Durch Die Integration Von Supercomputing Und Intelligentem Computing Hat Das Team Der Chinesischen Akademie Der Wissenschaften Ein Mehrzeitskaliges Photovoltaik-Leistungsvorhersagemodell Entwickelt, Das Meteorologische Daten Integrieren Kann

Auf der 20. CCF National High Performance Computing Academic Annual Conference (CCF HPC China 2024) – Intelligent Supercomputing Fusion Technology Forum in Numerical Simulation Engineering Applications,Wan Meng, ein Ingenieur der Abteilung für künstliche Intelligenz des Computernetzwerk-Informationszentrums der Chinesischen Akademie der Wissenschaften, stellte die praktischen Anwendungen und Methoden des Teams im Bereich der Photovoltaik-Stromerzeugung und Stromlast sowie die neuesten Forschungstrends im Bereich Deep Learning im Bereich der Zeitreihenvorhersage vor und lieferte neue technische Ideen und Methoden für die Vorhersage neuer Energien.

HyperAI hat diesen ausführlichen Austausch zusammengestellt und zusammengefasst, ohne die ursprüngliche Absicht zu verletzen.Es ist in vier Teile gegliedert: Zeitreihen, Überblick über den Hintergrund neuer Energien, Forschungsgrundlagen und Forschungsfortschritt.Nachfolgend finden Sie die Abschrift der Rede.

Zeitreihen haben ein breites Anwendungsspektrum und decken viele Aspekte ab

Die von uns untersuchten Zeitreihen sollen dazu dienen, wissenschaftliche Vorhersagen und Urteile über zukünftige Entwicklungstrends oder Zustände bestimmter Objekte zu ermöglichen.In unserem wirklichen Leben werden Zeitreihen häufig verwendet und decken viele Aspekte ab, wie etwa Verkehrsfluss, Finanzökonomie, meteorologisches Wetter, Virusübertragung und Energie.

Die aktuellen Forschungsrichtungen zu Zeitreihen gliedern sich im Wesentlichen in vier Teile.Teil 1 ist die Zeitreihen-Zukunftsvorhersage,Wir können zukünftige Abläufe auf der Grundlage der uns bekannten historischen Abläufe vorhersagen, darunter Photovoltaikprognosen, Wettervorhersagen, Aktienprognosen usw.Der zweite Teil ist das Füllen von Zeitreihenlücken.Hierzu gehören die Überwachung der öffentlichen Meinung, Sensorausfälle, die Wartung von Industrieanlagen usw. Beispielsweise können Sensorausfälle in industriellen Szenarien zum Verlust einiger Betriebsdaten führen.Der dritte Teil ist die Anomalieerkennung von Zeitreihen (Zeitreihen abnormaler Verkehr).Dies ist auch ein sehr häufiges Phänomen im Netzwerkverkehr, wie z. B. anormale Netzwerkangriffe, anormale Umgebungsüberwachung und Identifizierung von Finanzbetrug.Teil 4 ist die Klassifizierung von Zeitreihen.Beispielsweise EKG-Klassifizierung, Sprachklassifizierung und Erdbebenüberwachung in der Medizin.

Als Nächstes werden wir die wesentlichen Unterschiede zwischen Zeitreihen und traditionellen Sprachreihen untersuchen. Menschliche Sprachsequenzen bestehen normalerweise aus Sätzen, die diskrete Darstellungen mit hoher semantischer Dichte sind. Im Gegensatz,Zeitreihen bestehen zumeist aus natürlichen Signalen, die kontinuierliche numerische Punkte enthalten können und deren Hauptmerkmal eine relativ geringe semantische Dichte ist.

Der Widerspruch zwischen der Schwierigkeit, während der Mittagspause Strom aufzunehmen, und der knappen Stromversorgung während der Abendspitzen ist deutlich, und die neue Energieprognose steht vor drei großen Herausforderungen

Bei der Diskussion über die Lösung dieses Problems werde ich mich auf die Forschungsfortschritte unseres Teams im Bereich der Zeitreihen neuer Energien konzentrieren, insbesondere auf die Vorhersage der Stromerzeugungsleistung durch Photovoltaik.

Da die Stromerzeugung durch Photovoltaik die Eigenschaft hat, mittags viel Strom zu erzeugen, nachts jedoch fast keine Leistung abzugeben, wird die Regulierung des gesamten Stromsystems schwieriger. Besonders am Nachmittag wird es schwieriger, neue Energie aufzunehmen und auch die Stromversorgung ist während der abendlichen Spitzenzeiten angespannt. Dieser Widerspruch ist besonders deutlich. Daher ist die Nachfrage nach genauen Prognosen zur PV-Stromerzeugung für die Ausarbeitung von Day-Ahead-Stromerzeugungsplänen, die Anpassung von Intraday-Strombilanzen und den Betrieb des Strommarktes beispiellos hoch.

Allerdings gibt es derzeit drei große Herausforderungen bei der Prognose neuer Energien.Erstens genügen numerische Wettervorhersagen derzeit nicht den Anforderungen an hochpräzise Vorhersagen für Photovoltaikkraftwerke. Zweitens reichen zentralisierte Modelle für Photovoltaikkraftwerke nicht aus, um Leistungsschwankungen zu beschreiben, und lassen sich nur schwer an die Vorhersageanforderungen unter verschiedenen Zeit- und Wetterbedingungen anpassen. Drittens fehlen bei verteilten Photovoltaikkraftwerken Daten zur Bodenbestrahlungsstärke und die Verteilung der zeitlichen und räumlichen Merkmale ist unzureichend, sodass Vorhersagen über mehrere Zeitskalen hinweg nicht möglich sind.

Aufbau eines mehrzeitskaligen Leistungsvorhersagemodells für zentrale und dezentrale Photovoltaikkraftwerke

Angesichts einer Reihe von Herausforderungen haben wir eine Reihe von Modellforschungsplänen vorgeschlagen, um ein Leistungsvorhersagemodell mit mehreren Zeitskalen für zentralisierte Photovoltaikkraftwerke und verteilte Photovoltaik zu erstellen.Wir sammelten zunächst meteorologische Daten aus mehreren Quellen, die Daten verschiedener Zeitskalen und meteorologischer Typen abdecken,Einschließlich Satellitenwolkenbildern, numerischen Wettervorhersagedaten, Bodenmessdaten und Messdaten von Photovoltaikkraftwerken.

Zweitens haben wir basierend auf diesen Daten ein Bestrahlungsstärkevorhersagemodell auf der vorherigen Ebene erstellt.Wird zur Steuerung ultrakurzfristiger Prognosen für zentrale und dezentrale Photovoltaikkraftwerke verwendet.Auf dieser Grundlage haben wir Prognosemodelle für ultrakurzfristige, mittelfristige, kurzfristige und andere Zeitskalen erstellt. Schließlich haben wir eine Prognoseplattform für den gesamten Zeitrahmen erstellt.

Meteorologische Daten aus mehreren Quellen

Zunächst wird das Ultrakurzzeit-Vorhersagemodell der Oberflächen-Solarstrahlung für Photovoltaikkraftwerke entwickelt.Das Hauptproblem besteht derzeit darin, dass numerische Wettervorhersagen normalerweise alle 12 Stunden aktualisiert werden und ihre räumliche Auflösung und Genauigkeit gering sind. Dies macht es schwierig, die räumlichen und zeitlichen Auflösungsanforderungen von Vorhersagen für Photovoltaikkraftwerke zu erfüllen.

Um dieses Problem zu lösen,Wir haben Himawari-8-Satellitenwolkenbilder mit numerischen Wettervorhersagedaten kombiniert.Das Wolkenbild von Sunflower-8 hat eine räumliche Auflösung von 4 km x 4 km und eine zeitliche Auflösung von 10 Minuten, es gibt jedoch eine Verzögerung von 20 Minuten. Die zeitliche Auflösung der numerischen Wettervorhersage beträgt 15 Minuten, die räumliche Auflösung 9 km x 9 km und die Aktualisierungshäufigkeit beträgt alle 12 Stunden.

Radiosity-Vorhersagemodell

Angesichts dieser Unterschiede haben wir ein Ultrakurzzeit-Vorhersagemodell entwickelt und verschiedene Interpolationsmethoden verwendet, um meteorologische Daten aus mehreren Quellen parallel auszurichten und so das Problem der Datenverzögerung zu lösen.Durch die Verwendung der auf Res-UNet und bilinearer Interpolation basierenden Methode zur Vorhersage der kurzwelligen Oberflächenbestrahlungsstärke haben wir den MAE und RMSE der Vorhersagen unter verschiedenen meteorologischen Bedingungen um durchschnittlich 31,31% bzw. 22,18% reduziert. Die Abbildung unten rechts zeigt einen tatsächlichen Fall der Donghuang CDI-Station im Kreis Shexian, Provinz Hebei. Die Ergebnisse zeigen, dass Res-UNet den Jitter und den Spitzenwert der Bestrahlungsstärke genauer vorhersagen kann als NWP und UNet.

Modell zur Vorhersage der Photovoltaikleistung

Die Probleme des Ultrakurzfrist-Vorhersagemodells für zentralisierte Photovoltaik-Kraftwerke liegen vor allem darin, dass es sich stark auf numerische Wettervorhersagen stützt und nicht genau genug ist.Um dieses Problem zu lösen, schlagen wir eine zentralisierte Methode zur Vorhersage der ultrakurzfristigen Leistung von Photovoltaikanlagen auf der Grundlage dualcodierter Konverter vor.Durch die Kombination von Bodenbeobachtungsdaten mit Daten zu Wolkenänderungseigenschaften in Satellitenbildern von Wolken wird die Beschränkung der Photovoltaik-Vorhersage aufgehoben, die ausschließlich auf numerischen Wettervorhersagedaten beruht.

Bei der kurzfristigen Leistungsprognose zentralisierter Photovoltaikkraftwerke ist der Vorhersagefehler eines einzelnen Modells groß und wird leicht durch plötzliche Wetterereignisse beeinflusst.Zu diesem Zweck haben wir eine zentralisierte Methode zur kurzfristigen Leistungsvorhersage bei Photovoltaikanlagen vorgeschlagen, die auf einem Time-Sharing-Netzwerk mit langem Kurzzeitgedächtnis basiert.Die umfassende Nutzung historischer meteorologischer Daten wie Einstrahlung, Umgebungstemperatur, Luftfeuchtigkeit und der Zeitkorrelationseigenschaften der Photovoltaik-Stromerzeugung löst das Problem, dass sich ein einzelnes Vorhersagemodell nur schwer an komplexe und veränderliche meteorologische Bedingungen anpassen lässt, und verbessert effektiv die Vorhersagegenauigkeit unter komplexen meteorologischen Bedingungen.

Bei mittel- und langfristigen Prognosen besteht die größte Herausforderung darin, die saisonalen, zyklischen und langfristigen Trendänderungen bei der Stromerzeugung aus Photovoltaik zu erfassen.Zur Lösung dieses Problems schlagen wir eine zentralisierte Methode zur mittelfristigen Leistungsprognose für Photovoltaik vor, die auf einem Dual Attention Encoder basiert und periodische, saisonale und trendmäßige meteorologische Kenndaten umfassend nutzt.Es ermöglicht die genaue Erfassung verschiedener Jahreszeiten und kontinuierlicher Mehrzeitmerkmale und ist das erste System, das die automatische Extraktion von Zeitreihenzyklen und Trends realisiert. Die entsprechenden Ergebnisse wurden auf der AAAI-Konferenz veröffentlicht.
Papieradresse:
https://ojs.aaai.org/index.php/AAAI/article/view/25845

Die Hauptprobleme bei Vorhersagemodellen für den gesamten Zeitmaßstab für verteilte PV-Kraftwerke sind ihr kleiner Maßstab, ihre weite Verbreitung und der Mangel an genauen meteorologischen Beobachtungsdaten vor Ort. Die aktuellen Vorhersagemodelle berücksichtigen die räumlich-zeitliche Fusion von Daten aus mehreren Quellen nicht vollständig, was zu einer unzureichenden Genauigkeit führt.Zu diesem Zweck haben wir Leistungsvorhersagemodelle für verteilte Photovoltaikkraftwerke für den ultrakurzfristigen, kurzfristigen bzw. mittelfristigen Zeitraum vorgeschlagen.

Wir haben außerdem einen mehrschichtigen Graph-Aufmerksamkeitsmechanismus vorgeschlagen,Extrahieren Sie automatisch die räumlich-zeitliche Korrelation zwischen massiven verteilten Photovoltaikkraftwerken und den gemessenen meteorologischen Daten und Satellitenwolkenbildern der umliegenden zentralen Photovoltaikkraftwerke.Es wird ein verteiltes, auf einem Dual Attention Network basierendes Modell zur kurzfristigen Leistungsvorhersage bei Photovoltaikanlagen vorgeschlagen.Durch den Intra-Station- und Inter-Station-Aufmerksamkeitsmechanismus werden die numerischen Wettervorhersagedaten von verteilten Kraftwerken und die Bodenmessdaten von zentralisierten Photovoltaikkraftwerken integriert, um die Fusion geografischer Raummerkmale im Vorhersagemodell zu erreichen.Es wird eine Methode zur mittelfristigen Prognose der verteilten Photovoltaikleistung vorgeschlagen, die auf einem geobewussten mehrschichtigen Aufmerksamkeitsmechanismus basiert.Die stark korrelierten zentralen Photovoltaikkraftwerke werden durch eine Graukorrelationsanalyse gefiltert und der mehrstufige, feinkörnige Aufmerksamkeitsmechanismus zwischen und innerhalb von Stationen wird übernommen, um automatisch die räumlich-zeitliche Korrelation zwischen den meteorologischen Eigenschaften zentraler Photovoltaikkraftwerke und der Leistung verteilter Photovoltaikkraftwerke zu extrahieren.

Umfassende Plattform

Schließlich haben wir eine Systemplattform zur Überwachung, Vorhersage und Steuerung von Strahlungsressourcen und Photovoltaik-Stromerzeugung auf Provinzebene mit allen Spannungsebenen und mehreren Zeitskalen entwickelt, einschließlich eines Funktionsmoduls zur Überwachung von Photovoltaik-Ressourcen und Betriebsdaten, eines Funktionsmoduls zur zentralisierten Vorhersage der gesamten Zeitskala für Photovoltaik, eines Funktionsmoduls zur verteilten Vorhersage der gesamten Zeitskala für Photovoltaik und eines Funktionsmoduls zur integrierten Steuerung von Photovoltaik.
* Funktionsmodul zur Überwachung von Photovoltaik-Ressourcen und Betriebsdaten: Ermöglicht die Messung und Anzeige meteorologischer Daten sowie die Panoramaüberwachung zentralisierter Photovoltaik-Kraftwerke und massiver verteilter Niederspannungs-Photovoltaikanlagen.
* Zentralisiertes Funktionsmodul zur Vorhersage des Photovoltaik-Vollzeitmaßstabs: ermöglicht Echtzeitüberwachung, Warnung bei Anomalien, Selbstlernen des Modells usw. des Photovoltaik-Vollzeitmaßstabs.
* Funktionsmodul zur Vorhersage verteilter Photovoltaik im gesamten Zeitmaßstab: realisiert NWP-Datenverwaltung, Messdaten von Photovoltaikstationen, Basisdatenverwaltung, regionale Leistungsvorhersage, Leistungsvorhersage von Photovoltaikstationen, Systemverwaltung und andere Funktionen.
* Integriertes Steuerungsfunktionsmodul für Photovoltaik: ermöglicht eine umfassende Datenüberwachung und koordinierte Optimierungsplanung, kombiniert zentralisierte und verteilte Vorhersage, automatische Anpassung und Optimierung, Anomalieerkennung und Alarm, um einen sicheren und stabilen Betrieb des Stromnetzes und einen hohen Verbrauch neuer Energie zu gewährleisten.

Zwei große Fortschritte bei Zeitreihen im Bereich der nicht-neuen Energien

Als nächstes werde ich hauptsächlich den Fortschritt der Zeitreihenarbeit in nicht-neuen Energiefeldern vorstellen.Einerseits haben wir ein allgemeines verlustfreies Komprimierungsframework basierend auf semantischer Verbesserung und Multi-Stream-Pipeline vorgeschlagen, das hauptsächlich drei Forschungsinhalte umfasst: semantische Verbesserung des Byte-Streams, Beschleunigung der Multi-Stream-Pipeline und Optimierung des Videospeichers.

Im Hinblick auf die semantische Verbesserung von Byte-Streams haben wir eine Reihe neuer Methoden zur Gewinnung komplexer semantischer Informationen entwickelt, darunter Patch-Dimensionsfusion und adaptive Sliding-Window-Techniken.

Im Hinblick auf die Multi-Stream-Pipeline-Beschleunigung haben wir ein Multi-Stream-Beschleunigungsmodul für GPU-Multireplikations-Engines und ein Warteschlangenmodell für CPU-Multi-Cores entwickelt.

Im Hinblick auf die Videospeicheroptimierung haben wir erstmals eine Strategie zur Videospeicheroptimierung in Multi-Stream-Szenarien vorgeschlagen. Insbesondere verwenden wir zunächst einen Profiler, um die Reihenfolge der Speicherzuweisungen und -freigaben zu analysieren und so Speicherblöcke zu identifizieren, die gemeinsam genutzt werden können. Wir konzentrieren uns auf die wenigen Speicherblöcke, die den größten Teil des Speichers belegen, um die Speicherwiederverwendung zu maximieren.

Auf dieser Grundlage entwickeln wir eine Shared-Pool-Strategie zur Verwaltung gemeinsam genutzter Speicherblöcke zwischen Flows. Die dabei verwendeten großen kontinuierlichen Speicherblöcke werden wieder an den Shared Pool freigegeben und als reservierte Blöcke gekennzeichnet. Der nächste blockierte Fluss kann auf diese reservierten Blöcke zugreifen, indem er seine Zeiger an die Adressen dieser Blöcke anpasst. Wenn S2 neuen Speicherplatz anfordert, sucht es im gemeinsam genutzten Pool nach verfügbaren reservierten Blöcken. Wenn geeignete Chunks gefunden werden, verwendet malloc sie im nächsten Stream erneut, was zu erheblichen Speichereinsparungen führt.

Unsere wichtigsten Erfolge sind:Bei Deep-Learning-Kompressoren beträgt die durchschnittliche Komprimierungsrate mehr als 3% und die Komprimierungsgeschwindigkeit wird bei Bildern, Texten, Audio, Video und heterogenen Mischdaten um mehr als 35% verbessert. In Kombination mit dem PAC-Kompressor erreicht es das aktuelle SOTA; Die Methode zur semantischen Verbesserung kann auf Aufgaben wie Zeitreihen erweitert werden, um die Genauigkeit der Zeitreihenvorhersage weiter zu verbessern. Die Multi-Stream-Pipeline-Beschleunigung kann auf Bereiche wie verlustbehaftete Komprimierung erweitert werden, um die Gesamtkomprimierungsgeschwindigkeit zu verbessern.

Andererseits schlagen wir ein mehrskaliges Modell CSIformer für allgemeine Zeitreihen vor.Zunächst haben wir ein adaptives Patch-Partitionierungsnetzwerk entwickelt, um traditionelle Hyperparameter automatisch anzupassen, indem wir den Mittelpunkt sowie die linken und rechten Grenzen lernen. Darüber hinaus haben wir auch eine adaptive Stride-Strategie vorgeschlagen, die die Maskenmatrix verwendet, um den Stride von Blöcken mit unterschiedlichen semantischen Dichten anzupassen. Um die Erfassung und Wahrnehmung langer Sequenzinformationen zu verbessern, haben wir schließlich auch eine Pyramidenfusionsstrategie entwickelt, um die Leistung des Modells in langen Sequenzen zu verbessern.

Bei mehrstufigen Sequenzzerlegungsmodellen für die PV-Prognose konzentrieren wir uns auf die Wavelet-Zerlegungseinheit (WTDU), die saisonale Trendzerlegungseinheit (STDU) und die SEEDTrans-Architektur.Es ist bemerkenswert, dass das Modell die Vorhersagegenauigkeit im Vergleich zum herkömmlichen ARIMA-Modell in 6 Kraftwerken in Hebei, China, um mehr als 40% verbessert.

Informationen Wanmeng

Wan Meng ist Doktorand an der University of Science and Technology Beijing und derzeit Ingenieur in der Abteilung für künstliche Intelligenz des Computer Network Information Center der Chinesischen Akademie der Wissenschaften. Er erhielt seinen Bachelor- und Masterabschluss in Software Engineering von der Beijing University of Posts and Telecommunications bzw. der University of Southampton in Großbritannien.

Er beschäftigt sich hauptsächlich mit der Forschung im Zusammenhang mit Zeitreihenprognosen und Plattformen für künstliche Intelligenz, einschließlich der Vorhersage der Verarbeitung von Photovoltaik-Strom, der Berechnung und Simulation von Polymermaterialien und dem ökologischen Kohlenstoffkreislauf. Er hat an Projekten wie „Aufbau eines chinesischen Cloud-Software-Ressourcenpools für Wissenschaft und Technologie“ und „Innovative Anwendung künstlicher Intelligenz“ teilgenommen.

Wan Mengs E-Mail-Adresse:wanmengdamon@cnic.cn