闖入新能源領(lǐng)域,，英特爾軟硬兼施，依托至強(qiáng)平臺集成 AI 技術(shù)加速布局新能源發(fā)電智能功率預(yù)測,，助力電力企業(yè)顯著提升發(fā)電效率,。
以風(fēng)力發(fā)電、光伏發(fā)電為主的可再生新能源在智能電網(wǎng)體系的比重越來越重要,。
據(jù)國家能源局新能源數(shù)據(jù)顯示,，截至 2020 年上半年，全國風(fēng)電和光伏發(fā)電累計(jì)裝機(jī)量分別為 2.17 億千瓦,、2.16 億千瓦,。
在全球綠色低碳轉(zhuǎn)型的趨勢下，以風(fēng)電,、光伏為代表的新能源還將保持?jǐn)U大的態(tài)勢,，裝機(jī)規(guī)模不斷增長。
雖然新能源發(fā)電已相對成熟并被廣泛應(yīng)用,，但相較于傳統(tǒng)火電廠,，仍具有較強(qiáng)的隨機(jī)性與波動性，大規(guī)模并入電網(wǎng)時(shí)將會對電網(wǎng)的穩(wěn)定造成巨大影響,。如果能提前預(yù)測功率及發(fā)電量,，合理調(diào)節(jié)發(fā)電與并網(wǎng)負(fù)荷，將保證電網(wǎng)的穩(wěn)定性,。
一、能源之變：人工智能加速新能源發(fā)電
能源是社會發(fā)展的基石，隨著社會的快速發(fā)展,，人類對能源的需求不斷增加,，以清潔為重要特點(diǎn)的風(fēng)電、光伏等可再生能源越來越為大眾所青睞,。
據(jù)國家能源局的數(shù)據(jù)顯示,，僅 2019 年上半年，全國風(fēng)電發(fā)電量同比增長 11.5%,、光伏發(fā)電裝機(jī)量同比增長 20%,。
在眾多可再生能源中，風(fēng)能以其直接獲取,、取用不盡,、發(fā)電污染小等優(yōu)點(diǎn)備受青睞。
不過,，與常規(guī)能源發(fā)電相比,，以風(fēng)力發(fā)電、光伏發(fā)電為主的新能源在發(fā)電生產(chǎn)過程中容易受到風(fēng)速,、風(fēng)向,、日照、氣溫,、氣壓等環(huán)境因素的影響,，其隨機(jī)性、波動性與不可控性比較大,。大規(guī)模新能源并入電網(wǎng)會給系統(tǒng)的穩(wěn)定運(yùn)行以及電力調(diào)度帶來巨大挑戰(zhàn),。
如何將通過大規(guī)模新能源發(fā)出來的電接入電網(wǎng)高效輸送并使用，成為一大難題,。
因此,，新能源功率的準(zhǔn)確預(yù)測正是解決上述困難的有效方法之一。
以風(fēng)電功率為例,，其指的是以風(fēng)電場的歷史功率,、歷史風(fēng)速、地形地貌,、數(shù)值天氣預(yù)報(bào)及風(fēng)力發(fā)電機(jī)組運(yùn)行狀態(tài)等數(shù)據(jù)建立風(fēng)電場輸出功率的預(yù)測模型,。
早在 2011 年，國家就針對風(fēng)電場的發(fā)電功率預(yù)測技術(shù)參數(shù)進(jìn)行了明確規(guī)定,，要求風(fēng)電場進(jìn)行風(fēng)電功率預(yù)測并制定發(fā)電計(jì)劃,。風(fēng)電功率預(yù)測已成為風(fēng)電場并接入電網(wǎng)的必要條件之一。
根據(jù)中國國家能源局發(fā)布的《風(fēng)電場功率預(yù)測預(yù)報(bào)管理暫行辦法》,，要求風(fēng)電日預(yù)測曲線最大誤差小于 25%,，實(shí)時(shí)預(yù)測誤差小于 15%,，全天預(yù)測結(jié)果的均方根誤差小于 20%。
在風(fēng)電功率預(yù)測當(dāng)中,，重點(diǎn)在于,，需要對風(fēng)電功率的不確定性進(jìn)行精細(xì)化建模，中間又需要克服數(shù)據(jù)誤差造成的影響,。
功率預(yù)測誤差的影響因素包括預(yù)測模型,、數(shù)值天氣預(yù)報(bào)精度、氣象數(shù)據(jù),、數(shù)據(jù)采集與處理等,。這些誤差的存在，成為風(fēng)電功率預(yù)測的最大對手,。
通常而言,，風(fēng)電功率預(yù)測的一般過程包括了數(shù)據(jù)分析、建模與預(yù)測三大部分,，最終需要從海量數(shù)據(jù)中提取數(shù)學(xué)模型并進(jìn)行數(shù)據(jù)預(yù)測,。
因此，引入以人工智能為方法的預(yù)測手段,，能夠降低和消除誤差,，并以較低成本實(shí)現(xiàn)高準(zhǔn)確度的風(fēng)電功率預(yù)測。
要實(shí)現(xiàn)人工智能對新能源發(fā)電功率預(yù)測的賦能,，軟硬件配套設(shè)備兼?zhèn)浔夭豢缮?。AI 算法和更強(qiáng)算力的支撐使得基于 AI 的智能預(yù)測方法具備落地條件。
而基于強(qiáng)大算力支持的軟硬設(shè)備既能提高對大數(shù)據(jù)的處理速度,，又能確保預(yù)測的準(zhǔn)確性,。而英特爾正是當(dāng)中的實(shí)力派。
二,、功率預(yù)測助手：Analytics Zoo 加持,，準(zhǔn)確率 79.41%
基于 AI 的新能源發(fā)電功率預(yù)測，最終目的是幫助電力企業(yè)顯著提升發(fā)電效率,。但在傳統(tǒng)的 AI 功率預(yù)測辦法當(dāng)中,，主要是通過單一人工智能算法模型，對環(huán)境參數(shù),、功率,、發(fā)電量等數(shù)據(jù)樣本進(jìn)行訓(xùn)練和推理。
這一辦法僅適用于短時(shí)間的預(yù)測,，隨著預(yù)測時(shí)段變長,，預(yù)測準(zhǔn)確率也會隨之降低。
在智能功率預(yù)測領(lǐng)域有長期積累與沉淀的金風(fēng)慧能看來,，實(shí)現(xiàn)高效電力功率預(yù)測的關(guān)鍵在于,，一方面,，要將功率預(yù)測與氣象預(yù)報(bào)相結(jié)合，以彌補(bǔ)時(shí)間維度的缺陷,，確保時(shí)序性數(shù)據(jù)與預(yù)測準(zhǔn)確率的一致性,。另一方面，采用多模型組合方案,，替代單一模型，提升系統(tǒng)的預(yù)測準(zhǔn)確率,。
基于此,，金風(fēng)慧能聯(lián)合英特爾，以英特爾統(tǒng)一的大數(shù)據(jù)分析和 AI 平臺 Analytics Zoo 為紐帶,，利用深度學(xué)習(xí)與機(jī)器學(xué)習(xí)的方法,，結(jié)合風(fēng)機(jī)級氣象預(yù)報(bào)、風(fēng)軌跡模擬等氣象預(yù)報(bào)數(shù)據(jù),，以多模型組合的方式來構(gòu)建用于功率預(yù)測的全新智能方案,。
首先是精準(zhǔn)的氣象預(yù)報(bào)數(shù)據(jù)。為了保證預(yù)測的準(zhǔn)確度,，金風(fēng)慧能與中國氣象局,、歐洲氣象中心等權(quán)威機(jī)構(gòu)合作，以集合預(yù)報(bào)的方式,，來保證預(yù)報(bào)精度的穩(wěn)定性,。例如，在新方案中,，金風(fēng)慧能將氣象預(yù)報(bào)的精準(zhǔn)由常規(guī)的 9 公里細(xì)化到 100 米,。
圖：風(fēng)機(jī)級氣象預(yù)報(bào)和風(fēng)軌跡模擬，新方案中,，左圖風(fēng)機(jī)級氣象預(yù)報(bào)尺度從常規(guī)的 9 公里細(xì)化到了 100 米的微尺度,，而右圖中，對風(fēng)軌跡的模擬則做到了明確的行進(jìn)路線定量分析,。
其次金風(fēng)慧能搭建了多模型組合的預(yù)測方案,，挖掘海量數(shù)據(jù)，搭建特征工程,，并分析與預(yù)測相關(guān)的影響因素,，例如風(fēng)速、風(fēng)向,、溫度等等,。
圖：結(jié)合氣象預(yù)報(bào)數(shù)據(jù)的多模型組合預(yù)測方案架構(gòu)，將來自不同氣象預(yù)報(bào)源,，例如中國氣象局,、歐洲氣象中心的氣象預(yù)報(bào)數(shù)據(jù)與不同深度學(xué)習(xí)或機(jī)器學(xué)習(xí)算法的參數(shù)相組合,，形成諸如 SVM+CMA 的方法。
在此過程中,，基于英特爾統(tǒng)一的大數(shù)據(jù)分析和 AI 平臺 Analytics Zoo,，金風(fēng)慧能可以將新方案中的 Spark、TensorFlow,、Keras 及其軟件和框架無縫集成到同一管道中,。
在這一路徑的過程中，有助于將數(shù)據(jù)存儲,、數(shù)據(jù)處理以及訓(xùn)練推理的流水線整合到統(tǒng)一的基礎(chǔ)設(shè)施上,，減少用于硬件管理及系統(tǒng)運(yùn)維的成本。
Analytics Zoo 不僅可為方案提供統(tǒng)一的端到端分布式方案,，幫助用戶提升系統(tǒng)的開發(fā)部署效率和可擴(kuò)展性,，還可在時(shí)序數(shù)據(jù)分析方面提供更強(qiáng)助力。
金風(fēng)慧能與英特爾在全國多個(gè)光伏測試場進(jìn)行驗(yàn)證后發(fā)現(xiàn),，新方案在預(yù)測準(zhǔn)確率上超越了原有方案的 59%,，達(dá)到了 79.41%。
以月為周期,，在每一個(gè)測試的光伏場中,，金風(fēng)慧能在單小時(shí)內(nèi)使用 3 萬條記錄對 LSTNet 模型進(jìn)行 5000 次迭代優(yōu)化，并在 50 毫秒內(nèi)獲得未來 2 小時(shí)的功率預(yù)測數(shù)據(jù),。
最終,，英特爾與金風(fēng)慧能合作的全新智能功率預(yù)測方案實(shí)踐表明，在風(fēng)電場中引入這種 AI 預(yù)測方案,，能夠幫助電力企業(yè)顯著提升發(fā)電效率,。
三、軟硬件「風(fēng)火輪」：英特爾至強(qiáng)平臺集成 AI 技術(shù)加速
助力金風(fēng)慧能打造智能功率預(yù)測方案,，是英特爾 AI 技術(shù)落地新能源發(fā)電領(lǐng)域的重要一環(huán),。
在軟硬件加持下，英特爾為新能源智能化解決方案提供全面支持,。未來,，金風(fēng)慧能還將基于 Analytics Zoo 搭建完整的數(shù)據(jù)治理平臺，優(yōu)化數(shù)據(jù)質(zhì)量,。
實(shí)際上,，在開展以數(shù)據(jù)中心轉(zhuǎn)型伊始，英特爾希望通過連接存儲與計(jì)算全方位能力來加速人工智能應(yīng)用落地,，打通數(shù)據(jù),、開發(fā)和部署的閉環(huán)。
在數(shù)據(jù)環(huán)節(jié)，涉及采集,、存儲和處理,，英特爾集成軟硬件能力，用于加速和高效處理,。
例如,，基于第二代英特爾至強(qiáng)可擴(kuò)展處理器，用于加速計(jì)算流程,；英特爾傲騰,？ 持久內(nèi)存則能夠?qū)⒏鄶?shù)據(jù)保存在靠近 CPU 的位置，進(jìn)而實(shí)現(xiàn)更多實(shí)時(shí)處理,。而英特爾傲騰 ? 固態(tài)盤,，則能夠?qū)崿F(xiàn)經(jīng)濟(jì)高效的高容量數(shù)據(jù)存儲。
在開發(fā)環(huán)節(jié),，英特爾架構(gòu)已能夠支持企業(yè)中的大多數(shù)機(jī)器學(xué)習(xí)，讓企業(yè)可以輕松地在熟悉的現(xiàn)有通用環(huán)境中實(shí)施新的人工智能工作負(fù)載,。
隨著人工智能技術(shù)逐步深入各行各業(yè),。英特爾以軟硬件兼施的方式，在至強(qiáng)可擴(kuò)展平臺上,，集成各類人工智能技術(shù)加速,，幫助企業(yè)根據(jù)自身的業(yè)務(wù)需求和 IT 環(huán)境拓展其人工智能應(yīng)用。
四,、展望：加速新能源智能化轉(zhuǎn)型
據(jù)《可再生能源發(fā)展 “十三五” 規(guī)劃》,，在 “十三五” 時(shí)期我國再生能源應(yīng)用規(guī)模將進(jìn)一步擴(kuò)大，風(fēng)電和太陽能多元化利用將協(xié)調(diào)開發(fā)到 2020 年底我國風(fēng)電并網(wǎng)裝機(jī)容量達(dá)到 2.1 億 kW 以上,，太陽能發(fā)電達(dá)到 1.1 億 kW 以上,。
這意味著，可再生能源發(fā)電在智能電網(wǎng)體系的比重越來重要,。準(zhǔn)確地預(yù)測可再生能源發(fā)電功率對緩解電網(wǎng)調(diào)峰壓力,、減少電力系統(tǒng)備用容量配置、提高電網(wǎng)可再生能源接納能力等起到重要作用,。
對光伏,、風(fēng)電等新能源的輸出功率開展預(yù)測，不僅有利于調(diào)度系統(tǒng)合理調(diào)整和優(yōu)化發(fā)電計(jì)劃,，改善電網(wǎng)調(diào)峰能力,，更能減少棄風(fēng)和棄光率，并降低其運(yùn)行成本,，幫助電力企業(yè)提升競爭力,。
在國內(nèi)，新能源電力公司參考預(yù)測功率來決定其報(bào)價(jià),。新能源功率預(yù)測,，能夠?yàn)殡娏κ袌鼋灰滋峁Q策依據(jù),。在一些大型新能源場站，如海上風(fēng)電場,，也要開展功率預(yù)測工作,，根據(jù)預(yù)測發(fā)電能力參與市場競爭。
伴隨以新能源為主的電力系統(tǒng)的變革,，引入人工智能解決方案,，對新能源智能功率預(yù)測有著重要意義。英特爾以軟硬兼施,，至強(qiáng)平臺集成 AI 技術(shù)加速的方式布局新能源,，促進(jìn)能源行業(yè)智能化發(fā)展。