導語：
清潔能源時代，對可再生新能源的輸出功率開展預測，更有利於最佳化發電計劃。一直致力於融合IT前沿技術和新能源發展的金風慧能基於英特爾統一的大資料分析和AI平臺 Analytics Zoo, 結合氣象資料打造多模型組合預測方案，踐行綠色環保新能源理念。
隨著清潔能源理念被廣泛接受，以風電、光伏為代表的可再生新能源開始在能源格局中扮演越來越重要的角色。來自國家能源局的資料顯示，僅 2019 年上半年，全國風電發電量同比增長 11.5%、光伏發電裝機量同比增長 20%1。
但與傳統能源不同，風電、光伏等新能源受環境因素影響很大，風能、日照的隨機性和波動性都會對電網的穩定性和安全性帶來嚴峻挑戰。不過隨著人工智慧 (Artificial Intelligence，AI)、物聯網、雲計算等新興技術更多地與新能源產業相融合，以智慧化手段來應對以上挑戰，正成為新能源企業面向未來，領跑綠色能源發展之路的首選。
矢志於引領新能源數字化、智慧化，致力於新能源物聯網系統和解決方案研發的北京金風慧能技術有限公司 (以下簡稱金風慧能) 就是這條道路上的重要領跑者之一。它正利用深度學習與機器學習的方法，結合風機級氣象預報、風軌跡模擬等氣象預報資料， 以多模型組合的方式來構建用於功率預測的全新智慧方案。為此，金風慧能與英特爾開展了緊密的合作，基於英特爾統一的大資料分析和 AI 平臺——Analytics Zoo，打造了從特徵工程搭建、預測影響因子捕捉、多模型組合到定製化策略更新的分散式架構， 並針對預測資料的時序特性進行了有針對性的最佳化。隨後的一系列場站測試中，雙方合力打造的全新方案也得到了驗證並收穫了良好的應用效果。
金風慧能全新智慧功率預測方案實現的優勢：
• 與傳統功率預測方案相比，結合氣象預報資料的多模型組合功率預測新方案，能獲得更有效的時序資料支撐，令預測準確率和穩定性更高；
• 英特爾統一的大資料分析和 AI 平臺 Analytics Zoo 為新方案提供了統一的端到端架構，可幫助使用者提高系統的開發部署效率和可擴充套件性，降低硬體與運維的成本；
• Analytics Zoo 在時序資料分析方面的獨特功能和優勢，為新方案提供了更優的預測效能，可使預測模型與發電裝置的實際輸出功率實現更好的擬合。
“金風慧能一直致力於將 IT 前沿技術與新能源的發展相融合，為使用者提供更為高效、敏捷的新能源解決方案。Analytics Zoo 所提供的統一端到端架構，及其在時序資料分析方面的優勢，不僅使我們結合氣象預報資料的多模型組合功率預測方案具有更敏捷的部署效率，在預測準確率、穩定性方面也能獲得較大提升。”
張利
首席架構師
金風慧能
以清潔為重要特點的風電、光伏等可再生能源如今越來越為大眾所青睞，但在其生產過程中，風速、風向、日照、氣溫、氣壓等環境因素，都會給電力系統帶來巨大影響，使發電裝置、併入電網都面臨執行效率、裝置安全等方面的問題。因此，對這些新能源的輸出功率開展預測，不僅有利於排程系統合理調整和最佳化發電計劃，改善電網調峰能力，更能減少棄風和棄光率，並降低其執行成本，幫助電力企業提升競爭力。
傳統上，電力企業會根據歷史資料以及人工經驗來實施功率預測，但這一方法往往存在準確率低、波動性大等弊端。隨著 IT 技術的不斷髮展，更多資訊化、數字化預測方法正逐漸被運用在功率預測中。尤其是更多 AI 演算法的湧現和更強算力的支撐，使得結合海量歷史資料樣本開展基於 AI 的智慧預測方法具備了落地的條件，例如支援向量機 (Support Vector Machine，SVM)、多層感知器 (Multi-Layer Perceptron，MLP) 等，已被實踐驗證可有效助力電力系統提升運作效率。
但在智慧功率預測領域有著深厚積累的金風慧能看來，現有的、基於 AI 的預測方法仍有很大的最佳化提升空間，其緣由一方面在於單一的深度學習或機器學習方法在準確率和穩定性方面還有待提升；另一方面則在於，預測系統所涉及的一系列模型構建過程，例如特徵工程搭建、短期、超短期線上/離線訓練等，也對電力企業的 IT 能力提出了挑戰。因此，金風慧能亟待引入新的技術，為行業使用者提供一個部署更為便捷、預測更為精確的新一代智慧功率預測方案。
結合氣象預報的多模型組合功率預測方案
通常，智慧功率預測流程可分為邊緣資料採集、儲存、治理，AI 訓練推理等模組。如圖一所示，在最左側，部署在風機、光伏逆變器處的邊緣感測器，會把現有的風速、溫度、功率、發電量等環境和生產執行資料透過網路傳送到資料中心進行儲存，而後在資料治理模組中進行有效資料的篩選，並使用相關的深度學習或機器學習框架，將篩選出的資料與歷史資料一起進行訓練和推理。最終得到的模型，將用於建立在未來一定時間內環境引數與功率、功率與功率、發電量與功率等元素間的對映關係。
圖一 傳統AI 功率預測流程
可以看到，傳統的 AI 功率預測，主要是透過單一人工智慧演算法模型，對環境引數、功率、發電量等資料樣本來進行訓練和推理。這一方法雖然可對較近的時間點 (15-30 分鐘內) 有準確的預測，但隨著預測時段變長，預測準確率也會隨之降低。而對於電力生產所需的功率預測系統而言，最常見的超短期預測也需要系統能預測 4 小時內的功率輸出，這意味著預測系統需要在未來 16 個時間點(每 15 分鐘計為一個時間點) 上，都保持出色的預測準確率和穩定性。
透過研究和實踐，金風慧能發現，在既有智慧預測系統中，只需匯入兩項技術即可有效提升預測的準確率和穩定性。首先， 是將功率預測與氣象預報相結合。由於傳統預測方法是一種“從已有功率資料去預測未來功率”的方案，因此其在時間維度上缺乏必要的資料支撐，而氣象預報資料則能有效地彌補這一短板，其時序性資料能令未來各個時間點的預測準確率都保持一致性；另一項技術是採用多模型組合方案，即根據實際需求，選取不同的深度學習或機器學習模型，分別與氣象預報資料進行組合，揚長補短，提升系統的預測準確率。
圖二 風機級氣象預報和風軌跡模擬
由此，功率預測也對氣象預報資料提出了更嚴格的引數和指標要求，例如更細微的空間解析度、更為定性及定量的特徵分析以及更穩定的預報精度。為此，金風慧能在新方案中與中國氣象局 (China Meteorological Administration，CMA)、歐洲氣象中心(European Centre，EC) 等權威機構合作，以集合預報的方式，來保證預報精度的穩定性。如圖二所示，新方案中，左圖風機級氣象預報尺度從常規的 9 公里細化到了 100 米的微尺度，而右圖中，對風軌跡的模擬則做到了明確的行進路線定量分析。
結合更高質量的氣象預報資料，金風慧能搭建了多模型組合的預測方案。首先，方案透過對海量資料進行挖掘，搭建特徵工程，並對與預測相關的影響因子，例如風速、風向、溫度等
圖三 結合氣象預報資料的多模型組合預測方案架構
進行捕捉。然後如圖三所示，方案將來自不同氣象預報源，例如中國氣象局、歐洲氣象中心的氣象預報資料與不同深度學習或機器學習演算法的引數相組合，形成諸如 SVM+CMA 的方法。
同時，新方案也可根據需要，形成更多的組合方法。各種組合方法中的演算法模型，也能夠不斷使用最新資料對其子模型進行訓練，從而完成子模型的定期自我學習、更新和淘汰，以不斷迭代的方式提升預測系統的準確率。
Analytics Zoo 助力分散式功率預測架構搭建
金風慧能新方案的主要優勢是與氣象預報資料進行了結合。眾所周知，氣象預報資料是一種典型的時序資料，其數值會隨著時間的變化而發生變化。因此，選擇更適用於時序資料處理的系統架構，無疑可進一步提升預測系統的準確性和穩定性，而英特爾統一的大資料分析和AI 平臺——Analytics Zoo，不僅可為方案提供統一的端到端分散式方案，幫助使用者提升系統的開發部署效率和可擴充套件性，同時其在時序資料分析方面的獨特功能和優勢也能為新方案提供更強助力。
作為英特爾在大資料分析與 AI 領域的融合型創新成果， Analytics Zoo 如圖四所示，可幫助金風慧能將新方案中的Spark、TensorFlow、Keras 及其它軟體和框架無縫整合到同一管道中。這一方法有助於金風慧能將資料儲存、資料處理以及訓練推理的流水線整合到統一的基礎設施上，來大幅提升新方案的部署效率、資源利用率和可擴充套件性，並減少用於硬體管理及系統運維的成本。
圖四 基於AnalyticsZoo 的分散式功率預測架構
同時，Analytics Zoo 還能卓有成效地將英特爾提供的眾多底層軟體加速庫，如英特爾 數學核心函式庫 (Intel Math Kernel Library，英特爾 MKL)、面向深度神經網路的英特爾 數學核心函式庫 (Intel Math Kernel Library for Deep Neural Network, 英特爾 MKL-DNN) 等，應用到上層功率預測方案的最佳化中去；並可將 TensorFlow、Keras 模型透明地擴充套件到大資料叢集，使使用者能更方便地在訓練或推理方案中採用分散式架構，以進一步提升效能表現。
在提供統一的端到端平臺架構之外，Analytics Zoo 給予新方案的優勢，還在於其提供了一系列與時序資料分析相關的功能和特性。首先，Analytics Zoo 對於不同時序分析應用，如時序預測、異常檢測、時序表徵學習、時序聚類等，都可提供完整的解決方案，便於金風慧能在新方案中構建更多的預測方法組合；其次，Analytics Zoo 針對時序資料預置了豐富的功能元件，包括：
• 功率預測常見的深度學習和機器學習模型：LSTM、Encoder- Decoder、MTNet、ARIMA 等；
• 功率預測中常用的資料預處理和特徵工程：Datetime features、Time diff、Log-transform、Rolling window 等；
• 功率預測中普遍的異常探測方法：Percentile、Distribution- based、Uncertainty based、Autoencoder 等。
除了以上元件，Analytics Zoo 還可為新方案提供 AutoML (自動機器學習) 方法，使之能夠進行自動化特徵選擇、模型選擇和超參調優等，令預測模型得以更好地擬合發電裝置輸出功率的變化週期。
為驗證基於 Analytics Zoo 的全新分散式功率預測方案在實際執行中的表現，金風慧能與英特爾一起，在全國多個光伏測試場站進行了實地測試。驗證方案以月為週期，在每一個測試的光伏場中，在單小時內使用 30,000 條記錄對 LSTNet 模型進行 5,000 次迭代最佳化，並在 50 毫秒內獲得未來 2 小時的功率預測資料。驗證結果如圖五所示，新方案在預測準確率上超越了原有方案的 59%，達到了 79.41%2。
圖五 金風慧能功率預測新舊方案對比
展望：從引領創新到加速實踐
金風慧能與英特爾透過協作，不僅開發出了更為完善、高效和精確的全新智慧功率預測方案，還已著手將它用於實踐。來自金風慧能的資料統計表明，在風電場中引入這種更為高效的AI 預測方案，能夠幫助電力企業顯著提升發電效率，為踐行綠色環保的新能源理念提供強有力的支撐。
未來，雙方還計劃在新能源智慧功率預測方案上開展更多、更深入的合作。一方面，金風慧能希望進一步基於 Analytics Zoo 搭建完整的資料治理平臺，最佳化資料質量；另一方面，雙方還計劃將新方案的驗證工作擴大到 100 個光伏場站，並拓展到風電功率預測場景，從而以更多的資料、更優的模型與方案，向用戶提供高質量、高可用的新能源智慧功率預測系統，為 IT 技術與綠色能源的融合與發展持續提供更多、更佳的創新與實踐。
