图源：图虫

编者按：本文来自微信公众号机器之心（ID： almosthuman2014），作者Synced，创业邦经授权转载。

2020 年 9 月，中国政府提出了 2060 年前实现碳中和的目标，此后，这一概念的热度节节攀升。「碳达峰」和「碳中和」也正式写进了 2021 年的《政府工作报告》，成为两会期间最热门的议题。

从目前的排放总量来看，中国已是全球碳排放第一大国。处于经济上升期、排放达峰期的现况让我们必须兼顾能源低碳转型和经济转型，统筹考虑约束碳排放和保持社会经济发展增速需求之间的矛盾。为了实现碳中和目标，各行各业，尤其是能源行业，都要付出更多的努力。

原本这些努力，与 IT 行业主导的 AI、大数据等技术或应用似乎是八杆子都打不着的关系。然而，就在能源革命悄悄开启的当下，数字化和智能化的技术驱动力还是悄然浮出了水面。

这两者会产生关联的原因其实很简单——在低碳经济的发展趋势下，以风电、光伏为代表的可再生新能源正在能源格局中扮演越来越重要的角色。来自国家能源局的数据显示，仅 2019 年上半年，全国风电发电量同比增长 11.5%、光伏发电装机量同比增长 20%。

然而，风电、光伏等新能源却很容易受到环境因素的限制：在其生产过程中，风速、风向、日照、气温、气压等环境因素，都会给电力系统带来巨大影响，使发电设备、 并入电网都面临运行效率、设备安全等方面的问题。

在这一特定背景下，功率预测系统的作用显得尤为重要。除能帮助电网调度系统合理调整和优化发电计划，改善电网调峰能力，还能减少弃风和弃光率，是产业真正实现降本增效的基础。

以往，通过历史资料以及人工经验来实施功率预测，往往存在准确率低、波动性大等弊端。因此在这场史无前例的大变革中，人工智能、物联网、云计算等新兴技术注定会成为幕后英雄。以智能化手段来应对以上挑战，也正在成为新能源企业面向未来，领跑绿色能源发展之路的首选。

金风慧能就是其中的领跑者之一。这家新能源数字化、智能化领域的专业服务提供商，结合风机级气象预报、风轨迹模拟等气象预报数据， 以多模型组合的方式构建了用于功率预测的全新智能方案，将预测的准确率提升了 20% 以上。

它的秘诀是什么？

在大数据和 AI 技术发展的助力下，基于 AI 的智能功率预测其实早就具备了充分的落地条件。但问题是：只单纯依靠海量历史数据样本，并且只采用单一的人工智能算法模型的方法，也早已面临「技穷」的局面，其预测准确率会随着预测时段变长而随之降低。

对于电力生产而言，最常见的超短期预测也要求系统预测 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。?

穷则思变，金风慧能通过研究和实践发现，在既有智能预测系统中，导入两项技术即可带来改观：

一是导入更多维度、更具价值的数据。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；

二是为更多维的数据匹配多模型组合的方案，便于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。

有了解决问题的法子，接下来就是思考如何实施。

第一步，要先「打通」大数据平台与 AI 应用，这是打造一个结合海量历史数据与气象预报数据，并以多模型组合方式运行的全新智能功率预测方式所必需的，但要在大量分布式数据节点上打通大数据平台与 AI 模型、框架和优化方法，也不是件容易事儿。为此，金风慧能与英特尔展开了紧密合作。

Analytics Zoo 是英特尔专门针对打通大数据平台与 AI 任务这一挑战开发并开源的解决方案，也是英特尔至强平台在软件和系统级优化上的重要组成部分。它能帮助多数企业用户现在普遍使用的、基于至强处理器的大数据平台上，直接背靠其积累的海量数据无缝部署 AI 应用。这一过程既不需要分别构建大数据平台和 AI 平台，免去将「大吨位」数据在不同平台间腾挪所消耗的高昂成本，也无需更换大数据平台的基础设施。

文章来源：《大数据》 网址: http://www.dsjzz.cn/zonghexinwen/2021/0512/2209.html