闖入新能源領域，英特爾軟硬兼施，依托至強平臺集成 AI 技術加速布局新能源發電智能功率預測，助力電力企業顯著提升發電效率。

　　以風力發電、光伏發電為主的可再生新能源在智能電網體系的比重越來越重要。

　　據國家能源局新能源數據顯示，截至 2020 年上半年，全國風電和光伏發電累計裝機量分別為 2.17 億千瓦、2.16 億千瓦。

　　在全球綠色低碳轉型的趨勢下，以風電、光伏為代表的新能源還將保持擴大的態勢，裝機規模不斷增長。

　　雖然新能源發電已相對成熟并被廣泛應用，但相較于傳統火電廠，仍具有較強的隨機性與波動性，大規模并入電網時將會對電網的穩定造成巨大影響。如果能提前預測功率及發電量，合理調節發電與并網負荷，將保證電網的穩定性。

　　一、能源之變：人工智能加速新能源發電

　　能源是社會發展的基石，隨著社會的快速發展，人類對能源的需求不斷增加，以清潔為重要特點的風電、光伏等可再生能源越來越為大眾所青睞。

　　據國家能源局的數據顯示，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%。

　　在眾多可再生能源中，風能以其直接獲取、取用不盡、發電污染小等優點備受青睞。

　　不過，與常規能源發電相比，以風力發電、光伏發電為主的新能源在發電生產過程中容易受到風速、風向、日照、氣溫、氣壓等環境因素的影響，其隨機性、波動性與不可控性比較大。大規模新能源并入電網會給系統的穩定運行以及電力調度帶來巨大挑戰。

　　如何將通過大規模新能源發出來的電接入電網高效輸送并使用，成為一大難題。

　　因此，新能源功率的準確預測正是解決上述困難的有效方法之一。

　　以風電功率為例，其指的是以風電場的歷史功率、歷史風速、地形地貌、數值天氣預報及風力發電機組運行狀態等數據建立風電場輸出功率的預測模型。

　　早在 2011 年，國家就針對風電場的發電功率預測技術參數進行了明確規定，要求風電場進行風電功率預測并制定發電計劃。風電功率預測已成為風電場并接入電網的必要條件之一。

　　根據中國國家能源局發布的《風電場功率預測預報管理暫行辦法》，要求風電日預測曲線最大誤差小于 25%，實時預測誤差小于 15%，全天預測結果的均方根誤差小于 20%。

　　在風電功率預測當中，重點在于，需要對風電功率的不確定性進行精細化建模，中間又需要克服數據誤差造成的影響。

　　功率預測誤差的影響因素包括預測模型、數值天氣預報精度、氣象數據、數據采集與處理等。這些誤差的存在，成為風電功率預測的最大對手。

　　通常而言，風電功率預測的一般過程包括了數據分析、建模與預測三大部分，最終需要從海量數據中提取數學模型并進行數據預測。

　　因此，引入以人工智能為方法的預測手段，能夠降低和消除誤差，并以較低成本實現高準確度的風電功率預測。

　　要實現人工智能對新能源發電功率預測的賦能，軟硬件配套設備兼備必不可少。AI 算法和更強算力的支撐使得基于 AI 的智能預測方法具備落地條件。

　　而基于強大算力支持的軟硬設備既能提高對大數據的處理速度，又能確保預測的準確性。而英特爾正是當中的實力派。

　　二、功率預測助手：Analytics Zoo 加持，準確率 79.41%

　　基于 AI 的新能源發電功率預測，最終目的是幫助電力企業顯著提升發電效率。但在傳統的 AI 功率預測辦法當中，主要是通過單一人工智能算法模型，對環境參數、功率、發電量等數據樣本進行訓練和推理。

　　這一辦法僅適用于短時間的預測，隨著預測時段變長，預測準確率也會隨之降低。

　　在智能功率預測領域有長期積累與沉淀的金風慧能看來，實現高效電力功率預測的關鍵在于，一方面，要將功率預測與氣象預報相結合，以彌補時間維度的缺陷，確保時序性數據與預測準確率的一致性。另一方面，采用多模型組合方案，替代單一模型，提升系統的預測準確率。

　　基于此，金風慧能聯合英特爾，以英特爾統一的大數據分析和 AI 平臺 Analytics Zoo 為紐帶，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數據，以多模型組合的方式來構建用于功率預測的全新智能方案。

　　首先是精準的氣象預報數據。為了保證預測的準確度，金風慧能與中國氣象局、歐洲氣象中心等權威機構合作，以集合預報的方式，來保證預報精度的穩定性。例如，在新方案中，金風慧能將氣象預報的精準由常規的 9 公里細化到 100 米。

　　圖：風機級氣象預報和風軌跡模擬，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。

　　其次金風慧能搭建了多模型組合的預測方案，挖掘海量數據，搭建特征工程，并分析與預測相關的影響因素，例如風速、風向、溫度等等。

　　圖：結合氣象預報數據的多模型組合預測方案架構，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數據與不同深度學習或機器學習算法的參數相組合，形成諸如 SVM+CMA 的方法。

　　在此過程中，基于英特爾統一的大數據分析和 AI 平臺 Analytics Zoo，金風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，有助于將數據存儲、數據處理以及訓練推理的流水線整合到統一的基礎設施上，減少用于硬件管理及系統運維的成本。

　　Analytics Zoo 不僅可為方案提供統一的端到端分布式方案，幫助用戶提升系統的開發部署效率和可擴展性，還可在時序數據分析方面提供更強助力。

　　金風慧能與英特爾在全國多個光伏測試場進行驗證后發現，新方案在預測準確率上超越了原有方案的 59%，達到了 79.41%。

　　以月為周期，在每一個測試的光伏場中，金風慧能在單小時內使用 3 萬條記錄對 LSTNet 模型進行 5000 次迭代優化，并在 50 毫秒內獲得未來 2 小時的功率預測數據。

　　最終，英特爾與金風慧能合作的全新智能功率預測方案實踐表明，在風電場中引入這種 AI 預測方案，能夠幫助電力企業顯著提升發電效率。

　　三、軟硬件「風火輪」：英特爾至強平臺集成 AI 技術加速

　　助力金風慧能打造智能功率預測方案，是英特爾 AI 技術落地新能源發電領域的重要一環。

　　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，金風慧能還將基于 Analytics Zoo 搭建完整的數據治理平臺，優化數據質量。

　　實際上，在開展以數據中心轉型伊始，英特爾希望通過連接存儲與計算全方位能力來加速人工智能應用落地，打通數據、開發和部署的閉環。

　　在數據環節，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可擴展處理器，用于加速計算流程；英特爾傲騰？ 持久內存則能夠將更多數據保存在靠近 CPU 的位置，進而實現更多實時處理。而英特爾傲騰 ? 固態盤，則能夠實現經濟高效的高容量數據存儲。

　　在開發環節，英特爾架構已能夠支持企業中的大多數機器學習，讓企業可以輕松地在熟悉的現有通用環境中實施新的人工智能工作負載。

　　隨著人工智能技術逐步深入各行各業。英特爾以軟硬件兼施的方式，在至強可擴展平臺上，集成各類人工智能技術加速，幫助企業根據自身的業務需求和 IT 環境拓展其人工智能應用。

　　四、展望：加速新能源智能化轉型

　　據《可再生能源發展 “十三五” 規劃》，在 “十三五” 時期我國再生能源應用規模將進一步擴大，風電和太陽能多元化利用將協調開發到 2020 年底我國風電并網裝機容量達到 2.1 億 kW 以上，太陽能發電達到 1.1 億 kW 以上。

　　這意味著，可再生能源發電在智能電網體系的比重越來重要。準確地預測可再生能源發電功率對緩解電網調峰壓力、減少電力系統備用容量配置、提高電網可再生能源接納能力等起到重要作用。

　　對光伏、風電等新能源的輸出功率開展預測，不僅有利于調度系統合理調整和優化發電計劃，改善電網調峰能力，更能減少棄風和棄光率，并降低其運行成本，幫助電力企業提升競爭力。

　　在國內，新能源電力公司參考預測功率來決定其報價。新能源功率預測，能夠為電力市場交易提供決策依據。在一些大型新能源場站，如海上風電場，也要開展功率預測工作，根據預測發電能力參與市場競爭。

　　伴隨以新能源為主的電力系統的變革，引入人工智能解決方案，對新能源智能功率預測有著重要意義。英特爾以軟硬兼施，至強平臺集成 AI 技術加速的方式布局新能源，促進能源行業智能化發展。