能源转型导致了称为权力下放的重大转变。可再生能源资源允许本地微型发电，而不是集中发电，从而减少对集中能源系统的依赖。然而，由此产生的可再生能源和分布式能源的广泛整合使得能源供应链的控制变得越来越困难。
只有使用信息物理系统 （CPS），才能实现这种间歇性和异构集群的组合。在能源转型的背景下，需求、发电和储存之间的相互作用极为重要 。
机器学习技术的最新进展，尤其是深度学习，在许多能源系统环境中开辟了新的可能性或数据驱动的方法。然而，大多数基于机器学习的模型都是黑盒模型，可解释性非常低。此外，现有的能源管理系统很大程度上是基于规则或逻辑的。
机器智能与传统物理系统的结合带来了另一个挑战以及集成过程中可能的计算成本。
通过机器学习从大数据中收集见解是许多 CPS 应用程序的核心能力，计算智能在这些过程中起着关键作用 。
值得注意的是，智能模型的计算成本很高，并且在某些情况下可能相对较慢，这可能会给参数更新和模型预测控制等实时应用带来障碍。因此，从未来的角度来看，预计基于 CPS 的能源系统中的计算引擎可以以微妙的方式平衡领域知识和机器智能，从而以适度的计算成本实现最佳性能。
好啦！今天小编的分享就到这啦！小伙伴们如还有疑问，欢迎在评论区留言哦~
,
