前方高能！能源互联网断代史(18)

所以这次泛在电力物联网把“数据统一、营配贯通、配抢指挥”作为一个核心指标。
综合能源自治微网单元及单元群同理。
而全网群集智能化阶段预计引入多层神经网络模型。从机器学习神经网络，到这几年的深度学习数据挖掘，人工智能领域名词更新，初衷不改，核心就是：计算、连接、评估、纠错、反复。之所以选择神经网络，是因为分布式自治单元相当于已经将算法实体化了了。大量彼此连接的节点具备两个特性：每个神经元，通过激励函数，计算处理来自其它相邻神经元的加权输入值；神经元之间的信息传递的强度，用所谓加权值来定义，算法会不断自我学习，调整这个加权值。
大数据时代，越来越多的数据被传至云端进行存储计算，再返回到终端显示结果。这一过程不仅增加了云端压力，还会造成干路数据堵塞，影响数据处理和反馈的时间。为解决上述问题，雾计算应运而生。雾计算的原理与云计算一样，都是把数据上传到远程中心进行分析、存储和处理。但相比云计算要把所有数据集中运输到同一个中心，雾计算的模式是设置多个中心节点，即所谓“雾节点”处理数据。雾计算出现后，一种更激进的想法随之产生：既然数据送到云端是送，送到分散的数据中心也是送，那为何不干脆在距离终端最近的地方完成数据存储和计算？于是就有了边缘计算。大数据与云、雾、边缘三大计算是两位一体。大数据的特色在于对海量数据的挖掘，过程必须依托三大计算的分布式处理、分布式数据库、云存储和虚拟化技术。三大计算分别对应于能源互联网的综合能源微网、微网群和主网的控制中心完成。
智能化数据训练过程依靠成本函数与学习的算法：成本函数用来定量评估根据特定输入值，计算出来的输出结果，离正确值有多远，结果有多靠谱；学习的算法目的在于根据成本函数的结果，自学，纠错，最快地找到神经元之间最优化的加权值。从最底层的微网内分布式能源控制（适合边缘计算），到上一层的微网群控制（适合雾计算），从空间上叠加直到覆盖整个主电网（适合云计算）。所以洲际互联网络不再仅仅是为了传输能源，更重要的是将单元连接到一起，使得同一网络内节点数增长，数据相互流通从而实现多层神经网络模型的深度学习。
借分布式系统搜集相关数据汇集到控制单元，依靠计算机神经网络模型的众愚成智机理，层层叠加的控制单元以不同方式建立智能，并处理为有效数据上下级控制单元间传递。按蜂群理论，当复杂度达到某一程度时，让能源互联网“集群”作为整体从微网“个体”中“涌现”，以远远超越个体控制单元的智能去冲击无限控制化。