闖進新能源領域，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，推動電力企業明顯提高發電效率。
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，截止2020年上半年，全省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。
在全球紅色低碳變革的趨勢下，以風電、光伏為代表的新能源還將保持擴大的態勢，裝機規模不斷下降。
盡管新能源發電已相對成熟并被廣泛應用，但相較于傳統火電站，仍具有較強的隨機性與波動性，大規模劃歸電網時將會對電網的穩定導致巨大影響。倘若能提早預測功率及發電量，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降低，以清潔為重要特征的風電、光伏等可再生能源越來越為大眾所追捧。
據國家能源局的數據顯示，僅2019年上半年，全省風電發電量環比下降11.5%、光伏發電裝機量環比下降20%。
在諸多可再生能源中，生物質能以其直接獲取、取用不盡、發電污染小等優點深受追捧。
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遭到風速、風向、日照、氣溫、氣壓等環境誘因的影響，其隨機性、波動性與不可控性比較大。大規模新能源劃歸電網會給系統的穩定運行以及電力調度帶來巨大挑戰。
怎樣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，成為一大困局。
為此，新能源功率的確切預測正是解決上述困難的有效方式之一。
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構建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晰規定，要求風電場進行風電功率預測并制訂發電計劃。風電功率預測已成為風電場并接入電網的必要條件之一。
按照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偏差大于25%，實時預測偏差大于15%，全天預測結果的均方根偏差大于20%。
在風電功率預測當中，重點在于，須要對風電功率的不確定性進行精細化建模，中間又須要克服數據偏差導致的影響。
功率預測偏差的影響誘因包括預測模型、數值天氣預報精度、氣象數據、數據采集與處理等。這種偏差的存在，成為風電功率預測的最大對手。
一般而言，風電功率預測的通常過程包括了數據剖析、建模與預測三大部份，最終須要從海量數據中提取物理模型并進行數據預測。
為此，引入以人工智能為方式的預測手段，才能減少和清除偏差，并以較低成本實現高確切度的風電功率預測。
要實現人工智能對新能源發電功率預測的賦能，軟硬件配套設備兼具必不可少。AI算法和更強算力的支撐促使基于AI的智能預測方式具備落地條件。
而基于強悍算力支持的軟硬設備既能提升對大數據的處理速率，又能確保預測的確切性。而英特爾正是當中的實力派。
二、功率預測助手：Zoo加持，確切率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明顯提高發電效率。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，預測確切率也會急劇減少。
在智能功率預測領域有常年積累與沉淀的金風惠能看來，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，以填補時間維度的缺陷，確保時序性數據與預測確切率的一致性。另一方面，采用多模型組合方案，取代單一模型，提高系統的預測確切率。
基于此，金風惠能聯合英特爾，以英特爾統一的大數據剖析和AI平臺Zoo為紐帶，借助深度學習與機器學習的方式，結合風機級氣象預報、風軌跡模擬等氣象預報數據，以多模型組合的形式來建立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。為了保證預測的確切度，金風惠能與中國氣象局、歐洲氣象中心等權威機構合作，以集合預報的形式，來保證預報精度的穩定性。比如，在新方案中，金風惠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，而下圖中，對風軌跡的模擬則做到了明晰的行進路線定量剖析。
其次金風惠能搭建了多模型組合的預測方案，挖掘海量數據，搭建特點工程，并剖析與預測相關的影響誘因，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構架，將來自不同氣象預報源，比如中國氣象局、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，產生例如SVM+CMA的方式。
在此過程中，基于英特爾統一的大數據剖析和AI平臺Zoo，金風惠能可以將新方案中的Spark、、Keras及其軟件和框架無縫集成到同一管線中。
在這一路徑的過程中，有助于將數據儲存、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風電功率預測與消納策略，降低用于硬件管理及系統運維的成本。
Zoo除了可為方案提供統一的端到端分布式方案，幫助用戶提高系統的開發布署效率和可擴充性，還可在時序數據剖析方面提供更強推動。
金風惠能與英特爾在全省多個光伏測試場進行驗證后發覺，新方案在預測確切率上趕超了原有方案的59%，達到了79.41%。
以月為周期風電功率預測與消納策略，在每一個測試的光伏場中，金風惠能在單小時內使用3萬條記錄對模型進行5000次迭代優化，并在50微秒內獲得未來2小時的功率預測數據。
最終，英特爾與金風惠能合作的全新智能功率預測方案實踐表明，在風電場中引入這些AI預測方案，才能幫助電力企業明顯提高發電效率。
三、軟硬件「風火輪」：英特爾至強平臺集成AI技術加速
推動金風惠能構建智能功率預測方案，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，金風惠能還將基于Zoo搭建完整的數據整治平臺，優化數據質量。
實際上，在舉辦以數據中心變革伊始，英特爾希望通過聯接儲存與估算全方位能力來加速人工智能應用落地，打通數據、開發和布署的閉環。
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。
比如，基于第二代英特爾至強可擴充處理器，用于加速估算流程；英特爾傲騰?持久顯存則還能將更多數據保存在緊靠CPU的位置，從而實現更多實時處理。而英特爾傲騰?固態盤，則才能實現經濟高效的高容量數據儲存。
在開發環節，英特爾構架已才能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施行新的人工智能工作負載。
隨著人工智能技術逐漸深入各行各業。英特爾以軟硬件兼施的方法，在至強可擴充平臺上，集成各種人工智能技術加速，幫助企業依據自身的業務需求和IT環境拓展其人工智能應用。
四、展望：加速新能源智能化變革
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，風電和太陽能多樣化借助將協調開發到2020年末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。確切地預測可再生能源發電功率對減輕電網調峰壓力、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舉辦預測，除了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，更能降低棄風和棄光率，并減少其運行成本，幫助電力企業提高競爭力。
在國外，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，還能為電力市場交易提供決策根據。在一些小型新能源場站，如海上風電場，也要舉辦功率預測工作，依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改革，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技術加速的方法布局新能源，推動能源行業智能化發展。