练数据集基于以下各项中的一项或多项：
一个或多个人类标签和/或标记；
与硬件和/或软件系统的一个或多个人类交互；
一个或多个结果；
一个或多个AI生成的训练数据样本；
监督学习训练过程；
半监督学习训练过程；或者
深度学习训练过程。
123.根据权利要求115所述的基于AI的平台，其中，所述治理系统还被配置为协调向一个或多个消耗点输送能源，并且所述能源输送包括以下各项中的一项或多项：
一条或多条固定传输线；
一个或多个无线能源传输实例；
一个或多个燃料输送；或者
一个或多个存储能源输送。
124.根据权利要求115所述的基于AI的平台，其中，所述一组劳动标准与由矿井工人执行的至少一个活动相关联，并且传送由所述传感器感测的所述至少一个参数包括传送由所述传感器感测的所述工人对所述至少一个活动的表现的指示。
125.根据权利要求115所述的基于AI的平台，其中，所述一组劳动标准与至少一个对象相关联，所述至少一个对象与所述矿井工人相关联，并且传送由所述传感器感测的所述至少一个参数包括传送由所述传感器对所述至少一个对象的检测的指示。
126.根据权利要求115所述的基于AI的平台，其中，所述一组劳动标准包括所述矿井的属性的阈值，并且所述报告系统还被配置为基于由所述传感器感测的所述至少一个参数与所述阈值的比较来传送确定。
127.根据权利要求115所述的基于AI的平台，还包括遵从性恢复系统，所述遵从性恢复系统被配置为基于由所述传感器感测的所述至少一个参数指示不遵从所述一组劳动标准的状况这一确定来执行至少一个遵从性恢复动作。
128.根据权利要求115所述的基于AI的平台，还包括紧急响应系统，所述紧急响应系统被配置为基于由所述传感器感测的所述至少一个参数指示与所述矿井相关联的紧急事件的发生这一确定来执行至少一个紧急响应动作。
129.根据权利要求115所述的基于AI的平台，还包括传感器配置系统，所述传感器配置系统被配置为确定所述传感器的配置，以执行所述至少一个参数的感测，其中，所述配置基于所述采矿作业遵从所述一组劳动标准。
130.根据权利要求129所述的基于AI的平台，其中，所述一组劳动标准可由所述传感器配置系统访问并以自然语言指定，并且所述传感器配置系统被配置为基于对所述一组劳动标准的自然语言解析来确定所述传感器的所述配置。
131.根据权利要求115所述的基于AI的平台，还包括传感器修复系统，所述传感器修复系统被配置为基于对所述传感器未感测到所述至少一个参数这一确定来执行至少一个传感器修复措施，其中，所述至少一个传感器修复措施包括以下各项中的一项或多项：
发起所述传感器的更换，
发起涉及所述传感器的诊断操作，
发起所述传感器的重新配置，以不同的方式检测所述至少一个参数，
发起对矿井工人的请求，以执行对所述至少一个参数的手动感测，或者
发起用所述矿井的至少一个其他传感器替换所述矿井的所述传感器，以感测所述至少一个参数。
132.根据权利要求115所述的基于AI的平台，还包括遵从性验证系统，所述遵从性验证系统被配置为验证由所述传感器感测的所述至少一个参数指示所述采矿作业遵从所述一组劳动标准，其中，所述验证包括以下各项中的一项或多项：
验证所述矿井的所述传感器的校准，
基于所述至少一个参数与由所述矿井的至少一个其他传感器感测的至少一个参数的比较，验证由所述矿井的所述传感器感测的所述至少一个参数，
请求由所述矿井工人人工验证所述至少一个参数，或者
请求合规官验证所述至少一个参数指示所述采矿作业遵从所述一组劳动标准。
133.根据权利要求115所述的基于AI的平台，还包括工人通信接口，所述工人通信接口被配置为基于由所述传感器感测的所述至少一个参数参与所述矿井工人的通信，其中，所述通信与所述采矿作业遵从所述一组劳动标准相关联。
134.根据权利要求115所述的基于AI的平台，还包括用户接口，所述用户接口被配置为显示所述采矿作业的地图，其中，所述地图包括基于由所述传感器感测的所述至少一个参数指示所述采矿作业遵从所述一组劳动标准。
135.根据权利要求115所述的基于AI的平台，其中，所述一组劳动标准包括对工人执行与所述采矿作业相关联的任务的一组工作要求，并且所述报告系统还被配置为基于所述一组工作要求使所述工人的分配适应所述任务。
136.根据权利要求115所述的基于AI的平台，其中，所述至少一个参数包括工人执行与所述采矿作业相关联的任务的计划表，并且所述报告系统还被配置为基于所述采矿作业遵从所述一组劳动标准来适应所述计划表。
137.根据权利要求115所述的基于AI的平台，其中，所述报告系统还被配置为响应于由所述传感器感测的所述至少一个参数发起至少一个协议，并且所述至少一个协议基于调整由所述传感器感测的所述至少一个参数，以维护或恢复所述采矿作业遵从所述一组劳动标准。
138.根据权利要求115所述的基于AI的平台，其中，所述报告系统还被配置为维护与所述采矿作业的至少一个任务相关联的至少一个工人的训练状态和/或认证状态的数字记录。
139.一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：
一组边缘设备，其中，所述一组边缘设备中的每个边缘设备被配置为保持对链接到所述一组边缘设备和/或由所述一组边缘设备管理的一组能源使用的实体中的至少一个实体的碳生成和/或排放的感知。
140.根据权利要求139所述的基于AI的平台，其中，所述组中的至少一个边缘设备被配置为模拟所述一组能源使用的实体中的至少一个实体的所述碳生成和/或排放。
141.根据权利要求139所述的基于AI的平台，其中，所述组中的至少一个边缘设备被配置为执行在碳生成数据的训练数据集上训练的一组机器学习算法，以计算一组操作实体的碳生成和/或排放度量。
142.根据权利要求139所述的基于AI的平台，其中，所述组中的至少一个边缘设备被配置为执行在碳生成数据的训练数据集上训练的一组机器学习算法，以计算一组操作实体的碳生成和/或排放度量。
143.根据权利要求139所述的基于AI的平台，其中，所述组中的至少一个边缘设备还被配置为适应通过网络和/或通信系统的数据传输，其中，所述适应基于以下各项中的一项或多项：
拥塞状况；
延迟和/或时延状况；
丢包状况；
失误率状况；
运输成本状况；
服务质量(QoS)状况；
使用状况；
市场因素状况；或者
用户配置状况。
144.根据权利要求139所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生表示以下各项中的一项或多项：
能源利益相关者实体；
能源分布资源；
利益相关者信息技术；
网络基础设施实体；
能源相关的利益相关者生产设施；
利益相关者运输系统；
市场状况；或者
能源使用优先状况。
145.根据权利要求139所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为执行以下各项中的一项或多项：
提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；
过滤能源数据；
突出显示能源数据；
调整能源数据，或者
通过以下各项中的一项或多项生成能源消耗的视觉和/或分析指标：
一个或多个机器；
一个或多个工厂；或者
车队中的一个或多个车辆。
146.根据权利要求139所述的基于AI的平台，其中，所述组中的至少一个边缘设备还被配置为执行以下各项中的一项或多项：
提取能源相关数据；
检测和/或校正能源相关数据中的误差；
转换、转化、归一化和/或清洁能源相关数据；
解析能源相关数据；
检测能源相关数据中的模式、内容和/或对象；
压缩能源相关数据；
流式传输能源相关数据；
过滤能源相关数据；
加载和/或存储能源相关数据；
路由和/或传输能源相关数据；或者
维护能源相关数据的安全性。
147.根据权利要求139所述的基于AI的平台，其中，所述组中的至少一个边缘设备包括至少一个基于AI的模型和/或算法，其中，所述至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且所述训练数据集基于以下各项中的一项或多项：
一个或多个人类标签和/或标记；
与硬件和/或软件系统的一个或多个人类交互；
一个或多个结果；
一个或多个AI生成的训练数据样本；
监督学习训练过程；
半监督学习训练过程；或者
深度学习训练过程。
148.根据权利要求139所述的基于AI的平台，其中，所述组中的至少一个边缘设备被配置为协调向一个或多个消耗点输送能源，并且所述能源输送包括以下各项中的一项或多项：
一条或多条固定传输线；
一个或多个无线能源传输实例；
一个或多个燃料输送；或者
一个或多个存储能源输送。
149.根据权利要求139所述的基于AI的平台，其中，所述组中的至少一个边缘设备还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，所述一个或多个能源相关事件包括以下各项中的一项或多项：
能源采购和/或销售事件；
与能源采购和/或销售事件相关联的服务费；
能源消耗事件；
能源生成事件；
能源分布事件；
能源存储事件；
碳排放产生事件；
碳排放减少事件；
可再生能源额度事件；
污染产生事件；或者
污染减少事件。
150.根据权利要求139所述的基于AI的平台，其中，所述组中的至少一个边缘设备部署在离网环境中，并且所述离网环境包括以下各项中的一项或多项：
离网能源生成系统；
离网能源存储系统；或者
离网能源调动系统。
151.根据权利要求139所述的基于AI的平台，其中，所述组中的至少一个边缘设备还被配置为基于碳生成和/或排放的当前度量与碳生成和/或排放的历史度量的比较来确定一段时间内所述碳生成和/或排放的变化。
152.根据权利要求139所述的基于AI的平台，其中，所述组中的至少一个边缘设备还被配置为基于碳生成和/或排放策略来确定所述碳生成和/或排放目标。
153.根据权利要求139所述的基于AI的平台，其中，所述组中的至少一个边缘设备还被配置为：
执行所述碳生成和/或排放度量与所述碳生成和/或排放目标的比较，以及
基于所述比较来确定所述碳生成和/或排放对所述碳生成和/或排放策略的遵从性。
154.根据权利要求139所述的基于AI的平台，其中，所述组中的至少一个边缘设备还被配置为基于碳生成和/或排放度量以及碳生成和/或排放目标来确定所述碳生成和/或排放的环境影响。
155.根据权利要求139所述的基于AI的平台，其中，所述碳生成和/或排放与一组活动相关联，并且所述组中的至少一个边缘设备还被配置为将所述碳生成和/或排放的至少一部分分配给所述一组活动中的至少一个活动。
156.根据权利要求139所述的基于AI的平台，其中，所述组中的至少一个边缘设备还被配置为将至少一个指标与碳生成和/或排放度量与碳生成和/或排放目标相关联，其中，所述指标包括以下各项中的一项或多项：
所述碳生成和/或排放的日期、时间和/或时间段，
所述碳生成和/或排放的来源位置，
所述碳生成和/或排放的输送方向和/或速度，
所述碳生成和/或排放的受影响位置，
所述碳生成和/或排放的物理度量，
所述碳生成和/或排放的化学成分，
与所述碳生成和/或排放相关的区域中出现的天气模式，
与所述碳生成和/或排放相关的区域中的野生动物种群，或者
受所述碳生成和/或排放影响的人类活动。
157.根据权利要求139所述的基于AI的平台，其中，所述组中的至少一个边缘设备还被配置为基于碳生成和/或排放度量与和碳生成和/或排放关联的警报阈值的比较来传输与所述碳生成和/或排放关联的警报。
158.根据权利要求139所述的基于AI的平台，其中，所述组中的至少一个边缘设备还被配置为基于碳生成和/或排放度量来调整与所述碳生成和/或排放相关联的活动，并且所述调整修改碳生成和/或排放的未来状态。
159.根据权利要求139所述的基于AI的平台，其中，所述一组边缘设备中的至少一个边缘设备还被配置为通过基于检测间隔检测与所述一组能源使用的实体中的至少一个实体相关联的碳生成和/或排放的测量来保持感知。
160.根据权利要求139所述的基于AI的平台，其中，所述一组边缘设备中的至少一个边缘设备还被配置为通过生成至少一个局部报告和/或警报来保持感知，并且所述至少一个局部报告和/或警报与碳生成和/或排放模式相关联，所述碳生成和/或排放模式与所述一组能源使用的实体中的所述至少一个实体相关联。
161.根据权利要求139所述的基于AI的平台，其中，所述一组边缘设备中的至少一个边缘设备还被配置为改变与所述一组能源使用的实体中的至少一个实体相关联的一件或多件设备和/或过程的操作，并且改变所述操作基于与所述一组能源使用的实体中的至少一个实体相关联的碳生成和/或排放的至少一个测量。
162.一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：
数字孪生，所述数字孪生由数据收集系统更新，所述数据收集系统动态地维护定义域内的一组固定实体和一组移动实体的一组历史、当前和/或预测能源需求参数，其中，所述数字孪生的所述更新基于所述一组能源需求参数。
163.根据权利要求162所述的基于AI的平台，其中，一组操作实体经由一组链接到所述一组操作实体的边缘联网设备来控制，并且所述能源需求参数基于以下各项中的一项或多项：
从来自所述一组操作实体的需求中导出的一组当前汇总数据，其中，所述一组操作实体经由链接到所述一组操作实体的一组边缘联网设备来控制，
从来自所述一组操作实体的需求中导出的一组历史汇总数据，其中，所述一组操作实体经由链接到所述一组操作实体的一组边缘联网设备来控制，或者
从来自所述一组操作实体的需求中导出的一组模拟汇总数据。
164.根据权利要求162所述的基于AI的平台，其中，所述数据收集系统还被配置为适应通过网络和/或通信系统的数据传输，其中，所述适应基于以下各项中的一项或多项：
拥塞状况；
延迟和/或时延状况；
丢包状况；
失误率状况；
运输成本状况；
服务质量(QoS)状况；
使用状况；
市场因素状况；或者
用户配置状况。
165.根据权利要求162所述的基于AI的平台，其中，所述数字孪生表示以下各项中的一项或多项：
能源利益相关者实体；
能源分布资源；
利益相关者信息技术；
网络基础设施实体；
能源相关的利益相关者生产设施；
利益相关者运输系统；
市场状况；或者
能源使用优先状况。
166.根据权利要求162所述的基于AI的平台，其中，所述数字孪生还被配置为执行以下各项中的一项或多项：
提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；
过滤能源数据；
突出显示能源数据；
调整能源数据，或者
通过以下各项中的一项或多项生成能源消耗的视觉和/或分析指标：
一个或多个机器；
一个或多个工厂；或者
车队中的一个或多个车辆。
167.根据权利要求162所述的基于AI的平台，其中，至少一个能源需求参数基于以下各项中的一项或多项：
在一个或多个公共数据资源上，所述一个或多个公共数据资源包括以下各项中的一项或多项：
天气数据资源；
卫星数据资源；
人口普查、人口、人口统计和/或心理数据资源；
市场数据资源；或者
电子商务数据资源，或者
一个或多个企业数据资源，所述一个或多个企业数据资源包括以下各项中的一项或多项：
资源规划数据；
销售和/或营销数据；
财务规划数据；
需求规划数据；
供应链数据；
采购数据；
定价数据；
客户数据；
产品数据；或者
运营数据。
168.根据权利要求162所述的基于AI的平台，其中，所述数字孪生包括至少一个基于AI的模型和/或算法，其中，所述至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且所述训练数据集基于以下各项中的一项或多项：
一个或多个人类标签和/或标记；
与硬件和/或软件系统的一个或多个人类交互；
一个或多个结果；
一个或多个AI生成的训练数据样本；
监督学习训练过程；
半监督学习训练过程；或者
深度学习训练过程。
169.根据权利要求162所述的基于AI的平台，其中，所述数字孪生还被配置为协调向一个或多个消耗点输送能源，并且所述能源输送包括以下各项中的一项或多项：
一条或多条固定传输线；
一个或多个无线能源传输实例；
一个或多个燃料输送；或者
一个或多个存储能源输送。
170.根据权利要求169所述的基于AI的平台，其中，所述数字孪生还被配置为基于能源输送和/或消耗策略来调整向所述一个或多个消耗点输送能源。
171.根据权利要求169所述的基于AI的平台，其中，所述数字孪生还被配置为确定向所述一个或多个消耗点输送能源的碳生成和/或排放效果。
172.根据权利要求169所述的基于AI的平台，其中，所述数字孪生还被配置为基于所述一个或多个消耗点处的可用能源不足的概率和所述一个或多个消耗点处的可用能源不足的后果来调整向所述一个或多个消耗点输送能源。
173.根据权利要求169所述的基于AI的平台，其中，所述数字孪生还被配置为基于两个或更多个能源中的每一个的能源可用性的比较来确定向所述一个或多个消耗点输送能源，其中，所述比较包括以下各项中的一项或多项：
由所述两个或多个能源来源中的至少一个存储的当前和/或未来的能源数量，
与由所述两个或多个能源中的至少一个获取、存储和/或输送能源相关联的当前和/或未来资源消耗，或者
其他能源消费者对两个或多个能源中的至少一个的当前和/或未来需求。
174.根据权利要求162所述的基于AI的平台，其中，所述数字孪生还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，所述一个或多个能源相关事件包括以下各项中的一项或多项：
能源采购和/或销售事件；
与能源采购和/或销售事件相关联的服务费；
能源消耗事件；
能源生成事件；
能源分布事件；
能源存储事件；
碳排放产生事件；
碳排放减少事件；
可再生能源额度事件；
污染产生事件；或者
污染减少事件。
175.根据权利要求162所述的基于AI的平台，其中，所述数字孪生部署在离网环境中，并且所述离网环境包括以下各项中的一项或多项：
离网能源生成系统；
离网能源存储系统；或者
离网能源调动系统。
176.根据权利要求162所述的基于AI的平台，其中，所述基于AI的平台被配置为基于预测增量来测量所述数字孪生的性能，并且所述预测增量基于由所述数字孪生基于所述一组能源需求参数生成的预测与所述数据收集系统内对应于所述预测的测量的比较。
177.根据权利要求176所述的基于AI的平台，其中，所述基于AI的平台被配置为基于所述预测增量更新所述数字孪生，并且所述更新包括以下各项中的一项或多项：
基于所述预测增量重新训练所述数字孪生，
基于所述预测增量调整应用于所述数字孪生的预测的预测校正，
用至少一个其他经过训练的机器学习模型来补充所述数字孪生，或者
用替代数字孪生替换所述数字孪生。
178.根据权利要求162所述的基于AI的平台，其中，所述数字孪生还被配置为生成：
基于至少一个能源需求参数的预测，以及
至少一个能源需求参数对所述预测的影响的指示。
179.根据权利要求162所述的基于AI的平台，其中，所述数字孪生还被配置为确定所述一组能源需求参数的一个或多个修改，以改进所述数字孪生的未来预测，其中，所述一个或多个修改包括以下各项中的一项或多项：
与所述定义域内的一组固定实体和一组移动实体相关联的一个或多个附加的历史、当前和/或预测能源需求参数，或者
与所述定义域内的所述一组固定实体和所述一组移动实体相关联的所述历史、当前和/或预测能源需求参数中的一个或多个能源需求参数的一个或多个修改。
180.根据权利要求162所述的基于AI的平台，其中，所述数字孪生还被配置为基于从所述定义域内的所述一组固定实体和/或所述一组移动实体中的至少一个实体接收的一个或多个实体参数来协调向一个或多个消耗点输送能源，并且所述一个或多个实体参数包括以下各项中的一项或多项：
所述至少一个实体的当前和/或未来能源状态，
所述至少一个实体的当前和/或未来能源消耗，或者
由所述至少一个实体执行的与能源消耗相关联的当前和/或未来活动。
181.根据权利要求162所述的基于AI的平台，其中，所述数字孪生还被配置为向所述定义域内的所述一组固定实体和/或所述一组移动实体中的至少一个实体传输调整与所述至少一个实体相关联的一个或多个实体参数的请求，并且所述一个或多个实体参数包括以下各项中的一项或多项：
所述至少一个实体的当前和/或未来能源状态，
所述至少一个实体的当前和/或未来能源消耗，或者
由所述至少一个实体执行的与能源消耗相关联的当前和/或未来活动。
182.根据权利要求162所述的基于AI的平台，其中，所述数字孪生还被配置为：
执行与所述一组固定实体或所述一组移动实体中的一个或两个相关联的至少一个物理机器的至少一个过程的模拟，以及
基于所述模拟，输出由所述至少一个过程产生的至少一个能源需求参数。
183.根据权利要求162所述的基于AI的平台，其中，所述数字孪生与至少一个物理机器相关联，所述至少一个物理机器与所述一组固定实体或所述一组移动实体中的一个或两个相关联，并且所述数字孪生由所述数据收集系统更新，以生成与由所述至少一个物理机器执行的所述过程的输出的更新检测相对应的过程的输出。
184.根据权利要求162所述的基于AI的平台，其中，所述数字孪生由所述数据收集系统基于与所述一组能源需求参数相关联的节省电力和能源消耗的策略来更新。
185.一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：
一组模块化分布式能源系统，所述一组模块化分布式能源系统可基于本地需求要求进行配置。
186.根据权利要求185所述的基于AI的平台，其中，通过在链接到一组消耗能源的系统的一组边缘联网设备上操作的需求预测算法来预测所述本地需求要求。
187.根据权利要求185所述的基于AI的平台，其中，所述组中的至少一个模块化分布式能源系统由所述基于AI的平台配置为位于需求的位置和时间附近。
188.根据权利要求185所述的基于AI的平台，其中，所述组中的至少一个模块化分布式能源系统由所述基于AI的平台配置为基于本地需求要求的位置和类型来定位。
189.根据权利要求185所述的基于AI的平台，其中，所述组中的至少一个模块化分布式能源系统由所述基于AI的平台配置为在本地需求点处生成能源。
190.根据权利要求185所述的基于AI的平台，其中，所述组中的至少一个模块化分布式能源系统由所述基于AI的平台配置为将模块化发电系统输送到需求位置。
191.根据权利要求185所述的基于AI的平台，其中，所述组中的至少一个模块化分布式能源系统由所述基于AI的平台配置为将一组能源输送设施的能源输送路由至需求位置。
192.根据权利要求185所述的基于AI的平台，其中，所述组中的至少一个模块化分布式能源系统由所述基于AI的平台协调，以在需求的位置和时间附近存储能源。
193.根据权利要求185所述的基于AI的平台，其中，所述组中的至少一个模块化分布式能源系统还被配置为适应通过网络和/或通信系统的数据传输，其中，所述适应基于以下各项中的一项或多项：
拥塞状况；
延迟和/或时延状况；
丢包状况；
失误率状况；
运输成本状况；
服务质量(QoS)状况；
使用状况；
市场因素状况；或者
用户配置状况。
194.根据权利要求185所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生表示以下各项中的一项或多项：
能源利益相关者实体；
能源分布资源；
利益相关者信息技术；
网络基础设施实体；
能源相关的利益相关者生产设施；
利益相关者运输系统；
市场状况；或者
能源使用优先状况。
195.根据权利要求185所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为执行以下各项中的一项或多项：
提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；
过滤能源数据；
突出显示能源数据；
调整能源数据，或者
通过以下各项中的一项或多项生成能源消耗的视觉和/或分析指标：
一个或多个机器；
一个或多个工厂；或者
车队中的一个或多个车辆。
196.根据权利要求185所述的基于AI的平台，其中，至少一个模块化分布式能源系统还被配置为执行以下各项中的一项或多项：
提取能源相关数据；
检测和/或校正能源相关数据中的误差；
转换、转化、归一化和/或清洁能源相关数据；
解析能源相关数据；
检测能源相关数据中的模式、内容和/或对象；
压缩能源相关数据；
流式传输能源相关数据；
过滤能源相关数据；
加载和/或存储能源相关数据；
路由和/或传输能源相关数据；或者
维护能源相关数据的安全性。
197.根据权利要求185所述的基于AI的平台，其中，所述本地需求要求基于以下各项中的一项或多项：
在一个或多个公共数据资源上，所述一个或多个公共数据资源包括以下各项中的一项或多项：
天气数据资源；
卫星数据资源；
人口普查、人口、人口统计和/或心理数据资源；
市场数据资源；或者
电子商务数据资源，或者
一个或多个企业数据资源，所述一个或多个企业数据资源包括以下各项中的一项或多项：
资源规划数据；
销售和/或营销数据；
财务规划数据；
需求规划数据；
供应链数据；
采购数据；
定价数据；
客户数据；
产品数据；或者
运营数据。
198.根据权利要求185所述的基于AI的平台，还包括至少一个基于AI的模型和/或算法，其中，所述至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且所述训练数据集基于以下各项中的一项或多项：
一个或多个人类标签和/或标记；
与硬件和/或软件系统的一个或多个人类交互；
一个或多个结果；
一个或多个AI生成的训练数据样本；
监督学习训练过程；
半监督学习训练过程；或者
深度学习训练过程。
199.根据权利要求185所述的基于AI的平台，其中，至少一个模块化分布式能源系统被配置为协调向一个或多个消耗点输送能源，并且所述能源输送包括以下各项中的一项或多项：
一条或多条固定传输线；
一个或多个无线能源传输实例；
一个或多个燃料输送；或者
一个或多个存储能源输送。
200.根据权利要求199所述的基于AI的平台，其中，所述模块化分布式能源系统的第一系统被配置为与所述模块化分布式能源系统的第二系统通信，以通过调整所述第一系统或所述第二系统中的一个或两个的能源生成、存储、输送和/或消耗来协调向所述一个或多个消耗点输送能源。
201.根据权利要求199所述的基于AI的平台，其中，至少一个模块化分布式能源系统被配置为基于碳生成和/或排放策略来调整向所述一个或多个消耗点输送能源。
202.根据权利要求185所述的基于AI的平台，其中，至少一个模块化分布式能源系统还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，所述一个或多个能源相关事件包括以下各项中的一项或多项：
能源采购和/或销售事件；
与能源采购和/或销售事件相关联的服务费；
能源消耗事件；
能源生成事件；
能源分布事件；
能源存储事件；
碳排放产生事件；
碳排放减少事件；
可再生能源额度事件；
污染产生事件；或者
污染减少事件。
203.根据权利要求185所述的基于AI的平台，其中，至少一个模块化分布式能源系统部署在离网环境中，并且所述离网环境包括以下各项中的一项或多项：
离网能源生成系统；
离网能源存储系统；或者
离网能源调动系统。
204.根据权利要求185所述的基于AI的平台，其中，至少一个模块化分布式能源系统与数字孪生相关联，所述数字孪生被配置为对至少一个模块化分布式能源系统的一个或多个属性和/或操作进行建模和/或预测。
205.根据权利要求185所述的基于AI的平台，其中，所述一组模块化分布式能源系统可以被配置为改变预留容量的量，以适应与所述本地需求要求相关联的能源需求模式。
206.根据权利要求185所述的基于AI的平台，其中，所述一组模块化分布式能源系统可以被配置为基于对本地需求要求的测量和/或预测来改变能源供应和/或访问资源的位置。
207.根据权利要求185所述的基于AI的平台，其中，所述一组模块化分布式能源系统可以被配置为基于对本地需求要求的测量和/或预测来改变能源生产计划表。
208.根据权利要求185所述的基于AI的平台，其中，所述一组模块化分布式能源系统可以被配置为改变与所述一组模块化分布式能源系统相关联的资源分配，并且所述分配基于所述本地需求要求的子集。
209.一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：
人工智能系统，所述人工智能系统被配置为：
执行与涉及一组资源的操作过程相关联的能源模式的分析，所述一组资源至少部分地独立于电网；以及
输出一组操作参数，以提供能源生成、存储和/或消耗，从而实现所述操作过程，其中，所述一组操作参数基于所述分析。
210.根据权利要求209所述的基于AI的平台，其中，所述一组操作参数中的至少一个操作参数是分布式能源发电资源的生成输出水平。
211.根据权利要求209所述的基于AI的平台，其中，所述一组操作参数中的至少一个操作参数是分布式能源存储资源的目标存储水平。
212.根据权利要求209所述的基于AI的平台，其中，所述一组操作参数中的至少一个操作参数是分布式能源输送资源的输送时间。
213.根据权利要求209所述的基于AI的平台，其中，所述人工智能系统还被配置为适应通过网络和/或通信系统的数据传输，其中，所述适应基于以下各项中的一项或多项：
拥塞状况；
延迟和/或时延状况；
丢包状况；
失误率状况；
运输成本状况；
服务质量(QoS)状况；
使用状况；
市场因素状况；或者
用户配置状况。
214.根据权利要求209所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生表示以下各项中的一项或多项：
能源利益相关者实体；
能源分布资源；
利益相关者信息技术；
网络基础设施实体；
能源相关的利益相关者生产设施；
利益相关者运输系统；
市场状况；或者
能源使用优先状况。
215.根据权利要求209所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为执行以下各项中的一项或多项：
提供一个或多个能源消费者的能源消耗的视觉和/或分析指标；
过滤能源数据；
突出显示能源数据；
调整能源数据，或者
通过以下各项中的一项或多项生成能源消耗的视觉和/或分析指标：
一个或多个机器；
一个或多个工厂；或者
车队中的一个或多个车辆。
216.根据权利要求209所述的基于AI的平台，其中，所述人工智能系统还被配置为执行以下各项中的一项或多项：
提取能源相关数据；
检测和/或校正能源相关数据中的误差；
转换、转化、归一化和/或清洁能源相关数据；
解析能源相关数据；
检测能源相关数据中的模式、内容和/或对象；
压缩能源相关数据；
流式传输能源相关数据；
过滤能源相关数据；
加载和/或存储能源相关数据；
路由和/或传输能源相关数据；或者
维护能源相关数据的安全性。
217.根据权利要求209所述的基于AI的平台，其中，至少一个操作参数基于以下各项中的一项或多项：
一个或多个公共数据资源，所述一个或多个公共数据资源包括以下各项中的一项或多项：
天气数据资源；
卫星数据资源；
人口普查、人口、人口统计和/或心理数据资源；
市场数据资源；或者
电子商务数据资源，或者
一个或多个企业数据资源，所述一个或多个企业数据资源包括以下各项中的一项或多项：
资源规划数据；
销售和/或营销数据；
财务规划数据；
需求规划数据；
供应链数据；
采购数据；
定价数据；
客户数据；
产品数据；或者
运营数据。
218.根据权利要求209所述的基于AI的平台，其中，所述人工智能系统基于训练数据集进行训练，并且所述训练数据集基于以下各项中的一项或多项：
一个或多个人类标签和/或标记；
与硬件和/或软件系统的一个或多个人类交互；
一个或多个结果；
一个或多个AI生成的训练数据样本；
监督学习训练过程；
半监督学习训练过程；或者
深度学习训练过程。
219.根据权利要求209所述的基于AI的平台，其中，所述人工智能系统被配置为协调向一个或多个消耗点输送能源，并且所述能源输送包括以下各项中的一项或多项：
一条或多条固定传输线；
一个或多个无线能源传输实例；
一个或多个燃料输送；或者
一个或多个存储能源输送。
220.根据权利要求209所述的基于AI的平台，其中，所述人工智能系统还被配置为在分布式分类账和/或区块链中记录一个或多个能源相关事件，所述一个或多个能源相关事件包括以下各项中的一项或多项：
能源采购和/或销售事件；
与能源采购和/或销售事件相关联的服务费；
能源消耗事件；
能源生成事件；
能源分布事件；
能源存储事件；
碳排放产生事件；
碳排放减少事件；
可再生能源额度事件；
污染产生事件；或者
污染减少事件。
221.根据权利要求209所述的基于AI的平台，其中，所述人工智能系统部署在离网环境中，并且所述离网环境包括以下各项中的一项或多项：
离网能源生成系统；
离网能源存储系统；或者
离网能源调动系统。
222.根据权利要求209所述的基于AI的平台，其中，所述人工智能系统还被配置为确定与所述操作过程相关联的碳生成和/或排放对与所述操作过程相关联的区域的环境影响。
223.根据权利要求209所述的基于AI的平台，其中，所述人工智能系统还被配置为评估所述操作过程对以下一项或两项的遵从性：
碳生成和/或排放策略，或者
与所述操作过程相关的一组劳动标准。
224.根据权利要求209所述的基于AI的平台，其中，所述人工智能系统还被配置为基于以下一项或两项来调整所述一组操作参数，以提供与所述操作过程相关联的能源生成、存储和/或消耗：
碳生成和/或排放策略，或者
与所述操作过程相关的一组劳动标准。
225.根据权利要求209所述的基于AI的平台，其中，所述人工智能系统还被配置为向与所述操作过程相关联的一组边缘设备中的至少一个边缘设备传输消息，并且所述消息包括基于所述一组操作参数来调整所述至少一个边缘设备的至少一个操作的请求。
226.根据权利要求209所述的基于AI的平台，其中，所述人工智能系统还被配置为从与所述操作过程相关联的一组边缘设备中的至少一个边缘设备接收所述至少一个边缘设备的当前和/或预测能源状态的指标，并且所述一组操作参数基于所述至少一个边缘设备的所述当前和/或预测能源状态的指标。
227.根据权利要求209所述的基于AI的平台，其中，所述人工智能系统还被配置为基于数字孪生的输出来确定所述一组操作参数，所述数字孪生表示与所述操作过程相关联的一组边缘设备中的至少一个边缘设备，并且所述数字孪生的所述输出指示所述至少一个边缘设备的当前和/或预测能源状态。
228.根据权利要求209所述的基于AI的平台，其中，所述人工智能系统还被配置为协调一组模块化分布式能源系统，以生成、存储和/或输送能源，其中，所述协调基于所述一组操作参数和本地需求要求。
229.根据权利要求209所述的基于AI的平台，其中，与所述操作过程相关联的所述能源模式的所述分析包括基于所述电网的至少一部分的故障来分析备用电源的可用性。
230.根据权利要求209所述的基于AI的平台，其中，与所述操作过程相关的所述能源模式的所述分析包括与所述一组资源相关的至少一个辅助功能的分析，并且所述一组操作参数包括与所述至少一个辅助功能相关的至少一个操作参数。
231.一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：
策略和治理引擎，所述策略和治理引擎被配置为部署一组规则和/或策略，所述一组规则和/或策略治理一组能源生成、存储和/或消耗工作负荷，其中，所述规则和/或策略与一组边缘设备的配置相关联，所述一组边缘设备与一组能源生成设施、能源存储设施、能源输送设施或能源消耗系统进行本地数据通信操作。
232.根据权利要求231所述的基于AI的平台，其中，在所述策略和治理引擎中配置时，由至少一个所述边缘设备自动应用与能源生成指令相关联的策略，以控制经由所述边缘设备控制的至少一个能源生成系统的能源生成。
233.根据权利要求231所述的基于AI的平台，其中，在所述策略和治理引擎中配置时，由至少一个所述边缘设备自动应用与能源消耗指令相关联的策略，以控制经由所述边缘设备控制的至少一个能源消耗系统的能源消耗。
234.根据权利要求231所述的基于AI的平台，其中，在所述策略和治理引擎中配置时，由至少一个边缘设备自动应用与能源输送指令相关联的策略，以控制经由所述边缘设备控制的至少一个能源输送系统的能源输送。
235.根据权利要求231所述的基于AI的平台，其中，在所述策略和治理引擎中配置时，由至少一个边缘设备自动应用与能源存储指令相关联的策略，以控制经由所述边缘设备控制的至少一个能源存储系统的能源存储。
236.根据权利要求231所述的基于AI的平台，其中，所述策略和治理引擎被配置为在所存储的一组策略模板上进行操作，以便配置策略。
237.根据权利要求231所述的基于AI的平台，其中，基于历史策略的数据集、表示一组分布式能源的操作状态和/或配置的数据集以及一组历史结果，自动生成一组推荐策略，以在所述策略和治理引擎中呈现。
238.根据权利要求231所述的基于AI的平台，其中，所述策略和治理引擎还被配置为基于至少一个上下文因素来调整所述规则和/或策略，并且所述至少一个上下文因素包括以下各项中的至少一项：
能源交易的历史数据；
至少一个操作因素；
至少一个市场因素；
至少一个预期的市场行为；或者
至少一个预期的客户行为。
239.根据权利要求231所述的基于AI的平台，其中，所述策略和治理引擎还被配置为适应通过网络和/或通信系统的数据传输，其中，所述适应基于以下各项中的至少一项：
拥塞状况；
延迟和/或时延状况；
丢包状况；
失误率状况；
运输成本状况；
服务质量(QoS)状况；
使用状况；
市场因素状况；或者
用户配置状况。
240.根据权利要求231所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生表示以下各项中的至少一项：
能源利益相关者实体；
能源分布资源；
利益相关者信息技术；
网络基础设施实体；
能源相关的利益相关者生产设施；
利益相关者运输系统；
市场状况；或者
能源使用优先状况。
241.根据权利要求231所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为执行以下各项中的至少一项：
提供至少一个能源消费者的能源消耗的视觉和/或分析指标，
过滤能源数据；
突出显示能源数据；或者
调整能源数据。
242.根据权利要求231所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：
至少一个机器；
至少一个工厂；或者
车队中的至少一个车辆。
243.根据权利要求231所述的基于AI的平台，其中，所述策略和治理引擎还被配置为执行以下各项中的至少一项：
提取能源相关数据；
检测和/或校正能源相关数据中的误差；
转换、转化、归一化和/或清洁能源相关数据；
解析能源相关数据；
检测能源相关数据中的模式、内容和/或对象；
压缩能源相关数据；
流式传输能源相关数据；
过滤能源相关数据；
加载和/或存储能源相关数据；
路由和/或传输能源相关数据；或者
维护能源相关数据的安全性。
244.根据权利要求231所述的基于AI的平台，其中，至少一个规则和/或策略基于至少一个公共数据资源，所述至少一个公共数据资源包括以下各项中的至少一项：
天气数据资源；
卫星数据资源；
人口普查、人口、人口统计和/或心理数据资源；
市场数据资源；或者
电子商务数据资源。
245.根据权利要求231所述的基于AI的平台，其中，至少一个规则和/或策略基于至少一个企业数据资源，所述至少一个企业数据资源包括以下各项中的至少一项：
资源规划数据；
销售和/或营销数据；
财务规划数据；
需求规划数据；
供应链数据；
采购数据；
定价数据；
客户数据；
产品数据；或者
运营数据。
246.根据权利要求231所述的基于AI的平台，还包括至少一个基于AI的模型和/或算法，其中，所述至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且所述训练数据集基于以下各项中的至少一项：
至少一个人类标签和/或标记；
与硬件和/或软件系统的至少一个人类交互；
至少一个结果；
至少一个AI生成的训练数据样本；
监督学习训练过程；
半监督学习训练过程；或者
深度学习训练过程。
247.根据权利要求231所述的基于AI的平台，其中，所述策略和治理引擎被配置为协调向至少一个消耗点输送能源，并且所述能源输送包括以下各项中的至少一项：
至少一条固定传输线；
至少一个无线能源传输实例；
至少一个燃料输送；或者
至少一个存储能源输送。
248.根据权利要求231所述的基于AI的平台，其中，所述策略和治理引擎还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，所述至少一个能源相关事件包括以下各项中的至少一项：
能源采购和/或销售事件；
与能源采购和/或销售事件相关联的服务费；
能源消耗事件；
能源生成事件；
能源分布事件；
能源存储事件；
碳排放产生事件；
碳排放减少事件；
可再生能源额度事件；
污染产生事件；或者
污染减少事件。
249.根据权利要求231所述的基于AI的平台，其中，所述策略和治理引擎部署在离网环境中，并且所述离网环境包括以下各项中的至少一项：
离网能源生成系统；
离网能源存储系统；或者
离网能源调动系统。
250.根据权利要求231所述的基于AI的平台，其中，所述策略和治理引擎还被配置为生成和/或执行至少一个智能合约，其中，所述至少一个智能合约中的每一个将所述规则和/或策略应用于至少一个能源相关交易。
251.根据权利要求231所述的基于AI的平台，其中，所述一组规则和/或策略基于与所述一组能源生成、存储和/或消耗工作负荷相关联的至少一个目标，并且所述策略和治理引擎还被配置为基于所述目标将对所述一组规则和/或策略的更新部署到所述一组边缘设备。
252.根据权利要求231所述的基于AI的平台，其中，所述策略和治理引擎还被配置为向所述一组边缘设备部署至少一个指令，以适应与由所述一组边缘设备控制的至少一个工业机器和/或工业过程相关联的至少一个操作参数。
253.一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：
一组边缘设备，所述一组边缘设备被配置为：
与至少一个能源生成设施、能源存储设施和/或能源消耗系统通信，以及
自动执行一组预配置策略，所述一组预配置策略管理相应的能源生成设施、能源存储设施或能源消耗系统的能源生成、能源存储或能源消耗。
254.根据权利要求253所述的基于AI的平台，其中，所述自动执行的策略是一组上下文策略，所述一组上下文策略基于能源电网中的一组能源生成实体的当前状态进行调整。
255.根据权利要求253所述的基于AI的平台，其中，所述自动执行的策略是一组上下文策略，所述一组上下文策略基于能源生成环境中的一组能源生成实体的当前状态进行调整，所述能源生成环境包括能源电网和独立于所述能源电网操作的一组分布式能源。
256.根据权利要求253所述的基于AI的平台，其中，所述自动执行的策略是一组上下文策略，所述一组上下文策略基于能源电网中的一组能源存储实体的当前状态进行调整。
257.根据权利要求253所述的基于AI的平台，其中，所述自动执行的策略是一组上下文策略，所述一组上下文策略基于能源存储环境中的一组能源存储实体的当前状态进行调整，所述能源存储环境包括能源电网和独立于所述能源电网操作的一组分布式能源资源，其中，所述自动执行的策略是一组上下文策略，所述一组上下文策略基于能源电网中的一组能源输送实体的当前状态进行调整。
258.根据权利要求253所述的基于AI的平台，其中，所述自动执行的策略是一组上下文策略，所述一组上下文策略基于能源传输环境中的一组能源传输实体的当前状态进行调整，所述能源传输环境包括能源电网和独立于所述能源电网操作的一组分布式能源资源。
259.根据权利要求253所述的基于AI的平台，其中，所述自动执行的策略是一组上下文策略，所述一组上下文策略基于从能源电网中消耗能源的一组能源消耗实体的当前状态进行调整。
260.根据权利要求253所述的基于AI的平台，其中，所述自动执行的策略是一组上下文策略，所述一组上下文策略基于一组能源消耗实体的当前状态进行调整，所述一组能源消耗实体从能源电网中和从独立于所述能源电网操作的一组分布式能源资源中消耗能源。
261.根据权利要求253所述的基于AI的平台，其中，所述一组边缘设备还被配置为基于至少一个上下文因素来调整所述一组预配置策略，并且所述至少一个上下文因素包括以下各项中的至少一项：
能源交易的历史数据；
至少一个操作因素；
至少一个市场因素；
至少一个预期的市场行为；或者
至少一个预期的客户行为。
262.根据权利要求253所述的基于AI的平台，其中，至少一个边缘设备还被配置为适应通过网络和/或通信系统的数据传输，其中，所述适应基于以下各项中的至少一项：
拥塞状况；
延迟和/或时延状况；
丢包状况；
失误率状况；
运输成本状况；
服务质量(QoS)状况；
使用状况；
市场因素状况；或者
用户配置状况。
263.根据权利要求253所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生表示以下各项中的至少一项：
能源利益相关者实体；
能源分布资源；
利益相关者信息技术；
网络基础设施实体；
能源相关的利益相关者生产设施；
利益相关者运输系统；
市场状况；或者
能源使用优先状况。
264.根据权利要求253所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为执行以下各项中的至少一项：
提供至少一个能源消费者的能源消耗的视觉和/或分析指标，
过滤能源数据；
突出显示能源数据；或者
调整能源数据。
265.根据权利要求253所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：
至少一个机器；
至少一个工厂；或者
车队中的至少一个车辆。
266.根据权利要求253所述的基于AI的平台，其中，至少一个边缘设备还被配置为执行以下各项中的至少一项：
提取能源相关数据；
检测和/或校正能源相关数据中的误差；
转换、转化、归一化和/或清洁能源相关数据；
解析能源相关数据；
检测能源相关数据中的模式、内容和/或对象；
压缩能源相关数据；
流式传输能源相关数据；
过滤能源相关数据；
加载和/或存储能源相关数据；
路由和/或传输能源相关数据；或者
维护能源相关数据的安全性。
267.根据权利要求253所述的基于AI的平台，其中，至少一个预配置策略基于至少一个公共数据资源，所述至少一个公共数据资源包括以下各项中的至少一项：
天气数据资源；
卫星数据资源；
人口普查、人口、人口统计和/或心理数据资源；
市场数据资源；或者
电子商务数据资源。
268.根据权利要求253所述的基于AI的平台，其中，至少一个预配置策略基于至少一个企业数据资源，所述至少一个企业数据资源包括以下各项中的至少一项：
资源规划数据；
销售和/或营销数据；
财务规划数据；
需求规划数据；
供应链数据；
采购数据；
定价数据；
客户数据；
产品数据；或者
运营数据。
269.根据权利要求253所述的基于AI的平台，其中，至少一个所述边缘设备包括至少一个基于AI的模型和/或算法，其中，所述至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且所述训练数据集基于以下各项中的至少一项：
至少一个人类标签和/或标记；
与硬件和/或软件系统的至少一个人类交互；
至少一个结果；
至少一个AI生成的训练数据样本；
监督学习训练过程；
半监督学习训练过程；或者
深度学习训练过程。
270.根据权利要求253所述的基于AI的平台，其中，至少一个边缘设备还被配置为协调向至少一个消耗点输送能源，并且所述能源输送包括以下各项中的至少一项：
至少一条固定传输线；
至少一个无线能源传输实例；
至少一个燃料输送；或者
至少一个存储能源输送。
271.根据权利要求253所述的基于AI的平台，其中，至少一个边缘设备还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，所述至少一个能源相关事件包括以下各项中的至少一项：
能源采购和/或销售事件；
与能源采购和/或销售事件相关联的服务费；
能源消耗事件；
能源生成事件；
能源分布事件；
能源存储事件；
碳排放产生事件；
碳排放减少事件；
可再生能源额度事件；
污染产生事件；或者
污染减少事件。
272.根据权利要求253所述的基于AI的平台，其中，至少一个边缘设备部署在离网环境中，并且所述离网环境包括以下各项中的至少一项：
离网能源生成系统；
离网能源存储系统；或者
离网能源调动系统。
273.根据权利要求253所述的基于AI的平台，其中，所述一组边缘设备还被配置为：
基于与所述至少一个能源生成设施、能源存储设施和/或能源消耗系统的通信来确定至少一种能源可用性模式，以及
基于所述至少一种模式更新所述一组预配置策略的执行。
274.根据权利要求253所述的基于AI的平台，其中，所述一组边缘设备中的至少一个边缘设备被配置为管理工业设施的操作，并且所述一组预配置策略基于与所述工业设施相关联的至少一个能源目标。
275.根据权利要求253所述的基于AI的平台，其中，所述至少一个能源生成设施、能源存储设施和/或能源消耗系统位于地理区域中，并且所述一组预配置策略基于与所述地理区域相关联的至少一个能源目标。
276.根据权利要求253所述的基于AI的平台，其中，所述一组边缘设备被配置为通过调整与所述至少一个能源生成设施、能源存储设施和/或能源消耗系统相关联的能源资源的分配或由所述至少一个能源生成设施、能源存储设施和/或能源消耗系统执行的过程的计划表中的至少一个来自动执行所述一组预配置策略。
277.一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：
机器学习系统，所述机器学习系统在一组能源智能数据上进行训练并且部署在边缘设备上，其中，所述机器学习系统被配置为接收所述边缘设备进行的附加训练，以改进能源管理。
278.根据权利要求277所述的基于AI的平台，其中，所述能源管理包括管理一组分布式能源生成资源的能源生成。
279.根据权利要求277所述的基于AI的平台，其中，所述能源管理包括管理一组分布式能源存储资源的能源存储。
280.根据权利要求277所述的基于AI的平台，其中，所述能源管理包括管理一组分布式能源输送资源的能源输送。
281.根据权利要求277所述的基于AI的平台，其中，所述能源管理包括管理一组分布式能源消耗资源的能源消耗。
282.根据权利要求277所述的基于AI的平台，其中，所述能源管理基于与所述边缘设备和一组能源生成设施、能源存储设施、能源输送设施或能源消耗系统相关联的一组规则和/或策略。
283.根据权利要求277所述的基于AI的平台，其中，所述机器学习系统还被配置为适应通过网络和/或通信系统的数据传输，其中，所述适应基于以下各项中的至少一项：
拥塞状况；
延迟和/或时延状况；
丢包状况；
失误率状况；
运输成本状况；
服务质量(QoS)状况；
使用状况；
市场因素状况；或者
用户配置状况。
284.根据权利要求277所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生表示以下各项中的至少一项：
能源利益相关者实体；
能源分布资源；
利益相关者信息技术；
网络基础设施实体；
能源相关的利益相关者生产设施；
利益相关者运输系统；
市场状况；或者
能源使用优先状况。
285.根据权利要求277所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为执行以下各项中的至少一项：
提供至少一个能源消费者的能源消耗的视觉和/或分析指标，
过滤能源数据；
突出显示能源数据；或者
调整能源数据。
286.根据权利要求277所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：
至少一个机器；
至少一个工厂；或者
车队中的至少一个车辆。
287.根据权利要求277所述的基于AI的平台，其中，所述机器学习系统还被配置为执行以下各项中的至少一项：
提取能源相关数据；
检测和/或校正能源相关数据中的误差；
转换、转化、归一化和/或清洁能源相关数据；
解析能源相关数据；
检测能源相关数据中的模式、内容和/或对象；
压缩能源相关数据；
流式传输能源相关数据；
过滤能源相关数据；
加载和/或存储能源相关数据；
路由和/或传输能源相关数据；或者
维护能源相关数据的安全性。
288.根据权利要求277所述的基于AI的平台，其中，所述能源智能数据基于至少一个公共数据资源，所述至少一个公共数据资源包括以下各项中的至少一项：
天气数据资源；
卫星数据资源；
人口普查、人口、人口统计和/或心理数据资源；
市场数据资源；或者
电子商务数据资源。
289.根据权利要求277所述的基于AI的平台，其中，所述能源智能数据基于至少一个企业数据资源，所述至少一个企业数据资源包括以下各项中的至少一项：
资源规划数据；
销售和/或营销数据；
财务规划数据；
需求规划数据；
供应链数据；
采购数据；
定价数据；
客户数据；
产品数据；或者
运营数据。
290.根据权利要求277所述的基于AI的平台，其中，所述机器学习系统还基于训练数据集进行训练，并且所述训练数据集基于以下各项中的至少一项：
至少一个人类标签和/或标记；
与硬件和/或软件系统的至少一个人类交互；
至少一个结果；
至少一个AI生成的训练数据样本；
监督学习训练过程；
半监督学习训练过程；或者
深度学习训练过程。
291.根据权利要求277所述的基于AI的平台，其中，所述机器学习系统还被配置为协调向至少一个消耗点输送能源，并且所述能源输送包括以下各项中的至少一项：
至少一条固定传输线；
至少一个无线能源传输实例；
至少一个燃料输送；或者
至少一个存储能源输送。
292.根据权利要求277所述的基于AI的平台，其中，所述机器学习系统还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，所述至少一个能源相关事件包括以下各项中的至少一项：
能源采购和/或销售事件；
与能源采购和/或销售事件相关联的服务费；
能源消耗事件；
能源生成事件；
能源分布事件；
能源存储事件；
碳排放产生事件；
碳排放减少事件；
可再生能源额度事件；
污染产生事件；或者
污染减少事件。
293.根据权利要求277所述的基于AI的平台，其中，所述边缘设备部署在离网环境中，并且所述离网环境包括以下各项中的至少一项：
离网能源生成系统；
离网能源存储系统；或者
离网能源调动系统。
294.根据权利要求277所述的基于AI的平台，其中，所述边缘设备位于生成、存储、输送和/或使用能源的至少一个实体附近。
295.根据权利要求277所述的基于AI的平台，其中，所述边缘设备提供关于生成、存储、输送和/或使用能源的至少一个实体的能源状态和/或能源流的信息。
296.根据权利要求277所述的基于AI的平台，其中，所述边缘设备包含和/或治理一组传感器中的至少一个传感器，并且所述一组传感器与被配置为生成、存储、输送和/或使用能源的一组基础设施资产相关联。
297.根据权利要求277所述的基于AI的平台，其中，所述边缘设备与情况和/或环境相关联，并且所述边缘设备还被配置为响应于所述情况和/或环境的变化来执行所述机器学习系统的附加训练。
298.根据权利要求277所述的基于AI的平台，其中，所述边缘设备还被配置为基于所述机器学习系统对模型漂移的确定来执行所述机器学习系统的附加训练。
299.根据权利要求277所述的基于AI的平台，其中，所述附加训练基于所述机器学习系统最初进行训练的一组能源智能数据和所述机器学习系统尚未进行训练的附加能源智能数据。
300.根据权利要求277所述的基于AI的平台，其中，所述附加训练包括将所述机器学习系统添加到包括至少一个其他人工智能系统的集合中。
301.根据权利要求277所述的基于AI的平台，其中，所述一组能源智能数据基于至少一个能源相关策略和/或规则，并且所述附加训练基于所述至少一个能源相关策略和/或规则的变化。
302.一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：
一组边缘设备，所述一组边缘设备包括一组人工智能系统，所述一组人工智能系统被配置为：
处理由所述边缘设备处理的数据；以及
基于所述数据，确定与所述边缘设备进行本地通信的一组系统的能源生成、存储、输送和/或消耗特征的混合，并输出表示所述混合的组成比例的数据集。
303.根据权利要求302所述的基于AI的平台，其中，所述输出数据集指示由能源电网生成的能源的分数和由独立于所述能源电网操作的一组分布式能源生成的能源的分数。
304.根据权利要求302所述的基于AI的平台，其中，所述输出数据集指示由可再生能源生成的能源的分数和由不可再生资源生成的能源的分数。
305.根据权利要求302所述的基于AI的平台，其中，所述输出数据集指示针对一系列时间间隔中的每个间隔按类型划分的能源生成的分数。
306.根据权利要求302所述的基于AI的平台，其中，所述输出数据集指示在一系列时间间隔的每个间隔期间与所述能源混合中的每种能源类型的能源生成相关联的碳生成。
307.根据权利要求302所述的基于AI的平台，其中，所述输出数据集指示在一系列时间间隔的每个间隔期间与所述能源混合中的每种能源类型的能源生成相关联的碳排放。
308.根据权利要求302所述的基于AI的平台，其中，至少一个边缘设备还被配置为适应通过网络和/或通信系统的数据传输，其中，所述适应基于以下各项中的至少一项：
拥塞状况；
延迟和/或时延状况；
丢包状况；
失误率状况；
运输成本状况；
服务质量(QoS)状况；
使用状况；
市场因素状况；或者
用户配置状况。
309.根据权利要求302所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生表示以下各项中的至少一项：
能源利益相关者实体；
能源分布资源；
利益相关者信息技术；
网络基础设施实体；
能源相关的利益相关者生产设施；
利益相关者运输系统；
市场状况；或者
能源使用优先状况。
310.根据权利要求302所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为执行以下各项中的至少一项：
提供至少一个能源消费者的能源消耗的视觉和/或分析指标，
过滤能源数据；
突出显示能源数据；或者
调整能源数据。
311.根据权利要求302所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：
至少一个机器；
至少一个工厂；或者
车队中的至少一个车辆。
312.根据权利要求302所述的基于AI的平台，其中，至少一个边缘设备还被配置为执行以下各项中的至少一项：
提取能源相关数据；
检测和/或校正能源相关数据中的误差；
转换、转化、归一化和/或清洁能源相关数据；
解析能源相关数据；
检测能源相关数据中的模式、内容和/或对象；
压缩能源相关数据；
流式传输能源相关数据；
过滤能源相关数据；
加载和/或存储能源相关数据；
路由和/或传输能源相关数据；或者
维护能源相关数据的安全性。
313.根据权利要求302所述的基于AI的平台，其中，所述数据基于至少一个公共数据资源，所述公共数据资源包括以下各项中的至少一项：
天气数据资源；
卫星数据资源；
人口普查、人口、人口统计和/或心理数据资源；
市场数据资源；或者
电子商务数据资源。
314.根据权利要求302所述的基于AI的平台，其中，所述数据基于至少一个企业数据资源，所述企业数据资源包括以下各项中的至少一项：
资源规划数据；
销售和/或营销数据；
财务规划数据；
需求规划数据；
供应链数据；
采购数据；
定价数据；
客户数据；
产品数据；或者
运营数据。
315.根据权利要求302所述的基于AI的平台，其中，至少一个所述边缘设备包括至少一个基于AI的模型和/或算法，所述至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且所述训练数据集基于以下各项中的至少一项：
至少一个人类标签和/或标记；
与硬件和/或软件系统的至少一个人类交互；
至少一个结果；
至少一个AI生成的训练数据样本；
监督学习训练过程；
半监督学习训练过程；或者
深度学习训练过程。
316.根据权利要求302所述的基于AI的平台，其中，至少一个边缘设备还被配置为协调向至少一个消耗点输送能源，并且所述能源输送包括以下各项中的至少一项：
至少一条固定传输线；
至少一个无线能源传输实例；
至少一个燃料输送；或者
至少一个存储能源输送。
317.根据权利要求302所述的基于AI的平台，其中，至少一个边缘设备还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，所述至少一个能源相关事件包括以下各项中的至少一项：
能源采购和/或销售事件；
与能源采购和/或销售事件相关联的服务费；
能源消耗事件；
能源生成事件；
能源分布事件；
能源存储事件；
碳排放产生事件；
碳排放减少事件；
可再生能源额度事件；
污染产生事件；或者
污染减少事件。
318.根据权利要求302所述的基于AI的平台，其中，至少一个边缘设备部署在离网环境中，并且所述离网环境包括以下各项中的至少一项：
离网能源生成系统；
离网能源存储系统；或者
离网能源调动系统。
319.根据权利要求302所述的基于AI的平台，其中，所述一组边缘设备的至少一部分位于生成、存储、输送和/或使用能源的至少一个实体附近。
320.根据权利要求302所述的基于AI的平台，其中，所述一组边缘设备提供关于生成、存储、输送和/或使用能源的至少一个实体的能源状态和/或能源流的信息。
321.根据权利要求302所述的基于AI的平台，其中，所述一组边缘设备包含和/或治理一组传感器中的至少一个传感器，并且所述一组传感器与被配置为生成、存储、输送和/或使用能源的一组基础设施资产相关联。
322.根据权利要求302所述的基于AI的平台，其中，所述能源生成、存储、输送和/或消耗特征的混合基于与所述一组边缘设备相关联的至少一个能源需求要求。
323.根据权利要求302所述的基于AI的平台，其中，所述能源生成、存储、输送和/或消耗特征的混合基于与所述一组边缘设备相关联的每个能源来源相关联的能源收集、存储、运输和/或使用的优先级。
324.根据权利要求302所述的基于AI的平台，其中，所述能源生成、存储、输送和/或消耗特征的混合基于与所述一组边缘设备相关联的每个能源来源相关联的存储、运输和/或使用的计划表。
325.一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：
数据处理系统，所述数据处理系统被配置为将能源电网实体生成、存储、输送或消耗电网数据集的至少一个实体与离网能源实体生成、存储、输送和/或消耗数据集的至少一个实体融合。
326.根据权利要求325所述的基于AI的平台，其中，所述数据处理系统被配置为自动地将能源电网实体数据与离网能源实体数据进行时间对齐。
327.根据权利要求325所述的基于AI的平台，其中，所述数据处理系统被配置为从一组边缘设备自动收集离网能源实体传感器数据，经由所述一组边缘设备控制一组离网能源实体。
328.根据权利要求325所述的基于AI的平台，其中，所述数据处理系统被配置为自动归一化所述能源电网实体数据和所述离网能源实体数据，以便根据一组公共单元来呈现所述数据。
329.根据权利要求325所述的基于AI的平台，其中，所述数据处理系统还被配置为适应通过网络和/或通信系统的数据传输，其中，所述适应基于以下各项中的至少一项：
拥塞状况；
延迟和/或时延状况；
丢包状况；
失误率状况；
运输成本状况；
服务质量(QoS)状况；
使用状况；
市场因素状况；或者
用户配置状况。
330.根据权利要求325所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生表示以下各项中的至少一项：
能源利益相关者实体；
能源分布资源；
利益相关者信息技术；
网络基础设施实体；
能源相关的利益相关者生产设施；
利益相关者运输系统；
市场状况；或者
能源使用优先状况。
331.根据权利要求325所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为执行以下各项中的至少一项：
提供至少一个能源消费者的能源消耗的视觉和/或分析指标，
过滤能源数据；
突出显示能源数据；或者
调整能源数据。
332.根据权利要求325所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：
至少一个机器；
至少一个工厂；或者
车队中的至少一个车辆。
333.根据权利要求325所述的基于AI的平台，其中，所述数据处理系统还被配置为执行以下各项中的至少一项：
提取能源相关数据；
检测和/或校正能源相关数据中的误差；
转换、转化、归一化和/或清洁能源相关数据；
解析能源相关数据；
检测能源相关数据中的模式、内容和/或对象；
压缩能源相关数据；
流式传输能源相关数据；
过滤能源相关数据；
加载和/或存储能源相关数据；
路由和/或传输能源相关数据；或者
维护能源相关数据的安全性。
334.根据权利要求325所述的基于AI的平台，还包括至少一个基于AI的模型和/或算法，其中，所述至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且所述训练数据集基于以下各项中的至少一项：
至少一个人类标签和/或标记；
与硬件和/或软件系统的至少一个人类交互；
至少一个结果；
至少一个AI生成的训练数据样本；
监督学习训练过程；
半监督学习训练过程；或者
深度学习训练过程。
335.根据权利要求325所述的基于AI的平台，其中，所述数据处理系统还被配置为协调向至少一个消耗点输送能源，并且所述能源输送包括以下各项中的至少一项：
至少一条固定传输线；
至少一个无线能源传输实例；
至少一个燃料输送；或者
至少一个存储能源输送。
336.根据权利要求325所述的基于AI的平台，其中，所述数据处理系统还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，所述至少一个能源相关事件包括以下各项中的至少一项：
能源采购和/或销售事件；
与能源采购和/或销售事件相关联的服务费；
能源消耗事件；
能源生成事件；
能源分布事件；
能源存储事件；
碳排放产生事件；
碳排放减少事件；
可再生能源额度事件；
污染产生事件；或者
污染减少事件。
337.根据权利要求325所述的基于AI的平台，其中，离网能源生成、存储和/或消耗数据集的所述至少一个实体部署在离网环境中，并且所述离网环境包括以下各项中的至少一项：
离网能源生成系统；
离网能源存储系统；或者
离网能源调动系统。
338.根据权利要求325所述的基于AI的平台，其中，所述数据处理系统还被配置为基于一组基础设施资产的能源生成、存储和/或消耗数据的数据集来智能协调和管理电力和/或能源，并且所述数据集至少部分由一组边缘设备中包含的和/或由其管理的一组传感器产生。
339.根据权利要求325所述的基于AI的平台，其中，所述数据处理系统还被配置为管理以下各项中的至少一项：
由一组分布式能源生成资源生成能源，
由一组分布式能源存储资源存储能源，
由一组分布式能源输送资源输送能源，或者
由一组分布式能源消耗资源消耗能源。
340.根据权利要求325所述的基于AI的平台，其中，所述数据处理系统还被配置为智能协调和管理一组实体的电力和/或能源，其中，所述一组实体包括以下各项中的至少一项：
天气数据资源；
卫星数据资源；
人口普查、人口、人口统计和/或心理数据资源；
市场数据资源；或者
电子商务数据资源。
341.根据权利要求325所述的基于AI的平台，其中，所述数据处理系统还被配置为执行至少一种算法，所述算法对至少一个实体的能源消耗进行模拟，其中，所述模拟基于数据集，所述数据集包括至少一个实体的替代状态或事件参数，所述替代状态或事件参数反映替代消耗情况，并且所述算法访问需求响应模型，所述需求响应模型说明能源需求如何响应能源价格或消耗能源的操作或活动的价格的变化。
342.根据权利要求325所述的基于AI的平台，其中，所述数据处理系统包括策略和治理引擎，所述策略和治理引擎被配置为将一组规则和/或策略部署到与至少一个实体进行本地通信的至少一个边缘设备，并且所述边缘设备被配置为基于所述规则和/或策略来治理至少一个实体。
343.根据权利要求325所述的基于AI的平台，其中，所述数据处理系统包括分析系统，所述分析系统基于一组感测到的参数表示至少一个实体的一组操作参数和当前状态，所述一组感测到的参数由一组靠近至少一个实体的边缘设备生成，并且所述分析系统被配置为提供与至少一个实体或至少一个附加可用实体中的至少一个相关联的推荐。
344.根据权利要求325所述的基于AI的平台，其中，所述数据处理系统包括人工智能系统，所述人工智能系统在历史数据集上进行训练，所述历史数据集涉及与至少一个实体相关联的操作过程的能源生成、存储和/或利用，并且所述数据处理系统还被配置为：
分析所述操作过程的能源模式，以及
基于当前状态和/或与至少一个实体相关联的信息，输出所述操作过程的能源需求预测。
345.根据权利要求325所述的基于AI的平台，其中，所述数据处理系统还被配置为将所述能源电网实体生成、存储、输送或消耗电网数据集和所述离网能源实体生成、存储、输送和/或消耗数据集与备用和/或辅助能源生成、存储、输送或消耗电网数据集的至少一个实体相融合。
346.根据权利要求325所述的基于AI的平台，其中，所述数据处理系统还被配置为基于融合所述能源电网实体生成、存储、输送或消耗电网数据集和所述离网能源实体生成、存储、输送和/或消耗数据集来协调能源电网资源和/或离网能源资源的开发。
347.一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：
一组自主协调系统，所述自主协调系统用于基于以下各项改进将一组异构能源类型输送到消耗点：
所述消耗点的位置，以及
一组消费属性，所述消费属性包括以下各项中的至少一项：
在所述消耗点处的峰值电力需求；
在消耗点处的电力需求的连续性；以及
能够在所述消耗点处使用的能源的类型。
348.根据权利要求347所述的基于AI的平台，其中，所述一组自主协调系统协调将定义类型的能源生成容量输送到所述消耗点。
349.根据权利要求347所述的基于AI的平台，其中，所述一组自主协调系统协调将定义类型的能源存储容量输送到所述消耗点。
350.根据权利要求347所述的基于AI的平台，其中，至少部分地基于一组操作兼容性参数来确定能够使用的能源类型。
351.根据权利要求347所述的基于AI的平台，其中，至少部分地基于一组治理参数来确定能够使用的能源类型。
352.根据权利要求351所述的基于AI的平台，其中，所述一组治理参数涉及可再生能源的使用。
353.根据权利要求351所述的基于AI的平台，其中，所述一组治理参数涉及碳生成或排放。
354.根据权利要求347所述的基于AI的平台，其中，所述一组自主协调系统中的至少一个还被配置为适应通过网络和/或通信系统的数据传输，其中，所述适应基于以下各项中的至少一项：
拥塞状况；
延迟和/或时延状况；
丢包状况；
失误率状况；
运输成本状况；
服务质量(QoS)状况；
使用状况；
市场因素状况；或者
用户配置状况。
355.根据权利要求347所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生表示以下各项中的至少一项：
能源利益相关者实体；
能源分布资源；
利益相关者信息技术；
网络基础设施实体；
能源相关的利益相关者生产设施；
利益相关者运输系统；
市场状况；或者
能源使用优先状况。
356.根据权利要求347所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为执行以下各项中的至少一项：
提供至少一个能源消费者的能源消耗的视觉和/或分析指标，
过滤能源数据；
突出显示能源数据；或者
调整能源数据。
357.根据权利要求347所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：
至少一个机器；
至少一个工厂；或者
车队中的至少一个车辆。
358.根据权利要求347所述的基于AI的平台，其中，所述一组自主协调系统中的至少一个还被配置为执行以下各项中的至少一项：
提取能源相关数据；
检测和/或校正能源相关数据中的误差；
转换、转化、归一化和/或清洁能源相关数据；
解析能源相关数据；
检测能源相关数据中的模式、内容和/或对象；
压缩能源相关数据；
流式传输能源相关数据；
过滤能源相关数据；
加载和/或存储能源相关数据；
路由和/或传输能源相关数据；或者
维护能源相关数据的安全性。
359.根据权利要求347所述的基于AI的平台，其中，至少一个消费属性基于至少一个公共数据资源，所述公共数据资源包括以下各项中的至少一项：
天气数据资源；
卫星数据资源；
人口普查、人口、人口统计和/或心理数据资源；
市场数据资源；或者
电子商务数据资源。
360.根据权利要求347所述的基于AI的平台，其中，至少一个消费属性基于至少一个企业数据资源，所述企业数据资源包括以下各项中的至少一项：
资源规划数据；
销售和/或营销数据；
财务规划数据；
需求规划数据；
供应链数据；
采购数据；
定价数据；
客户数据；
产品数据；或者
运营数据。
361.根据权利要求347所述的基于AI的平台，还包括至少一个基于AI的模型和/或算法，其中，所述至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且所述训练数据集基于以下各项中的至少一项：
至少一个人类标签和/或标记；
与硬件和/或软件系统的至少一个人类交互；
至少一个结果；
至少一个AI生成的训练数据样本；
监督学习训练过程；
半监督学习训练过程；或者
深度学习训练过程。
362.根据权利要求347所述的基于AI的平台，其中，所述一组自主协调系统中的至少一个还被配置为协调向至少一个消耗点输送能源，并且所述能源输送包括以下各项中的至少一项：
至少一条固定传输线；
至少一个无线能源传输实例；
至少一个燃料输送；或者
至少一个存储能源输送。
363.根据权利要求347所述的基于AI的平台，其中，所述一组自主协调系统中的至少一个还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，所述至少一个能源相关事件包括以下各项中的至少一项：
能源采购和/或销售事件；
与能源采购和/或销售事件相关联的服务费；
能源消耗事件；
能源生成事件；
能源分布事件；
能源存储事件；
碳排放产生事件；
碳排放减少事件；
可再生能源额度事件；
污染产生事件；或者
污染减少事件。
364.根据权利要求347所述的基于AI的平台，其中，所述一组自主协调系统中的至少一个部署在离网环境中，并且所述离网环境包括以下各项中的至少一项：
离网能源生成系统；
离网能源存储系统；或者
离网能源调动系统。
365.根据权利要求347所述的基于AI的平台，其中，所述一组自主协调系统还被配置为基于管理一组能源生成、存储和/或消耗工作负荷的一组规则和/或策略来确定所述一组异构能源类型的输送，并且所述规则和/或策略与一组边缘设备的配置相关联，所述一组边缘设备与一组能源生成设施、能源存储设施、能源输送设施或能源消耗系统进行本地数据通信操作。
366.根据权利要求347所述的基于AI的平台，其中，所述一组自主协调系统还被配置为基于至少一个能源消费者的能源消耗模拟来确定所述一组异构能源类型的输送，所述模拟基于包括所述至少一个能源消费者中的至少一个的替代状态或事件参数的数据集，所述替代状态或事件参数反映替代消耗情况，并且所述模拟基于需求响应模型，所述需求响应模型说明能源需求如何响应于能源价格或消耗能源的操作或活动的价格的变化。
367.根据权利要求347所述的基于AI的平台，其中，所述一组自主协调系统通过将所述一组异构能源类型中的每一个与和所述消耗点相关联的至少一个消费者进行匹配，来改进将所述一组异构能源类型输送到所述消耗点。
368.根据权利要求347所述的基于AI的平台，其中，所述一组自主协调系统通过确定一种或多种能源类型的附加能源的开发来改进将所述一组异构能源类型输送到所述消耗点，并且所述开发基于与所述消耗点相关联的能源需求的预测。
369.根据权利要求347所述的基于AI的平台，其中，所述一组自主协调系统通过比较与所述消耗点相关联的能源需求的特征和所述一组异构能源类型的每种能源类型的特征，来改进将所述一组异构能源类型输送到所述消耗点。
370.一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：
智能代理，所述智能代理在与能源供应系统的专家交互的数据集上进行训练，其中，所述智能代理被训练成相对于至少一个能源目标和至少一个其他目标的优化生成至少一个推荐和/或指令。
371.根据权利要求370所述的基于AI的平台，其中，所述另一目标是企业的操作目标。
372.根据权利要求370所述的基于AI的平台，其中，所述智能代理对来自一组边缘设备的状态数据进行操作，经由所述一组边缘设备控制一组能源生成资源。
373.根据权利要求370所述的基于AI的平台，其中，所述智能代理对来自一组边缘设备的状态数据进行操作，经由所述一组边缘设备控制一组能源消耗资源。
374.根据权利要求370所述的基于AI的平台，其中，所述智能代理对来自一组边缘设备的状态数据进行操作，经由所述边缘设备控制一组能源存储资源。
375.根据权利要求370所述的基于AI的平台，其中，所述智能代理对来自一组边缘设备的状态数据进行操作，经由所述一组边缘设备控制一组能源输送资源。
376.根据权利要求370所述的基于AI的平台，其中，所述智能代理还被配置为适应通过网络和/或通信系统的数据传输，其中，所述适应基于以下各项中的至少一项：
拥塞状况；
延迟和/或时延状况；
丢包状况；
失误率状况；
运输成本状况；
服务质量(QoS)状况；
使用状况；
市场因素状况；或者
用户配置状况。
377.根据权利要求370所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生表示以下各项中的至少一项：
能源利益相关者实体；
能源分布资源；
利益相关者信息技术；
网络基础设施实体；
能源相关的利益相关者生产设施；
利益相关者运输系统；
市场状况；或者
能源使用优先状况。
378.根据权利要求370所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为执行以下各项中的至少一项：
提供至少一个能源消费者的能源消耗的视觉和/或分析指标，
过滤能源数据；
突出显示能源数据；或者
调整能源数据。
379.根据权利要求370所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：
至少一个机器；
至少一个工厂；或者
车队中的至少一个车辆。
380.根据权利要求370所述的基于AI的平台，其中，所述智能代理还被配置为执行以下各项中的至少一项：
提取能源相关数据；
检测和/或校正能源相关数据中的误差；
转换、转化、归一化和/或清洁能源相关数据；
解析能源相关数据；
检测能源相关数据中的模式、内容和/或对象；
压缩能源相关数据；
流式传输能源相关数据；
过滤能源相关数据；
加载和/或存储能源相关数据；
路由和/或传输能源相关数据；或者
维护能源相关数据的安全性。
381.根据权利要求370所述的基于AI的平台，其中，所述数据集基于至少一个公共数据资源，所述公共数据资源包括以下各项中的至少一项：
天气数据资源；
卫星数据资源；
人口普查、人口、人口统计和/或心理数据资源；
市场数据资源；或者
电子商务数据资源。
382.根据权利要求370所述的基于AI的平台，其中，所述数据集基于至少一个企业数据资源，所述企业数据资源包括以下各项中的至少一项：
资源规划数据；
销售和/或营销数据；
财务规划数据；
需求规划数据；
供应链数据；
采购数据；
定价数据；
客户数据；
产品数据；或者
运营数据。
383.根据权利要求370所述的基于AI的平台，其中，所述智能代理基于训练数据集进行训练，并且所述训练数据集基于以下各项中的至少一项：
至少一个人类标签和/或标记；
与硬件和/或软件系统的至少一个人类交互；
至少一个结果；
至少一个AI生成的训练数据样本；
监督学习训练过程；
半监督学习训练过程；或者
深度学习训练过程。
384.根据权利要求370所述的基于AI的平台，其中，所述智能代理还被配置为协调向至少一个消耗点输送能源，并且所述能源输送包括以下各项中的至少一项：
至少一条固定传输线；
至少一个无线能源传输实例；
至少一个燃料输送；或者
至少一个存储能源输送。
385.根据权利要求370所述的基于AI的平台，其中，所述智能代理还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，所述至少一个能源相关事件包括以下各项中的至少一项：
能源采购和/或销售事件；
与能源采购和/或销售事件相关联的服务费；
能源消耗事件；
能源生成事件；
能源分布事件；
能源存储事件；
碳排放产生事件；
碳排放减少事件；
可再生能源额度事件；
污染产生事件；或者
污染减少事件。
386.根据权利要求370所述的基于AI的平台，其中，所述智能代理部署在离网环境中，并且所述离网环境包括以下各项中的至少一项：
离网能源生成系统；
离网能源存储系统；或者
离网能源调动系统。
387.根据权利要求370所述的基于AI的平台，其中，所述智能代理位于生成、存储、输送和/或使用能源的至少一个实体附近。
388.根据权利要求370所述的基于AI的平台，其中，所述智能代理提供关于生成、存储、输送和/或使用能源的至少一个实体的能源状态和/或能源流的信息。
389.根据权利要求370所述的基于AI的平台，其中，所述智能代理管理一组传感器中的至少一个传感器，并且所述一组传感器与被配置为生成、存储、输送和/或使用能源的一组基础设施资产相关联。
390.根据权利要求370所述的基于AI的平台，其中，所述智能代理还被配置为管理与至少一个设备相关联的至少一个处理任务，并且所述至少一个建议和/或指令包括基于所述至少一个能源目标和/或所述至少一个其他目标调整所述至少一个处理任务。
391.根据权利要求370所述的基于AI的平台，其中，所述智能代理还被配置为：
在至少两个设备之间迁移，以及
当驻留在所述至少两个设备中的每个设备上时，将所述至少一个推荐和/或指令应用到所述智能代理驻留在其上的设备。
392.根据权利要求370所述的基于AI的平台，其中，所述智能代理还被配置为与至少一个其他智能代理交换信息，并且所述信息基于所述至少一个建议和/或指令、或所述至少一个能源目标和/或所述至少一个其他目标中的一个或两个。
393.根据权利要求370所述的基于AI的平台，其中，所述推荐和/或指令与至少一个设备相关联，并且所述智能代理还被配置为与至少一个其他智能代理交换与所述至少一个设备相关联的收集的和/或确定的数据。
394.一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：
人工智能系统，所述人工智能系统在一组能源生成、能源存储、能源输送和/或能源消耗结果上进行,其中，所述人工智能系统被配置为：
分析当前能源生成、当前能源存储、当前能源输送和/或当前能源消耗信息的数据集，以及
提供包括满足定义域中的移动实体能源需求或固定位置能源需求两者的至少一个操作参数的推荐。
395.根据权利要求394所述的基于AI的平台，其中，所述定义域包括定义的地理位置和定义的时间段。
396.根据权利要求394所述的基于AI的平台，其中，所述至少一个操作参数指示用于一组能源生成资源的生成指令。
397.根据权利要求394所述的基于AI的平台，其中，所述至少一个操作参数指示用于一组能源存储资源的存储指令。
398.根据权利要求394所述的基于AI的平台，其中，所述至少一个操作参数指示用于一组能源输送资源的输送指令。
399.根据权利要求394所述的基于AI的平台，其中，所述至少一个操作参数指示用于消耗能源的一组实体的消耗指令。
400.根据权利要求394所述的基于AI的平台，其中，所述人工智能系统还被配置为适应通过网络和/或通信系统的数据传输，其中，所述适应基于以下各项中的至少一项：
拥塞状况；
延迟和/或时延状况；
丢包状况；
失误率状况；
运输成本状况；
服务质量(QoS)状况；
使用状况；
市场因素状况；或者
用户配置状况。
401.根据权利要求394所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生表示以下各项中的至少一项：
能源利益相关者实体；
能源分布资源；
利益相关者信息技术；
网络基础设施实体；
能源相关的利益相关者生产设施；
利益相关者运输系统；
市场状况；或者
能源使用优先状况。
402.根据权利要求394所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为执行以下各项中的至少一项：
提供至少一个能源消费者的能源消耗的视觉和/或分析指标，
过滤能源数据；
突出显示能源数据；或者
调整能源数据。
403.根据权利要求394所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：
至少一个机器；
至少一个工厂；或者
车队中的至少一个车辆。
404.根据权利要求394所述的基于AI的平台，其中，所述人工智能系统还被配置为执行以下各项中的至少一项：
提取能源相关数据；
检测和/或校正能源相关数据中的误差；
转换、转化、归一化和/或清洁能源相关数据；
解析能源相关数据；
检测能源相关数据中的模式、内容和/或对象；
压缩能源相关数据；
流式传输能源相关数据；
过滤能源相关数据；
加载和/或存储能源相关数据；
路由和/或传输能源相关数据；或者
维护能源相关数据的安全性。
405.根据权利要求394所述的基于AI的平台，其中，所述数据集基于至少一个公共数据资源，所述至少一个公共数据资源包括以下各项中的至少一项：
天气数据资源；
卫星数据资源；
人口普查、人口、人口统计和/或心理数据资源；
市场数据资源；或者
电子商务数据资源。
406.根据权利要求394所述的基于AI的平台，其中，所述数据集基于至少一个企业数据资源，所述至少一个企业数据资源包括以下各项中的至少一项：
资源规划数据；
销售和/或营销数据；
财务规划数据；
需求规划数据；
供应链数据；
采购数据；
定价数据；
客户数据；
产品数据；或者
运营数据。
407.根据权利要求394所述的基于AI的平台，其中，所述人工智能系统基于训练数据集进行训练，并且所述训练数据集基于以下各项中的至少一项：
至少一个人类标签和/或标记；
与硬件和/或软件系统的至少一个人类交互；
至少一个结果；
至少一个AI生成的训练数据样本；
监督学习训练过程；
半监督学习训练过程；或者
深度学习训练过程。
408.根据权利要求394所述的基于AI的平台，其中，所述人工智能系统还被配置为协调向至少一个消耗点输送能源，并且所述能源输送包括以下各项中的至少一项：
至少一条固定传输线；
至少一个无线能源传输实例；
至少一个燃料输送；或者
至少一个存储能源输送。
409.根据权利要求394所述的基于AI的平台，其中，所述人工智能系统还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，所述至少一个能源相关事件包括以下各项中的至少一项：
能源采购和/或销售事件；
与能源采购和/或销售事件相关联的服务费；
能源消耗事件；
能源生成事件；
能源分布事件；
能源存储事件；
碳排放产生事件；
碳排放减少事件；
可再生能源额度事件；
污染产生事件；或者
污染减少事件。
410.根据权利要求394所述的基于AI的平台，其中，所述人工智能系统部署在离网环境中，并且所述离网环境包括以下各项中的至少一项：
离网能源生成系统；
离网能源存储系统；或者
离网能源调动系统。
411.根据权利要求394所述的基于AI的平台，其中，所述人工智能系统位于生成、存储、输送和/或使用能源的至少一个实体附近。
412.根据权利要求394所述的基于AI的平台，其中，所述人工智能系统提供关于生成、存储、输送和/或使用能源的至少一个实体的能源状态和/或能源流的信息。
413.根据权利要求394所述的基于AI的平台，其中，所述人工智能系统管理一组传感器中的至少一个传感器，并且所述一组传感器与被配置为生成、存储、输送和/或使用能源的一组基础设施资产相关联。
414.根据权利要求394所述的基于AI的平台，其中，所述定义域包括至少一个边界，并且基于与所述定义域相关联的所述至少一个边界来限制所述数据集。
415.根据权利要求394所述的基于AI的平台，其中，所述推荐基于与所述至少一个操作参数相关联的至少一个约束，并且所述人工智能系统被训练成基于所述至少一个约束来分析所述数据集。
416.一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：
人工智能系统，所述人工智能系统被配置为：
分析监测的本地状况的数据集，以及
生成一组分布式系统中的至少一个分布式系统的推荐配置，所述一组分布式系统中的每个分布式系统可以被配置为生产能源和消耗能源，其中，所述配置使得所述至少一个分布式系统基于所述监测的本地状况产生和/或消耗能源。
417.根据权利要求416所述的基于AI的平台，其中，所述人工智能系统配置所述组中的多个分布式系统，使得跨所述多个分布式系统满足一组汇总性能要求。
418.根据权利要求417所述的基于AI的平台，其中，所述汇总性能要求是一组经济性能要求。
419.根据权利要求417所述的基于AI的平台，其中，所述汇总性能要求是一组监管性能要求。
420.根据权利要求417所述的基于AI的平台，其中，所述汇总性能要求与碳生成或排放有关。
421.根据权利要求417所述的基于AI的平台，其中，所述汇总性能要求是一组消耗要求。
422.根据权利要求416所述的基于AI的平台，其中，所述人工智能系统还被配置为适应通过网络和/或通信系统的数据传输，其中，所述适应基于以下各项中的至少一项：
拥塞状况；
延迟和/或时延状况；
丢包状况；
失误率状况；
运输成本状况；
服务质量(QoS)状况；
使用状况；
市场因素状况；或者
用户配置状况。
423.根据权利要求416所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生表示以下各项中的至少一项：
能源利益相关者实体；
能源分布资源；
利益相关者信息技术；
网络基础设施实体；
能源相关的利益相关者生产设施；
利益相关者运输系统；
市场状况；或者
能源使用优先状况。
424.根据权利要求416所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为执行以下各项中的至少一项：
提供至少一个能源消费者的能源消耗的视觉和/或分析指标，
过滤能源数据；
突出显示能源数据；或者
调整能源数据。
425.根据权利要求416所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：
至少一个机器；
至少一个工厂；或者
车队中的至少一个车辆。
426.根据权利要求416所述的基于AI的平台，其中，所述人工智能系统还被配置为执行以下各项中的至少一项：
提取能源相关数据；
检测和/或校正能源相关数据中的误差；
转换、转化、归一化和/或清洁能源相关数据；
解析能源相关数据；
检测能源相关数据中的模式、内容和/或对象；
压缩能源相关数据；
流式传输能源相关数据；
过滤能源相关数据；
加载和/或存储能源相关数据；
路由和/或传输能源相关数据；或者
维护能源相关数据的安全性。
427.根据权利要求416所述的基于AI的平台，其中，所述数据集基于至少一个公共数据资源，所述公共数据资源包括以下各项中的至少一项：
天气数据资源；
卫星数据资源；
人口普查、人口、人口统计和/或心理数据资源；
市场数据资源；或者
电子商务数据资源。
428.根据权利要求416所述的基于AI的平台，其中，所述数据集基于至少一个企业数据资源，所述企业数据资源包括以下各项中的至少一项：
资源规划数据；
销售和/或营销数据；
财务规划数据；
需求规划数据；
供应链数据；
采购数据；
定价数据；
客户数据；
产品数据；或者
运营数据。
429.根据权利要求416所述的基于AI的平台，其中，所述人工智能系统还被配置为协调向至少一个消耗点输送能源，并且所述能源输送包括以下各项中的至少一项：
至少一条固定传输线；
至少一个无线能源传输实例；
至少一个燃料输送；或者
至少一个存储能源输送。
430.根据权利要求416所述的基于AI的平台，其中，所述人工智能系统还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，所述至少一个能源相关事件包括以下各项中的至少一项：
能源采购和/或销售事件；
与能源采购和/或销售事件相关联的服务费；
能源消耗事件；
能源生成事件；
能源分布事件；
能源存储事件；
碳排放产生事件；
碳排放减少事件；
可再生能源额度事件；
污染产生事件；或者
污染减少事件。
431.根据权利要求416所述的基于AI的平台，其中，所述人工智能系统部署在离网环境中，并且所述离网环境包括以下各项中的至少一项：
离网能源生成系统；
离网能源存储系统；或者
离网能源调动系统。
432.根据权利要求416所述的基于AI的平台，其中，所述人工智能系统基于训练数据集进行训练，并且所述训练数据集基于以下各项中的至少一项：
至少一个人类标签和/或标记；
与硬件和/或软件系统的至少一个人类交互；
至少一个结果；
至少一个AI生成的训练数据样本；
监督学习训练过程；
半监督学习训练过程；或者
深度学习训练过程。
433.根据权利要求416所述的基于AI的平台，其中，所述人工智能系统位于生成、存储、输送和/或使用能源的至少一个实体附近。
434.根据权利要求416所述的基于AI的平台，其中，所述人工智能系统提供关于生成、存储、输送和/或使用能源的至少一个实体的能源状态和/或能源流的信息。
435.根据权利要求416所述的基于AI的平台，其中，所述人工智能系统管理一组传感器中的至少一个传感器，并且所述一组传感器与被配置为生成、存储、输送和/或使用能源的一组基础设施资产相关联。
436.根据权利要求416所述的基于AI的平台，其中，所述推荐配置基于与所述一组分布式系统相关联的至少一个辅助电力资源。
437.根据权利要求416所述的基于AI的平台，其中，所述推荐配置基于以下各项中的至少一项：
所述一组分布式系统中的所述至少一个分布式系统的当前和/或预测位置，或者
与所述一组分布式系统相关联的至少一个能源资源的当前和/或预测位置。
438.根据权利要求437所述的基于AI的平台，其中，所述推荐配置还基于以下各项中的至少一项：
与所述一组分布式系统中的至少一个分布式系统的当前和/或预测位置相关联的本地需求状况，或者
与和所述一组分布式系统相关联的至少一种能源资源的当前和/或预测位置相关联的本地需求状况。
439.一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：
一组自适应自主数据处理系统，所述自适应自主数据处理系统用于从一组边缘联网设备收集和传输能源数据，经由所述一组边缘联网设备控制一组分布式能源实体，其中，所述数据处理系统基于训练数据集进行训练，以识别指示所述一组分布式能源实体的至少一个能源模式的一组事件和/或信号。
440.根据权利要求439所述的基于AI的平台，其中，所述一组分布式能源实体包括至少一种能源生成资源。
441.根据权利要求439所述的基于AI的平台，其中，所述一组分布式能源实体包括至少一个能源消耗实体。
442.根据权利要求439所述的基于AI的平台，其中，所述一组分布式能源实体包括至少一个能源存储资源。
443.根据权利要求439所述的基于AI的平台，其中，所述一组分布式能源实体包括至少一个能源输送资源。
444.根据权利要求439所述的基于AI的平台，其中，所述训练数据集包括与经由所述边缘联网设备控制的实体类似的一组实体的历史能源生成数据。
445.根据权利要求439所述的基于AI的平台，其中，所述训练数据集包括与经由所述边缘联网设备控制的实体类似的一组实体的历史能源消耗数据。
446.根据权利要求439所述的基于AI的平台，其中，所述训练数据集包括与经由所述边缘联网设备控制的实体类似的一组实体的历史能源输送数据。
447.根据权利要求439所述的基于AI的平台，其中，所述训练数据集包括与经由所述边缘联网设备控制的实体类似的一组实体的历史能源存储数据。
448.根据权利要求439所述的基于AI的平台，其中，至少一个自适应自主数据处理系统还被配置为适应通过网络和/或通信系统的数据传输，其中，所述适应基于以下各项中的至少一项：
拥塞状况；
延迟和/或时延状况；
丢包状况；
失误率状况；
运输成本状况；
服务质量(QoS)状况；
使用状况；
市场因素状况；或者
用户配置状况。
449.根据权利要求439所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生表示以下各项中的至少一项：
能源利益相关者实体；
能源分布资源；
利益相关者信息技术；
网络基础设施实体；
能源相关的利益相关者生产设施；
利益相关者运输系统；
市场状况；或者
能源使用优先状况。
450.根据权利要求439所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为执行以下各项中的至少一项：
提供至少一个能源消费者的能源消耗的视觉和/或分析指标，
过滤能源数据；
突出显示能源数据；或者
调整能源数据。
451.根据权利要求439所述的基于AI的平台，还包括自适应能源数字孪生，所述自适应能源数字孪生被配置为通过以下各项中的至少一项生成能源消耗的视觉和/或分析指标：
至少一个机器；
至少一个工厂；或者
车队中的至少一个车辆。
452.根据权利要求439所述的基于AI的平台，其中，至少一个自适应自主数据处理系统还被配置为执行以下各项中的至少一项：
提取能源相关数据；
检测和/或校正能源相关数据中的误差；
转换、转化、归一化和/或清洁能源相关数据；
解析能源相关数据；
检测能源相关数据中的模式、内容和/或对象；
压缩能源相关数据；
流式传输能源相关数据；
过滤能源相关数据；
加载和/或存储能源相关数据；
路由和/或传输能源相关数据；或者
维护能源相关数据的安全性。
453.根据权利要求439所述的基于AI的平台，其中，所述能源边缘集基于至少一个公共数据资源，所述公共数据资源包括以下各项中的至少一项：
天气数据资源；
卫星数据资源；
人口普查、人口、人口统计和/或心理数据资源；
市场数据资源；或者
电子商务数据资源。
454.根据权利要求439所述的基于AI的平台，其中，所述能源边缘集基于至少一个企业数据资源，所述至少一个企业数据资源包括以下各项中的至少一项：
资源规划数据；
销售和/或营销数据；
财务规划数据；
需求规划数据；
供应链数据；
采购数据；
定价数据；
客户数据；
产品数据；或者
运营数据。
455.根据权利要求439所述的基于AI的平台，还包括至少一个基于AI的模型和/或算法，其中，所述至少一个基于AI的模型和/或算法基于训练数据集进行训练，并且所述训练数据集基于以下各项中的至少一项：
至少一个人类标签和/或标记；
与硬件和/或软件系统的至少一个人类交互；
至少一个结果；
至少一个AI生成的训练数据样本；
监督学习训练过程；
半监督学习训练过程；或者
深度学习训练过程。
456.根据权利要求439所述的基于AI的平台，其中，至少一个自适应自主数据处理系统还被配置为协调向至少一个消耗点输送能源，并且所述能源输送包括以下各项中的至少一项：
至少一条固定传输线；
至少一个无线能源传输实例；
至少一个燃料输送；或者
至少一个存储能源输送。
457.根据权利要求439所述的基于AI的平台，其中，至少一个自适应自主数据处理系统还被配置为在分布式分类账和/或区块链中记录至少一个能源相关事件，所述至少一个能源相关事件包括以下各项中的至少一项：
能源采购和/或销售事件；
与能源采购和/或销售事件相关联的服务费；
能源消耗事件；
能源生成事件；
能源分布事件；
能源存储事件；
碳排放产生事件；
碳排放减少事件；
可再生能源额度事件；
污染产生事件；或者
污染减少事件。
458.根据权利要求439所述的基于AI的平台，其中，至少一个自适应自主数据处理系统部署在离网环境中，并且所述离网环境包括以下各项中的至少一项：
离网能源生成系统；
离网能源存储系统；或者
离网能源调动系统。
459.根据权利要求439所述的基于AI的平台，其中，所述一组自适应自主数据处理系统还被配置为基于数据处理系统被初始训练的初始一组能源智能数据和数据处理系统尚未被训练的附加能源智能数据，执行数据处理系统的附加训练。
460.根据权利要求439所述的基于AI的平台，其中，所述一组自适应自主数据处理系统还被配置为指示所述一组边缘联网设备中的至少一个边缘联网设备基于对所述一组事件和/或信号中的事件和/或信号的识别来调整与所述一组分布式能源实体相关联的操作参数。
461.根据权利要求439所述的基于AI的平台，其中，所述一组自适应自主数据处理系统还被配置为基于在一段时间内从所述一组边缘联网设备收集的数据来检测事件和/或信号，并且所述数据处理系统被训练为基于所述一段时间的至少一个特征来识别所述一组事件和/或信号。
462.一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：
数据集成模块，所述数据集成模块集成从位于环境内的至少一个内部边缘设备和位于环境外的至少一个外部边缘设备收集的能源智能数据。
463.根据权利要求462所述的基于AI的平台，其中，从所述至少一个内部边缘设备或所述至少一个外部边缘设备中的至少一个收集的数据被矢量化。
464.根据权利要求462所述的基于AI的平台，其中，从所述至少一个内部边缘设备或所述至少一个外部边缘设备中的至少一个收集的数据存储在分布式数据库中。
465.根据权利要求462所述的基于AI的平台，其中，所述数据集成模块还被配置为基于与从所述至少一个内部边缘设备和所述至少一个外部边缘设备收集的数据相关联的本地化能源模式来确定能源模式。
466.一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：
数字动态孪生，所述数字动态孪生被配置为对历史能源需求、当前历史能源需求或预测能源需求中的至少一个建模；以及
基于AI的数字孪生更新器，所述基于AI的数字孪生更新器基于一组能源参数更新所述动态数字孪生。
467.根据权利要求466所述的基于AI的平台，其中，所述基于AI的数字孪生更新器执行所述动态数字孪生的更新，以确定未来一段时间期间的能源需求预测，并且所述更新基于另一AI模型对未来一段时间期间的能源需求的预测。
468.根据权利要求466所述的基于AI的平台，其中，所述动态数字孪生与设备类型相关联，并且所述基于AI的数字孪生更新器分析与所述设备类型的设备的能源消耗相关联的数据，以便更新所述动态数字孪生来对所述设备类型的设备的能源消耗进行建模。
469.根据权利要求466所述的基于AI的平台，其中，所述动态数字孪生还被配置为对至少一个实体的能源需求进行建模，其中，所述模型基于指示所述至少一个实体的能源消耗的数据。
470.一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：
能源访问仲裁器，所述能源访问仲裁器在一组能源消耗设备中仲裁所述一组能源消耗设备中的至少一个能源消耗设备对至少一个能源来源的访问。
471.一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：
一组边缘设备，所述一组边缘设备与至少一个能源消耗设备本地通信，以确定所述至少一个能源消耗设备的至少一个能源消耗特征，其中，所述一组边缘设备的至少一个边缘设备基于与所述至少一个能源消耗设备的能源消耗相关联的多个视角确定所述至少一个能源消耗设备的所述至少一个能源消耗特征。
472.根据权利要求471所述的基于AI的平台，还包括边缘设备监测系统，所述边缘设备监测系统监测所述至少一个能源消耗设备中的至少一个下游设备的能源消耗，并基于所述能源消耗在所述至少一个下游设备上实施能源策略。
473.根据权利要求472所述的基于AI的平台，其中，所述能源策略基于生成机制，通过所述生成机制生成与所述能源消耗相关联的能源。
474.根据权利要求472所述的基于AI的平台，其中，所述边缘设备监测系统还被配置为确定与所述至少一个下游设备的能源消耗相关联的碳排放。
475.一种用于实现电力和能源的智能协调和管理的基于AI的平台，包括：
一组通用人工智能(AGI)代理，其中，每个AGI代理被分配来管理一组实体的一组能源生成、存储和/或消耗工作负荷。
476.根据权利要求475所述的基于AI的平台，其中，所述一组AGI代理中的至少一个AGI代理还被配置为基于所述至少一个AGI代理与人类、另一AGI代理或所述基于AI的平台的另一组件中的至少一个之间的至少一个交互来调整与所述基于AI的平台相关联的至少一个参数。
477.根据权利要求475所述的基于AI的平台，其中，所述一组AGI代理中的至少一个AGI代理监测所述一组AGI代理中的至少一个其他AGI代理的决策，并基于所述至少一个其他AGI代理的决策来调整与所述基于AI的平台相关联的至少一个参数。
478.根据权利要求475所述的基于AI的平台，其中，所述一组AGI代理中的至少一个AGI代理监测与以下各项中的至少一项相关联的能源相关数据：
至少一个人和所述基于AI的平台的至少一个组件之间的至少一个交互，
至少一个野生动物使用模式，
至少一个太空旅行实例，
至少一个卫星，
至少一个小行星采矿作业，
至少一个银行系统，
至少一个营销操作，
与至少一个核电厂相关的至少一个放射性废物处理实例，
与至少一种能源相关联的至少一次网络攻击，
至少一个土地清理作业，
至少一个AI实体，或者
至少一个机器人实体。
479.根据权利要求475所述的基于AI的平台，其中，所述一组AGI代理中的至少一个AGI代理执行与数据收集过程、数据存储过程、数据报告过程或数据传输过程中的至少一个相关联的数据的调整，并且所述适应基于与所述数据相关联的个人的匿名请求或与所述数据相关联的个人的隐私请求中的至少一个。
480.根据权利要求475所述的基于AI的平台，所述一组AGI代理中的至少一个AGI代理监测联网元件内至少一种能源资源的移动，并基于所述移动更新与所述至少一种能源资源相关联的策略。
481.根据权利要求480所述的基于AI的平台，其中，所述一组AGI代理中的至少一个AGI代理响应于所述移动，更新能源分配，以促进所述至少一个能源资源的能源可用性。
CN202380078066.XA 2022-09-10 2023-09-10 基于ai的能源边缘平台、系统和方法 Pending CN120303672A (zh)

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
US202263375225P 2022-09-10 2022-09-10
US63/375,225 2022-09-10
IN202311057688 2023-08-28
IN202311057688 2023-08-28
US202363537478P 2023-09-08 2023-09-08
US63/537,478 2023-09-08
PCT/IB2023/058962 WO2024052888A2 (en) 2022-09-10 2023-09-10 Ai-based energy edge platform, systems, and methods

Publications (1)

Publication Number Publication Date
CN120303672A true CN120303672A (zh) 2025-07-11

Family

ID=90192225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202380078066.XA Pending CN120303672A (zh) 2022-09-10 2023-09-10 基于ai的能源边缘平台、系统和方法

Country Status (7)

Country Link
EP (1) EP4584942A2 (zh)
JP (1) JP2025531873A (zh)
KR (1) KR20250121290A (zh)
CN (1) CN120303672A (zh)
AU (1) AU2023336230A1 (zh)
CA (1) CA3252196A1 (zh)
WO (1) WO2024052888A2 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120597729A (zh) * 2025-08-06 2025-09-05 陕西延长石油（集团）有限责任公司 一种数字油藏孪生的构建方法及装置

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114510868B (zh) * 2021-12-29 2025-05-02 国网河北省电力有限公司营销服务中心 边缘物联传感网络运行调整方法及装置
CN117938766B (zh) * 2024-03-25 2024-06-04 中国电子科技集团公司第五十四研究所 一种受限网络下的数据资源分级传输方法
CN118196662B (zh) * 2024-03-26 2024-12-06 鄂尔多斯市腾远煤炭有限责任公司 一种基于贝叶斯网络算法的煤矿数字孪生模型建立方法
CN117977586B (zh) * 2024-04-02 2024-08-06 深圳供电局有限公司 基于三维数字孪生模型的停电预警方法、装置和电子设备
CN118138640B (zh) * 2024-05-07 2024-07-02 安徽省交通规划设计研究总院股份有限公司 一种云平台用户数据传输优化系统及方法
CN120930821A (zh) * 2024-05-10 2025-11-11 华为技术有限公司 一种运行参数推荐方法以及装置
CN118364887B (zh) * 2024-06-20 2024-09-06 广东阿尔派电力科技股份有限公司 一种能量管理监控的智能调度方法及系统
CN118405610A (zh) * 2024-07-02 2024-07-30 浙江强芯电子科技有限公司 一种架空线下施工的作业车辆安全预警系统
CN118564828B (zh) * 2024-07-08 2024-09-24 成都秦川物联网科技股份有限公司 一种基于监管物联网的智慧燃气需求保障方法和系统
CN118568989B (zh) * 2024-07-26 2024-10-11 国网甘肃省电力公司白银供电公司 一种电力多方实时会商的计算机协同系统及其数据处理方法
CN118586561B (zh) * 2024-08-05 2025-01-14 广东工业大学 一种考虑能源品质的能源系统改造调度优化方法及系统
CN118608132B (zh) * 2024-08-08 2024-10-15 国网山东省电力公司临清市供电公司 一种基于数据分析的电力设备维护管理系统及监测终端
CN119165375A (zh) * 2024-11-21 2024-12-20 国电南瑞科技股份有限公司 一种锂离子电池储能系统状态监测方法及装置
CN119383043B (zh) * 2024-12-23 2025-04-01 北京前景无忧电子科技股份有限公司 基于载波调制的智能电网数据传输方法
CN119376903B (zh) * 2025-01-02 2025-05-16 北京科杰科技有限公司 自适应任务调度的执行机组管理方法及系统
CN119667595B (zh) * 2025-02-22 2025-07-15 深圳市江机实业有限公司 一种维持电能计量的方法
CN120274216B (zh) * 2025-03-25 2025-11-18 天津卡尔斯阀门股份有限公司 基于多阶时空特征融合的流体管网智能管控系统及方法
CN119944784B (zh) * 2025-04-08 2025-06-17 深圳市格伏恩新能源科技有限公司 基于双向能量管理的智能储能控制方法、装置及设备
CN120455569B (zh) * 2025-07-10 2025-11-18 融安云网(北京)技术有限公司 基于大模型的多ai算法协同智能管理系统

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5752120B2 (ja) * 2009-07-20 2015-07-22 アリューア・エナジー・インコーポレイテッドＡｌｌｕｒｅ Ｅｎｅｒｇｙ， Ｉｎｃ． エネルギー管理システムおよび方法
US8626344B2 (en) * 2009-08-21 2014-01-07 Allure Energy, Inc. Energy management system and method
US8599537B2 (en) * 2009-09-09 2013-12-03 Sundial Power Pods, Llc Mobile power system
JP5434443B2 (ja) * 2009-09-30 2014-03-05 富士通株式会社 経路制御方式，経路制御システム及び経路制御プログラム
US20200175551A1 (en) * 2011-04-22 2020-06-04 Emerging Automotive, Llc Electric vehicle batteries and stations for charging batteries
US9188109B2 (en) * 2012-02-16 2015-11-17 Spyros James Lazaris Virtualization, optimization and adaptation of dynamic demand response in a renewable energy-based electricity grid infrastructure
US8989017B2 (en) * 2012-12-14 2015-03-24 Intel Corporation Network congestion management by packet circulation
US9092741B1 (en) * 2014-04-21 2015-07-28 Amber Flux Private Limited Cognitive platform and method for energy management for enterprises
KR20190070935A (ko) * 2016-10-14 2019-06-21 쓰리엠 이노베이티브 프로퍼티즈 캄파니 개인 보호 장비를 위한 컨텍스트 기반 프로그램가능 안전 규칙
WO2018148732A2 (en) * 2017-02-13 2018-08-16 Griddy Holdings Llc Methods and systems for an automated utility marketplace platform
US10776880B2 (en) * 2017-08-11 2020-09-15 American International Group, Inc. Systems and methods for dynamic real-time analysis from multi-modal data fusion for contextual risk identification
US11307327B2 (en) * 2018-10-26 2022-04-19 Tata Consultancy Services Limited Method and system for online monitoring and optimization of mining and mineral processing operations
AU2019451095A1 (en) * 2019-06-11 2022-01-06 Ian Neil CLARKE Environmental management system
US11720526B2 (en) * 2019-11-12 2023-08-08 ClearTrace Technologies, Inc. Sustainable energy tracking system utilizing blockchain technology and Merkle tree hashing structure
US12204396B2 (en) * 2020-12-23 2025-01-21 Intel Corporation Adaptive power management for edge device

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120597729A (zh) * 2025-08-06 2025-09-05 陕西延长石油（集团）有限责任公司 一种数字油藏孪生的构建方法及装置

Also Published As

Publication number Publication date
AU2023336230A1 (en) 2024-10-17
WO2024052888A3 (en) 2024-06-06
CA3252196A1 (en) 2024-03-14
EP4584942A2 (en) 2025-07-16
WO2024052888A2 (en) 2024-03-14
JP2025531873A (ja) 2025-09-25
KR20250121290A (ko) 2025-08-12

Similar Documents

Publication Publication Date Title
US12321144B2 (en) Ai-based platform for automated labor law compliance associated with mining operations
CN120303672A (zh) 基于ai的能源边缘平台、系统和方法
AU2024220197A1 (en) Ai-based energy edge platform, systems, and methods
CN118613636A (zh) 基于ai的能源边缘平台、系统和方法
WO2025160422A2 (en) Ai-based energy edge platforms, systems, and methods

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination