闯进新能源领域,英特尔软硬兼施,依托至强平台集成AI技术加速布局新能源发电智能功率预测,推动电力企业明显提高发电效率。
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,截止2020年上半年,全省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。
在全球红色低碳变革的趋势下,以风电、光伏为代表的新能源还将保持扩大的态势,装机规模不断下降。
尽管新能源发电已相对成熟并被广泛应用,但相较于传统火电站,仍具有较强的随机性与波动性,大规模划归电网时将会对电网的稳定导致巨大影响。倘若能提早预测功率及发电量,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降低,以清洁为重要特征的风电、光伏等可再生能源越来越为大众所追捧。
据国家能源局的数据显示,仅2019年上半年,全省风电发电量环比下降11.5%、光伏发电装机量环比下降20%。
在诸多可再生能源中,生物质能以其直接获取、取用不尽、发电污染小等优点深受追捧。
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遭到风速、风向、日照、气温、气压等环境诱因的影响,其随机性、波动性与不可控性比较大。大规模新能源划归电网会给系统的稳定运行以及电力调度带来巨大挑战。
怎样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,成为一大困局。
为此,新能源功率的确切预测正是解决上述困难的有效方式之一。
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构建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晰规定,要求风电场进行风电功率预测并制订发电计划。风电功率预测已成为风电场并接入电网的必要条件之一。
按照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偏差大于25%,实时预测偏差大于15%,全天预测结果的均方根偏差大于20%。
在风电功率预测当中,重点在于,须要对风电功率的不确定性进行精细化建模,中间又须要克服数据偏差导致的影响。
功率预测偏差的影响诱因包括预测模型、数值天气预报精度、气象数据、数据采集与处理等。这种偏差的存在,成为风电功率预测的最大对手。
一般而言,风电功率预测的通常过程包括了数据剖析、建模与预测三大部份,最终须要从海量数据中提取物理模型并进行数据预测。
为此,引入以人工智能为方式的预测手段,才能减少和清除偏差,并以较低成本实现高确切度的风电功率预测。
要实现人工智能对新能源发电功率预测的赋能,软硬件配套设备兼具必不可少。AI算法和更强算力的支撑促使基于AI的智能预测方式具备落地条件。
而基于强悍算力支持的软硬设备既能提升对大数据的处理速率,又能确保预测的确切性。而英特尔正是当中的实力派。
二、功率预测助手:Zoo加持,确切率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明显提高发电效率。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,预测确切率也会急剧减少。
在智能功率预测领域有常年积累与沉淀的金风惠能看来,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,以填补时间维度的缺陷,确保时序性数据与预测确切率的一致性。另一方面,采用多模型组合方案,取代单一模型,提高系统的预测确切率。
基于此,金风惠能联合英特尔,以英特尔统一的大数据剖析和AI平台Zoo为纽带,借助深度学习与机器学习的方式,结合风机级气象预报、风轨迹模拟等气象预报数据,以多模型组合的形式来建立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。为了保证预测的确切度,金风惠能与中国气象局、欧洲气象中心等权威机构合作,以集合预报的形式,来保证预报精度的稳定性。比如,在新方案中,金风惠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,而下图中,对风轨迹的模拟则做到了明晰的行进路线定量剖析。
其次金风惠能搭建了多模型组合的预测方案,挖掘海量数据,搭建特点工程,并剖析与预测相关的影响诱因,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构架,将来自不同气象预报源,比如中国气象局、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,产生例如SVM+CMA的方式。
在此过程中,基于英特尔统一的大数据剖析和AI平台Zoo,金风惠能可以将新方案中的Spark、、Keras及其软件和框架无缝集成到同一管线中。
在这一路径的过程中,有助于将数据储存、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风电功率预测与消纳策略,降低用于硬件管理及系统运维的成本。
Zoo除了可为方案提供统一的端到端分布式方案,帮助用户提高系统的开发布署效率和可扩充性,还可在时序数据剖析方面提供更强推动。
金风惠能与英特尔在全省多个光伏测试场进行验证后发觉,新方案在预测确切率上赶超了原有方案的59%,达到了79.41%。
以月为周期风电功率预测与消纳策略,在每一个测试的光伏场中,金风惠能在单小时内使用3万条记录对模型进行5000次迭代优化,并在50微秒内获得未来2小时的功率预测数据。
最终,英特尔与金风惠能合作的全新智能功率预测方案实践表明,在风电场中引入这些AI预测方案,才能帮助电力企业明显提高发电效率。
三、软硬件「风火轮」:英特尔至强平台集成AI技术加速
推动金风惠能构建智能功率预测方案,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,金风惠能还将基于Zoo搭建完整的数据整治平台,优化数据质量。
实际上,在举办以数据中心变革伊始,英特尔希望通过联接储存与估算全方位能力来加速人工智能应用落地,打通数据、开发和布署的闭环。
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。
比如,基于第二代英特尔至强可扩充处理器,用于加速估算流程;英特尔傲腾™持久显存则还能将更多数据保存在紧靠CPU的位置,从而实现更多实时处理。而英特尔傲腾™固态盘,则才能实现经济高效的高容量数据储存。
在开发环节,英特尔构架已才能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施行新的人工智能工作负载。
随着人工智能技术逐渐深入各行各业。英特尔以软硬件兼施的方法,在至强可扩充平台上,集成各种人工智能技术加速,帮助企业依据自身的业务需求和IT环境拓展其人工智能应用。
四、展望:加速新能源智能化变革
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,风电和太阳能多样化借助将协调开发到2020年末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。确切地预测可再生能源发电功率对减轻电网调峰压力、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举办预测,除了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,更能降低弃风和弃光率,并减少其运行成本,帮助电力企业提高竞争力。
在国外,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,还能为电力市场交易提供决策根据。在一些小型新能源场站,如海上风电场,也要举办功率预测工作,依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改革,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技术加速的方法布局新能源,推动能源行业智能化发展。