导语：清洁能源时代|用大数据+AI抓住每一缕风，助力智能功率预测( 二 )

但在智能功率预测领域有着深厚积累的金风慧能看来，现有的、基于AI的预测方法仍有很大的优化提升空间，其缘由一方面在于单一的深度学习或机器学习方法在准确率和稳定性方面还有待提升；另一方面则在于，预测系统所涉及的一系列模型构建过程，例如特征工程搭建、短期、超短期在线/离线训练等，也对电力企业的IT能力提出了挑战。因此，金风慧能亟待引入新的技术，为行业用户提供一个部署更为便捷、预测更为精确的新一代智能功率预测方案。
结合气象预报的多模型组合功率预测方案
通常，智能功率预测流程可分为边缘数据采集、存储、治理， AI训练推理等模块。如图一所示，在最左侧，部署在风机、光伏逆变器处的边缘传感器，会把现有的风速、温度、功率、发电量等环境和生产运行数据通过网络传送到数据中心进行存储，而后在数据治理模块中进行有效数据的筛选，并使用相关的深度学习或机器学习框架，将筛选出的数据与历史数据一起进行训练和推理。最终得到的模型，将用于建立在未来一定时间内环境参数与功率、功率与功率、发电量与功率等元素间的映射关系。

文章图片
图一传统AI功率预测流程
可以看到，传统的AI功率预测，主要是通过单一人工智能算法模型，对环境参数、功率、发电量等数据样本来进行训练和推理。这一方法虽然可对较近的时间点(15-30分钟内)有准确的预测，但随着预测时段变长，预测准确率也会随之降低。而对于电力生产所需的功率预测系统而言，最常见的超短期预测也需要系统能预测4小时内的功率输出，这意味着预测系统需要在未来16个时间点(每15分钟计为一个时间点)上，都保持出色的预测准确率和稳定性。
通过研究和实践，金风慧能发现，在既有智能预测系统中，只需导入两项技术即可有效提升预测的准确率和稳定性。首先，是将功率预测与气象预报相结合。由于传统预测方法是一种“从已有功率数据去预测未来功率”的方案，因此其在时间维度上缺乏必要的数据支撑，而气象预报数据则能有效地弥补这一短板，其时序性数据能令未来各个时间点的预测准确率都保持一致性；另一项技术是采用多模型组合方案，即根据实际需求，选取不同的深度学习或机器学习模型，分别与气象预报数据进行组合，扬长补短，提升系统的预测准确率。

文章图片
图二风机级气象预报和风轨迹模拟
由此，功率预测也对气象预报数据提出了更严格的参数和指标要求，例如更细微的空间分辨率、更为定性及定量的特征分析以及更稳定的预报精度。为此，金风慧能在新方案中与中国气象局(ChinaMeteorologicalAdministration ， CMA)、欧洲气象中心(EuropeanCentre ， EC)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。如图二所示，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。
结合更高质量的气象预报数据，金风慧能搭建了多模型组合的预测方案。首先，方案通过对海量数据进行挖掘，搭建特征工程，并对与预测相关的影响因子，例如风速、风向、温度等

文章图片
图三结合气象预报数据的多模型组合预测方案架构