试点研究、惠民项目层出不穷，那这些涉及千家万户的能源大数据要如何收集、使用和分析呢？
“能源大数据的运用眼下在英国是一个非常热门的领域。政府也牵头成立了能源数据工作组。但我们发现，在能源需求的预测上，大数据往往是擅长处理整体性的、国家层面的信息，一旦深入到个体或者居民家庭层面，就面临各种各样的问题。”英国皇家工程院院士、帝国理工学院教授蒂姆·格林（Tim Green）指出。当前，对于能源数据的应用，英国面临的一大挑战来自于分散的家庭用能市场。“简单说，就是如何预测一个个家庭的能源需求。”
“居民家庭的用能情况总有一些不确定性。”在蒂姆·格林看来，这些不确定性正是预测过程中的难题。“从英国家庭用电的峰谷曲线图来看，多年来，英国家庭的用电低谷一般是在下午三点半左右，高峰则一般在晚上五点半到六点之间。这是常规情况。但有一天就出现了异常。”蒂姆·格林所指的明显异常是2013年7月7日，“那一天是温网男单决赛，好多英国人都去看比赛了，所以在本该是用电高峰的傍晚五点半左右，英国家庭的平均用电量却成了一天中的最低谷。”
除了特殊情况下的不确定性，蒂姆·格林表示，即便在常规环境下，家庭用能的分析预测也存在多种影响因素。“一个家庭的能源使用效率到底有多高？其中不仅仅涉及到气价、电价等价格因素，可能还受到家庭人数、收入、成员年龄、职业，甚至季节、天气等因素的影响。而且这些数据处理的过程中，还关系到家庭乃至个体的隐私保护等伦理问题。”
那么，面对这些挑战，渗透到个体、家庭的能源需求预测将如何实现呢？蒂姆·格林把目光放在了“机器学习”技术上。
的确，在日前中国电机工程学会发布的《电力大数据专业发展报告》中，以“机器学习”为代表的分析挖掘技术被列入电力数据分析应用的关键技术。近日，美国能源部能源高级研究计划署也宣布，将提供1500万美元的资金用于支持机器学习、人工智能等在能源技术和产品设计上的应用。
蒂姆·格林透露，目前英国很多相关研究机构都在使用“机器深度学习”的方式预测家庭能源使用。“机器学习是把计算机作为工具，真实、实时地模拟人类的学习方式，然后将学到的内容重新加工分析，进一步优化计算机程序。通过机器学习，可以分析家庭的电力消费规律，在哪些相对固定的时间段会使用哪些电器、家庭的用电负荷是多少……从而为一些需求侧方案相应提供参考。当然，我们预测的需求和现实的需求会有一定的差别，要想成功运用数据得出分析结论并非易事。”
除需求侧的预测外，蒂姆·格林还表示，随着技术的优化发展，机器学习对于电力系统的分布式控制、高频率的灵活响应等方面也将发挥重要作用。
