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(dòng)性，大規(guī)模并入電網(wǎng)時(shí)將會(huì)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(huì)發(fā)展的基石，隨著社會(huì)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(dòng)性與不可控性比較大。大規(guī)模新能源并入電網(wǎng)會(huì)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(huì)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(chǔ)、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(chǔ)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(chǔ)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(chǔ)。

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。

責(zé)任編輯：PSY