英特尔进击新能源发电，看AI如何用气象预报预测功率

本文主要是介绍英特尔进击新能源发电，看AI如何用气象预报预测功率，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

以风力发电、光伏发电为主的可再生新能源在智能电网体系的比重越来越重要。
据国家能源局新能源数据显示，截至 2020 年上半年，全国风电和光伏发电累计装机量分别为 2.17 亿千瓦、2.16 亿千瓦。
在全球绿色低碳转型的趋势下，以风电、光伏为代表的新能源还将保持扩大的态势，装机规模不断增长。
虽然新能源发电已相对成熟并被广泛应用，但相较于传统火电厂，仍具有较强的随机性与波动性，大规模并入电网时将会对电网的稳定造成巨大影响。如果能提前预测功率及发电量，合理调节发电与并网负荷，将保证电网的稳定性。
一、能源之变：人工智能加速新能源发电
能源是社会发展的基石，随着社会的快速发展，人类对能源的需求不断增加，以清洁为重要特点的风电、光伏等可再生能源越来越为大众所青睐。
据国家能源局的数据显示，仅 2019 年上半年，全国风电发电量同比增长 11.5%、光伏发电装机量同比增长 20%。
在众多可再生能源中，风能以其直接获取、取用不尽、发电污染小等优点备受青睐。
不过，与常规能源发电相比，以风力发电、光伏发电为主的新能源在发电生产过程中容易受到风速、风向、日照、气温、气压等环境因素的影响，其随机性、波动性与不可控性比较大。大规模新能源并入电网会给系统的稳定运行以及电力调度带来巨大挑战。
如何将通过大规模新能源发出来的电接入电网高效输送并使用，成为一大难题。
因此，新能源功率的准确预测正是解决上述困难的有效方法之一。
以风电功率为例，其指的是以风电场的历史功率、历史风速、地形地貌、数值天气预报及风力发电机组运行状态等数据建立风电场输出功率的预测模型。
早在 2011 年，国家就针对风电场的发电功率预测技术参数进行了明确规定，要求风电场进行风电功率预测并制定发电计划。风电功率预测已成为风电场并接入电网的必要条件之一。
根据中国国家能源局发布的《风电场功率预测预报管理暂行办法》，要求风电日预测曲线最大误差小于 25%，实时预测误差小于 15%，全天预测结果的均方根误差小于 20%。
在风电功率预测当中，重点在于，需要对风电功率的不确定性进行精细化建模，中间又需要克服数据误差造成的影响。
功率预测误差的影响因素包括预测模型、数值天气预报精度、气象数据、数据采集与处理等。这些误差的存在，成为风电功率预测的最大对手。
通常而言，风电功率预测的一般过程包括了数据分析、建模与预测三大部分，最终需要从海量数据中提取数学模型并进行数据预测。
因此，引入以人工智能为方法的预测手段，能够降低和消除误差，并以较低成本实现高准确度的风电功率预测。
要实现人工智能对新能源发电功率预测的赋能，软硬件配套设备兼备必不可少。AI 算法和更强算力的支撑使得基于 AI 的智能预测方法具备落地条件。
而基于强大算力支持的软硬设备既能提高对大数据的处理速度，又能确保预测的准确性。而英特尔正是当中的实力派。
二、功率预测助手：Analytics Zoo 加持，准确率 79.41%
基于 AI 的新能源发电功率预测，最终目的是帮助电力企业显著提升发电效率。但在传统的 AI 功率预测办法当中，主要是通过单一人工智能算法模型，对环境参数、功率、发电量等数据样本进行训练和推理。
这一办法仅适用于短时间的预测，随着预测时段变长，预测准确率也会随之降低。
在智能功率预测领域有长期积累与沉淀的金风慧能看来，实现高效电力功率预测的关键在于，一方面，要将功率预测与气象预报相结合，以弥补时间维度的缺陷，确保时序性数据与预测准确率的一致性。另一方面，采用多模型组合方案，替代单一模型，提升系统的预测准确率。
基于此，金风慧能联合英特尔，以英特尔统一的大数据分析和 AI 平台 Analytics Zoo 为纽带，利用深度学习与机器学习的方法，结合风机级气象预报、风轨迹模拟等气象预报数据，以多模型组合的方式来构建用于功率预测的全新智能方案。
首先是精准的气象预报数据。为了保证预测的准确度，金风慧能与中国气象局、欧洲气象中心等权威机构合作，以集合预报的方式，来保证预报精度的稳定性。例如，在新方案中，金风慧能将气象预报的精准由常规的 9 公里细化到 100 米。 

图：风机级气象预报和风轨迹模拟，新方案中，左图风机级气象预报尺度从常规的 9 公里细化到了 100 米的微尺度，而右图中，对风轨迹的模拟则做到了明确的行进路线定量分析。 

其次金风慧能搭建了多模型组合的预测方案，挖掘海量数据，搭建特征工程，并分析与预测相关的影响因素，例如风速、风向、温度等等。

图：结合气象预报数据的多模型组合预测方案架构，将来自不同气象预报源，例如中国气象局、欧洲气象中心的气象预报数据与不同深度学习或机器学习算法的参数相组合，形成诸如 SVM+CMA 的方法。 
在此过程中，基于英特尔统一的大数据分析和 AI 平台 Analytics Zoo，金风慧能可以将新方案中的 Spark、TensorFlow、Keras 及其软件和框架无缝集成到同一管道中。
在这一路径的过程中，有助于将数据存储、数据处理以及训练推理的流水线整合到统一的基础设施上，减少用于硬件管理及系统运维的成本。 
Analytics Zoo 不仅可为方案提供统一的端到端分布式方案，帮助用户提升系统的开发部署效率和可扩展性，还可在时序数据分析方面提供更强助力。 
金风慧能与英特尔在全国多个光伏测试场进行验证后发现，新方案在预测准确率上超越了原有方案的 59%，达到了 79.41%。
以月为周期，在每一个测试的光伏场中，金风慧能在单小时内使用 3 万条记录对 LSTNet 模型进行 5000 次迭代优化，并在 50 毫秒内获得未来 2 小时的功率预测数据。 
最终，英特尔与金风慧能合作的全新智能功率预测方案实践表明，在风电场中引入这种 AI 预测方案，能够帮助电力企业显著提升发电效率。
三、软硬件「风火轮」：英特尔至强平台集成 AI 技术加速
助力金风慧能打造智能功率预测方案，是英特尔 AI 技术落地新能源发电领域的重要一环。
在软硬件加持下，英特尔为新能源智能化解决方案提供全面支持。未来，金风慧能还将基于 Analytics Zoo 搭建完整的数据治理平台，优化数据质量。
实际上，在开展以数据中心转型伊始，英特尔希望通过连接存储与计算全方位能力来加速人工智能应用落地，打通数据、开发和部署的闭环。
在数据环节，涉及采集、存储和处理，英特尔集成软硬件能力，用于加速和高效处理。
例如，基于第二代英特尔至强可扩展处理器，用于加速计算流程；英特尔傲腾™ 持久内存则能够将更多数据保存在靠近 CPU 的位置，进而实现更多实时处理。而英特尔傲腾 ™ 固态盘，则能够实现经济高效的高容量数据存储。 
在开发环节，英特尔架构已能够支持企业中的大多数机器学习，让企业可以轻松地在熟悉的现有通用环境中实施新的人工智能工作负载。 
随着人工智能技术逐步深入各行各业。英特尔以软硬件兼施的方式，在至强可扩展平台上，集成各类人工智能技术加速，帮助企业根据自身的业务需求和 IT 环境拓展其人工智能应用。 
四、展望：加速新能源智能化转型
据《可再生能源发展 “十三五” 规划》，在 “十三五” 时期我国再生能源应用规模将进一步扩大，风电和太阳能多元化利用将协调开发到 2020 年底我国风电并网装机容量达到 2.1 亿 kW 以上，太阳能发电达到 1.1 亿 kW 以上。
这意味着，可再生能源发电在智能电网体系的比重越来重要。准确地预测可再生能源发电功率对缓解电网调峰压力、减少电力系统备用容量配置、提高电网可再生能源接纳能力等起到重要作用。
对光伏、风电等新能源的输出功率开展预测，不仅有利于调度系统合理调整和优化发电计划，改善电网调峰能力，更能减少弃风和弃光率，并降低其运行成本，帮助电力企业提升竞争力。
在国内，新能源电力公司参考预测功率来决定其报价。新能源功率预测，能够为电力市场交易提供决策依据。在一些大型新能源场站，如海上风电场，也要开展功率预测工作，根据预测发电能力参与市场竞争。 
伴随以新能源为主的电力系统的变革，引入人工智能解决方案，对新能源智能功率预测有着重要意义。英特尔以软硬兼施，至强平台集成 AI 技术加速的方式布局新能源，促进能源行业智能化发展。

这篇关于英特尔进击新能源发电，看AI如何用气象预报预测功率的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！