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( 三 )

进行捕捉。然后如图三所示，方案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。
同时，新方案也可根据需要，形成更多的组合方法。各种组合方法中的算法模型，也能够不断使用最新数据对其子模型进行训练，从而完成子模型的定期自我学习、更新和淘汰，以不断迭代的方式提升预测系统的准确率。
AnalyticsZoo助力分布式功率预测架构搭建
金风慧能新方案的主要优势是与气象预报数据进行了结合。众所周知，气象预报数据是一种典型的时序数据，其数值会随着时间的变化而发生变化。因此，选择更适用于时序数据处理的系统架构，无疑可进一步提升预测系统的准确性和稳定性，而英特尔统一的大数据分析和AI平台——AnalyticsZoo ，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，同时其在时序数据分析方面的独特功能和优势也能为新方案提供更强助力。
作为英特尔在大数据分析与AI领域的融合型创新成果， AnalyticsZoo如图四所示，可帮助金风慧能将新方案中的Spark、TensorFlow、Keras及其它软件和框架无缝集成到同一管道中。这一方法有助于金风慧能将数据存储、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，来大幅提升新方案的部署效率、资源利用率和可扩展性，并减少用于硬件管理及系统运维的成本。

文章图片
图四基于AnalyticsZoo的分布式功率预测架构
同时， AnalyticsZoo还能卓有成效地将英特尔提供的众多底层软件加速库，如英特尔?数学核心函数库(Intel?MathKernelLibrary ，英特尔?MKL)、面向深度神经网络的英特尔?数学核心函数库(Intel?MathKernelLibraryforDeepNeuralNetwork,英特尔?MKL-DNN)等，应用到上层功率预测方案的优化中去；并可将TensorFlow、Keras模型透明地扩展到大数据集群，使用户能更方便地在训练或推理方案中采用分布式架构，以进一步提升性能表现。
在提供统一的端到端平台架构之外， AnalyticsZoo给予新方案的优势，还在于其提供了一系列与时序数据分析相关的功能和特性。首先， AnalyticsZoo对于不同时序分析应用，如时序预测、异常检测、时序表征学习、时序聚类等，都可提供完整的解决方案，便于金风慧能在新方案中构建更多的预测方法组合；其次， AnalyticsZoo针对时序数据预置了丰富的功能组件，包括：
?功率预测常见的深度学习和机器学习模型：LSTM、Encoder-Decoder、MTNet、ARIMA等；
?功率预测中常用的数据预处理和特征工程：Datetimefeatures、Timediff、Log-transform、Rollingwindow等；
?功率预测中普遍的异常探测方法：Percentile、Distribution-based、Uncertaintybased、Autoencoder等。
除了以上组件， AnalyticsZoo还可为新方案提供AutoML(自动机器学习)方法，使之能够进行自动化特征选择、模型选择和超参调优等，令预测模型得以更好地拟合发电设备输出功率的变化周期。
为验证基于AnalyticsZoo的全新分布式功率预测方案在实际运行中的表现，金风慧能与英特尔一起，在全国多个光伏测试场站进行了实地测试。验证方案以月为周期，在每一个测试的光伏场中，在单小时内使用30,000条记录对LSTNet模型进行5,000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。验证结果如图五所示，新方案在预测准确率上超越了原有方案的59% ，达到了79.41%2 。