من خلال دمج الحوسبة الفائقة والحوسبة الذكية، قام فريق الأكاديمية الصينية للعلوم ببناء نموذج للتنبؤ بالطاقة الكهروضوئية متعدد النطاق يمكنه دمج بيانات الأرصاد الجوية

في المؤتمر السنوي العشرين للأكاديمية الوطنية للحوسبة عالية الأداء (CCF HPC China 2024) - منتدى تكنولوجيا دمج الحوسبة الفائقة الذكية في تطبيقات هندسة المحاكاة العددية،شارك وان مينج، وهو مهندس من قسم الذكاء الاصطناعي بمركز معلومات شبكات الكمبيوتر التابع للأكاديمية الصينية للعلوم، التطبيقات العملية والمنهجيات المتراكمة لدى الفريق في مجال توليد الطاقة الكهروضوئية وحمل الطاقة، بالإضافة إلى اتجاهات البحث المتطورة في التعلم العميق في مجال التنبؤ بالسلاسل الزمنية، مما يوفر أفكارًا وطرقًا تقنية جديدة للتنبؤ بالطاقة الجديدة.

**لقد قامت HyperAI بتجميع وتلخيص هذه المشاركة المتعمقة دون انتهاك النية الأصلية.****وينقسم إلى أربعة أجزاء: السلسلة الزمنية، ونظرة عامة على الخلفية المتعلقة بالطاقة الجديدة، وأساس البحث، وتقدم البحث.**وفيما يلي نص الخطاب:

تتمتع السلاسل الزمنية بمجموعة واسعة من التطبيقات، وتغطي العديد من الجوانب

تهدف السلسلة الزمنية التي ندرسها إلى إجراء تنبؤات وأحكام علمية حول اتجاهات التطور المستقبلية أو حالات الأشياء المحددة.في حياتنا الواقعية، تُستخدم السلاسل الزمنية على نطاق واسع، حيث تغطي العديد من الجوانب مثل تدفق حركة المرور، والاقتصاد المالي، والطقس، وانتقال الفيروسات، والطاقة.

**تنقسم اتجاهات البحث الحالية في السلاسل الزمنية بشكل رئيسي إلى أربعة أجزاء.****الجزء الأول هو التنبؤ بالمستقبل من خلال سلسلة زمنية،**يمكننا التنبؤ بالتسلسلات المستقبلية استنادًا إلى التسلسلات التاريخية المعروفة لدينا، بما في ذلك توقعات الطاقة الكهروضوئية، وتوقعات الطقس، وتوقعات الأسهم، وما إلى ذلك.**والجزء الثاني هو ملء فجوة السلسلة الزمنية.**ويشمل ذلك مراقبة الرأي العام، وفشل المستشعر، وصيانة المعدات الصناعية، وما إلى ذلك. على سبيل المثال، قد يؤدي فشل المستشعر في السيناريوهات الصناعية إلى فقدان بعض بيانات التشغيل.**الجزء الثالث هو اكتشاف الشذوذ في السلاسل الزمنية (حركة المرور غير الطبيعية في السلاسل الزمنية).**وهذه أيضًا ظاهرة شائعة جدًا في حركة مرور الشبكة، مثل هجمات الشبكة غير الطبيعية، ومراقبة البيئة غير الطبيعية، وتحديد الاحتيال المالي.**الجزء الرابع هو تصنيف السلاسل الزمنية.**على سبيل المثال، تصنيف تخطيط القلب، وتصنيف الكلام، ومراقبة الزلازل في الطب.

بعد ذلك، سوف نستكشف الاختلافات الهامة بين السلاسل الزمنية والسلاسل اللغوية التقليدية. تتكون تسلسلات اللغة البشرية عادة من الجمل، والتي هي عبارة عن تمثيلات منفصلة ذات كثافة دلالية عالية. في المقابل،تتكون السلاسل الزمنية في الغالب من إشارات طبيعية، والتي قد تحتوي على نقاط رقمية مستمرة، وتتميز بشكل أساسي بكثافة دلالية منخفضة نسبيًا.

يبرز التناقض بين صعوبة امتصاص الكهرباء خلال فترة الغداء وقلة إمدادات الكهرباء خلال ذروة المساء، وتواجه توقعات الطاقة الجديدة ثلاثة تحديات رئيسية

عند مناقشة كيفية حل هذه المشكلة، سأركز على التقدم البحثي الذي أحرزه فريقنا في اتجاه الطاقة الجديدة المتسلسلة زمنياً، وتحديداً التنبؤ بإنتاجية توليد الطاقة الكهروضوئية.

نظرًا لأن توليد الطاقة الكهروضوئية يتميز بتوليد قدر كبير من الطاقة عند الظهيرة وعدم إنتاج أي طاقة تقريبًا في الليل، فإن ذلك يزيد من صعوبة تنظيم نظام الطاقة بأكمله. وخاصة في فترة ما بعد الظهر، يصبح من الصعب استيعاب الطاقة الجديدة، كما يواجه التيار الكهربائي خلال فترة الذروة المسائية توتراً أيضاً. وهذا التناقض بارز بشكل خاص. ومن ثم، فإن الطلب على توقعات دقيقة بشأن توليد الطاقة الكهروضوئية قوي بشكل غير مسبوق من أجل صياغة خطط توليد الطاقة اليومية، وتعديل موازنات الطاقة اليومية، وتشغيل سوق الطاقة.

**ومع ذلك، هناك حاليا ثلاثة تحديات رئيسية في التنبؤ بالطاقة الجديدة.**أولا، لا تلبي التنبؤات الجوية الرقمية حاليا احتياجات التنبؤات عالية الدقة لمحطات الطاقة الكهروضوئية؛ ثانياً، إن نماذج محطات الطاقة الكهروضوئية المركزية ليست كافية لوصف تقلبات الطاقة، كما يصعب تكييفها مع احتياجات التنبؤ في ظل ظروف جوية وأوقات متعددة؛ ثالثًا، تفتقر محطات الطاقة الكهروضوئية الموزعة إلى بيانات الإشعاع الأرضي، كما أن توزيع الخصائص الزمنية والمكانية غير كافٍ، مما يجعل من المستحيل تلبية التوقعات على نطاق زمني متعدد.

بناء نموذج للتنبؤ بالطاقة على نطاق زمني متعدد لمحطات الطاقة الكهروضوئية المركزية ومحطات الطاقة الكهروضوئية الموزعة

في مواجهة سلسلة من التحديات، اقترحنا عددًا من خطط البحث النموذجية لبناء نموذج للتنبؤ بالطاقة على نطاق زمني متعدد لمحطات الطاقة الكهروضوئية المركزية والطاقة الكهروضوئية الموزعة.لقد جمعنا أولاً البيانات الجوية من مصادر متعددة**، التي تغطي بيانات من مقاييس زمنية مختلفة وأنواع الأرصاد الجوية،**بما في ذلك صور السحب التي تلتقطها الأقمار الصناعية، وبيانات التنبؤات الجوية الرقمية، وبيانات القياسات الأرضية، وبيانات القياس لمحطات الطاقة الكهروضوئية.

**ثانياً، بناءً على هذه البيانات، قمنا ببناء نموذج للتنبؤ بالإشعاع على الطبقة السابقة.****يتم استخدامه لتوجيه التوقعات قصيرة المدى للغاية لمحطات الطاقة الكهروضوئية المركزية والموزعة.**وعلى هذا الأساس، قمنا ببناء نماذج التنبؤ لفترات زمنية قصيرة للغاية ومتوسطة وقصيرة الأجل وغيرها من المقاييس الزمنية. وأخيرًا، قمنا ببناء منصة تنبؤ على نطاق كامل.

بيانات الأرصاد الجوية متعددة المصادر

**أولاً، تم تطوير نموذج التنبؤ قصير المدى للإشعاع الشمسي السطحي لمحطات الطاقة الكهروضوئية.**المشكلة الرئيسية في الوقت الحاضر هي أن التوقعات الجوية الرقمية يتم تحديثها عادة كل 12 ساعة، ودقتها ودقتها المكانية منخفضة، مما يجعل من الصعب تلبية متطلبات الدقة المكانية والزمانية لتوقعات محطات الطاقة الكهروضوئية.

لحل هذه المشكلة،**لقد قمنا بدمج صور السحب الملتقطة بواسطة القمر الصناعي Himawari-8 مع بيانات التنبؤ بالطقس الرقمية.**صورة سحابة عباد الشمس 8 لها دقة مكانية 4 كم * 4 كم ودقة زمنية 10 دقائق، ولكن هناك تأخير لمدة 20 دقيقة. الدقة الزمنية للتنبؤات الجوية الرقمية هي 15 دقيقة، والدقة المكانية هي 9 كم * 9 كم، وتردد التحديث هو مرة واحدة كل 12 ساعة.

نموذج التنبؤ بالإشعاعية

**وفي مواجهة هذه الاختلافات، قمنا بتطوير نموذج تنبؤ قصير المدى للغاية واستخدمنا مجموعة متنوعة من أساليب الاستيفاء لمحاذاة البيانات الجوية متعددة المصادر بشكل متوازي لحل مشكلة تأخير البيانات.**وباستخدام طريقة التنبؤ بإشعاع الموجة القصيرة السطحية القائمة على Res-UNet والاستيفاء الخطي الثنائي، قمنا بتقليل MAE وRMSE للتنبؤات بمعدل 31.31% و22.18% على التوالي في ظل ظروف جوية مختلفة. يوضح الشكل الموجود في أسفل اليمين حالة حقيقية لمحطة دونغهوانغ CDI في مقاطعة شيشيان بمقاطعة خبي. تظهر النتائج أن Res-UNet يمكنه التنبؤ بالاهتزاز وقيمة الذروة للإشعاع بشكل أكثر دقة من NWP و UNet.

نموذج التنبؤ بالطاقة الكهروضوئية

وتكمن المشاكل المتعلقة بنموذج التنبؤ قصير الأمد لمحطات الطاقة الكهروضوئية المركزية بشكل رئيسي في اعتماده الكبير على التنبؤات الجوية الرقمية وافتقاره إلى الدقة.**ولمعالجة هذه المشكلة، نقترح طريقة مركزية للتنبؤ بالطاقة الكهروضوئية قصيرة المدى تعتمد على محولات ثنائية التشفير.**يؤدي الجمع بين بيانات المراقبة الأرضية وبيانات خصائص تغير السحب في صور السحب الملتقطة عبر الأقمار الصناعية إلى كسر قيود التنبؤ بالطاقة الشمسية التي تعتمد فقط على بيانات التنبؤ بالطقس العددي.

فيما يتعلق بالتنبؤ بالطاقة قصيرة المدى لمحطات الطاقة الكهروضوئية المركزية، فإن خطأ التنبؤ لنموذج واحد كبير ويتأثر بسهولة بالأحداث الجوية المفاجئة.**ولتحقيق هذه الغاية، اقترحنا طريقة مركزية للتنبؤ بالطاقة الكهروضوئية قصيرة المدى تعتمد على شبكة ذاكرة قصيرة المدى طويلة الأمد.**إن الاستخدام الشامل للبيانات الجوية التاريخية مثل الإشعاع ودرجة الحرارة المحيطة والرطوبة وخصائص الارتباط الزمني لتوليد الطاقة الكهروضوئية يحل مشكلة صعوبة تكييف نموذج التنبؤ الفردي مع الظروف الجوية المعقدة والمتغيرة، ويحسن بشكل فعال دقة التنبؤ في ظل الظروف الجوية المعقدة.

بالنسبة للتنبؤات المتوسطة والطويلة الأجل، فإن التحدي الرئيسي هو كيفية التقاط التغيرات الموسمية والدورية وطويلة الأجل في اتجاهات توليد الطاقة الكهروضوئية.**ولحل هذه المشكلة، نقترح طريقة مركزية للتنبؤ بالطاقة الكهروضوئية متوسطة المدى تعتمد على مشفر الاهتمام المزدوج، والذي يستخدم بشكل شامل البيانات المميزة للأرصاد الجوية الدورية والموسمية والاتجاهية.**ويحقق التقاطًا دقيقًا للمواسم المختلفة والميزات المستمرة متعددة الأوقات، وهو الأول الذي يحقق الاستخراج التلقائي لدورات السلاسل الزمنية والاتجاهات. وقد تم نشر النتائج ذات الصلة في مؤتمر AAAI.
عنوان الورقة: https://ojs.aaai.org/index.php/AAAI/article/view/25845

تتمثل المشاكل الرئيسية في نماذج التنبؤ على نطاق كامل لمحطات الطاقة الكهروضوئية الموزعة في نطاقها الصغير وانتشارها الواسع وافتقارها إلى بيانات دقيقة للمراقبة الجوية في الموقع. لا تأخذ نماذج التنبؤ الحالية بعين الاعتبار بشكل كامل الاندماج المكاني الزمني للبيانات متعددة المصادر، مما يؤدي إلى عدم كفاية الدقة.ولتحقيق هذه الغاية، اقترحنا نماذج للتنبؤ بطاقة محطات الطاقة الكهروضوئية الموزعة على المدى القصير للغاية، والمدى القصير، والمدى المتوسط على التوالي.

**لقد اقترحنا أيضًا آلية انتباه الرسم البياني متعدد الطبقات،**استخراج الارتباط المكاني الزمني تلقائيًا بين محطات الطاقة الكهروضوئية الضخمة الموزعة والبيانات الجوية المقاسة وصور السحب عبر الأقمار الصناعية من محطات الطاقة الكهروضوئية المركزية المحيطة؛**تم اقتراح نموذج للتنبؤ بالطاقة الكهروضوئية الموزعة على المدى القصير يعتمد على شبكة الاهتمام المزدوج.**من خلال آلية الاهتمام داخل المحطة وبين المحطات، يتم دمج بيانات التنبؤ العددي بالطقس لمحطات الطاقة الموزعة وبيانات القياس الأرضي لمحطات الطاقة الكهروضوئية المركزية لتحقيق اندماج الميزات المكانية الجغرافية في نموذج التنبؤ؛**تم اقتراح طريقة للتنبؤ بالطاقة الكهروضوئية الموزعة متوسطة المدى تعتمد على آلية الاهتمام متعدد الطبقات الجغرافية.**يتم فحص محطات الطاقة الكهروضوئية المركزية المترابطة بقوة من خلال تحليل الارتباط الرمادي، ويتم اعتماد آلية الاهتمام الدقيقة متعددة المستويات بين المحطات وداخلها لاستخراج الارتباط المكاني الزمني تلقائيًا بين الخصائص الجوية لمحطات الطاقة الكهروضوئية المركزية وقوة محطات الطاقة الكهروضوئية الموزعة.

منصة شاملة

أخيرًا، قمنا بتطوير منصة نظام مراقبة وتوقع ومراقبة موارد الإشعاع الإقليمية وتوليد الطاقة الكهروضوئية مع مستويات جهد كاملة ومقاييس زمنية متعددة، بما في ذلك وحدة وظيفة مراقبة بيانات تشغيل وموارد الطاقة الكهروضوئية، ووحدة وظيفة التنبؤ بالمقياس الزمني الكامل للطاقة الكهروضوئية المركزية، ووحدة وظيفة التنبؤ بالمقياس الزمني الكامل للطاقة الكهروضوئية الموزعة ووحدة وظيفة التحكم المتكاملة للطاقة الكهروضوئية. * وحدة وظيفة مراقبة بيانات موارد الطاقة الكهروضوئية وتشغيلها: تنفذ قياس وعرض البيانات الجوية، والمراقبة البانورامية لمحطات الطاقة الكهروضوئية المركزية وأنظمة الطاقة الكهروضوئية الموزعة ذات الجهد المنخفض.
* وحدة وظيفة التنبؤ بالمقياس الكامل للطاقة الكهروضوئية المركزية: تحقق المراقبة في الوقت الفعلي، والتحذير غير الطبيعي، والتعلم الذاتي للنموذج، وما إلى ذلك للمقياس الكامل للطاقة الكهروضوئية.
* وحدة وظيفة التنبؤ بالطاقة الكهروضوئية الموزعة على نطاق كامل: تحقق إدارة بيانات التنبؤ العددي بالطاقة، وبيانات قياس محطة الطاقة الكهروضوئية، وإدارة البيانات الأساسية، والتنبؤ بالطاقة الإقليمية، والتنبؤ بطاقة محطة الطاقة الكهروضوئية، وإدارة النظام والوظائف الأخرى.
* وحدة التحكم المتكاملة في الطاقة الكهروضوئية: تحقق مراقبة شاملة للبيانات وجدولة التحسين المنسقة، وتجمع بين التنبؤ المركزي والموزع، والتعديل التلقائي والتحسين، واكتشاف الشذوذ والإنذار، لضمان التشغيل الآمن والمستقر لشبكة الطاقة والاستهلاك العالي المستوى للطاقة الجديدة.

تقدمان رئيسيان في سلسلة زمنية في مجال الطاقة غير الجديدة

وبعد ذلك، سأقدم بشكل رئيسي التقدم المحرز في العمل على سلسلة زمنية في مجالات الطاقة غير الجديدة.من ناحية أخرى، اقترحنا إطار عمل عام للضغط بدون فقدان يعتمد على التحسين الدلالي وخط الأنابيب متعدد التدفقات، والذي يتضمن بشكل أساسي ثلاثة محتويات بحثية: التحسين الدلالي لتدفق البايت، وتسريع خط الأنابيب متعدد التدفقات، وتحسين ذاكرة الفيديو.

من حيث تعزيز الدلالات لتدفق البايتات، قمنا بتطوير سلسلة من الأساليب الجديدة للحصول على معلومات دلالية معقدة، بما في ذلك دمج أبعاد التصحيح وتقنيات نافذة الانزلاق التكيفية.

من حيث تسريع خط الأنابيب متعدد التدفقات، قمنا بتطوير وحدة تسريع متعددة التدفقات لمحركات التكرار المتعددة لوحدة معالجة الرسومات ونموذج قائمة انتظار لوحدات المعالجة المركزية متعددة النواة.

من حيث تحسين ذاكرة الفيديو، اقترحنا لأول مرة استراتيجية لتحسين ذاكرة الفيديو في سيناريوهات التدفقات المتعددة. على وجه التحديد، نستخدم أولاً أداة تحليل لتحليل ترتيب تخصيصات الذاكرة وإلغاء تخصيصها لتحديد كتل الذاكرة التي يمكن مشاركتها. نحن نركز على كتل الذاكرة القليلة التي تشغل معظم الذاكرة لتحقيق أقصى قدر من إعادة استخدام الذاكرة.

وبناءً على ذلك، نقوم بتصميم استراتيجية تجمع مشترك لإدارة كتل الذاكرة المشتركة بين التدفقات، ويتم إصدار كتل الذاكرة المستمرة الكبيرة التي تستخدمها مرة أخرى إلى التجمع المشترك ووضع علامة عليها ككتل محجوزة؛ يمكن للتدفق المحظور التالي الوصول إلى هذه الكتل المحجوزة عن طريق ضبط مؤشراته إلى عناوين هذه الكتل. عندما يطلب S2 مساحة ذاكرة جديدة، فإنه يبحث عن الكتل المحجوزة المتوفرة في المجموعة المشتركة. إذا تم العثور على أجزاء مناسبة، فسوف يقوم malloc بإعادة استخدامها في التدفق التالي، مما يؤدي إلى توفير كبير في الذاكرة.

**إنجازاتنا الرئيسية هي:**بالنسبة لضاغطات التعلم العميق، فإن معدل الضغط المتوسط أكبر من 3% ويتم تعزيز سرعة الضغط بأكثر من 35% على الصور والنصوص والصوت والفيديو والبيانات المختلطة غير المتجانسة. عند دمجه مع ضاغط PAC، فإنه يصل إلى SOTA الحالي؛ يمكن توسيع نطاق طريقة التحسين الدلالي لتشمل مهام مثل السلاسل الزمنية لتحسين دقة التنبؤ بالسلاسل الزمنية بشكل أكبر؛ يمكن توسيع تسريع خط الأنابيب متعدد التدفقات إلى مجالات مثل الضغط الخاسر لتحسين سرعة الضغط الإجمالية.

**ومن ناحية أخرى، نقترح نموذج CSIformer متعدد المقاييس للسلاسل الزمنية العامة.**أولاً، قمنا بتصميم شبكة تقسيم تصحيحية قابلة للتكيف للتكيف تلقائيًا مع المعلمات الفائقة التقليدية من خلال تعلم نقطة المركز والحدود اليمنى واليسرى. بالإضافة إلى ذلك، اقترحنا أيضًا استراتيجية Stride التكيفية، والتي تستخدم مصفوفة القناع لضبط خطوة الكتل ذات الكثافات الدلالية المختلفة. أخيرًا، من أجل تعزيز التقاط وإدراك معلومات التسلسل الطويل، قمنا أيضًا بتصميم استراتيجية دمج هرمي لتحسين أداء النموذج في التسلسلات الطويلة.

**من حيث نماذج تحلل التسلسل متعدد المستويات للتنبؤ بالطاقة الشمسية، فإننا نركز على وحدة تحلل الموجات (WTDU)، ووحدة تحلل الاتجاه الموسمي (STDU)، وهندسة SEEDTrans.**ومن الجدير بالذكر أن النموذج يحسن دقة التنبؤ بما يزيد عن 40% مقارنة بنموذج ARIMA التقليدي في 6 محطات طاقة في خبي بالصين.

نبذة عن وانمينغ

وان مينغ هو طالب دكتوراه في جامعة العلوم والتكنولوجيا في بكين وهو حاليا مهندس في قسم الذكاء الاصطناعي في مركز معلومات شبكات الكمبيوتر التابع للأكاديمية الصينية للعلوم. حصل على درجة البكالوريوس والماجستير في هندسة البرمجيات من جامعة بكين للبريد والاتصالات وجامعة ساوثهامبتون في المملكة المتحدة على التوالي.

يشارك بشكل أساسي في الأبحاث المتعلقة بالتنبؤ بالسلاسل الزمنية ومنصات الذكاء الاصطناعي، بما في ذلك التنبؤ بمعالجة توليد الطاقة الكهروضوئية، وحساب ومحاكاة المواد البوليمرية، ودورة الكربون البيئية. شارك في مشاريع مثل "بناء مجموعة موارد البرمجيات السحابية للعلوم والتكنولوجيا في الصين" و"التطبيق المبتكر للذكاء الاصطناعي".

عنوان البريد الإلكتروني لـ Wan Meng:[email protected]