スーパーコンピューティングとインテリジェント コンピューティングを統合して、中国科学院のチームは、気象データを統合できる太陽光発電の複数時間スケールの電力予測モデルを構築しました。

第 20 回 CCF 全国ハイパフォーマンス コンピューティング学術年次会議 (CCF HPC China 2024) - 数値シミュレーション エンジニアリング アプリケーションにおけるインテリジェント スーパーコンピューティング融合技術フォーラムで、中国科学院コンピュータネットワーク情報センター人工知能部門のエンジニアであるWan Meng氏は、太陽光発電と電気負荷の分野でチームが蓄積してきた実用的なアプリケーションと手法ソリューション、そして最先端の研究を共有しました。時系列予測分野におけるディープラーニングのトレンドを調査し、新しいエネルギー予測の技術的アイデアと手法を提供します。

HyperAI Super Neural は、この詳細な共有を、当初の意図に違反することなく編集し、要約しました。時系列、新エネルギー背景概要、研究根拠、研究進捗の4部に分かれています。以下は講演の書き起こしです。

時系列は広く使用されており、多くの側面をカバーしています

私たちが研究する時系列は、特定のオブジェクトの将来の発展傾向や状態について科学的な予測と判断を行うことを目的としています。私たちの実生活では、時系列が広く使用されており、交通の流れ、金融経済、気象、ウイルスの蔓延、エネルギーなどの多くの側面をカバーしています。

現在の時系列研究の方向性は主に4つに分かれています。第1部は時系列未来予測、将来のシーケンスは、太陽光発電予測、天気予報、株式予測など、私たちが知っている過去のシーケンスに基づいて予測できます。パート 2 は一時的なヌル埋め込みです。世論の監視、センサーの故障、産業機器のメンテナンスなどが含まれます。たとえば、産業シナリオにおけるセンサーの故障は、一部の運用データの損失につながります。第3部は時系列の異常検知（時系列異常トラフィック）、これは、異常なネットワーク攻撃、異常な環境監視、金融詐欺の特定など、ネットワーク トラフィックにおいて非常に一般的な現象でもあります。パート 4 は時系列の分類であり、たとえば、医学における心電図分類、音声分類、地震監視などです。

次に、時系列と従来の言語シーケンスとの大きな違いを調べます。人間の言語シーケンスは通常、意味密度の高い離散表現である文で構成されます。対照的に、時系列はほとんどが自然信号で構成されており、連続した数値点が含まれる場合があり、その主な特徴は意味密度が比較的低いことです。

日中の消費困難と夕方のピーク時の電力供給逼迫との矛盾が浮き彫りとなり、新エネルギー予測は3つの大きな課題に直面している

この問題をどのように解決するかを議論する際に、私たちのチームが時系列新エネルギーに向けた研究を進めていることに焦点を当てたいと思います。具体的な内容は、太陽光発電の出力予測です。

太陽光発電は、昼には多くの発電量があり、夜間には出力がほとんどなくなるという特性があるため、電力システム全体の制御の難易度が高まります。特に午後は新エネルギーの消費が厳しくなり、同時に夕方のピーク時間帯の電力供給も逼迫する傾向にある。そのため、前日の発電計画の策定や日中の電力バランスの調整、電力市場の運営などにおいて、太陽光発電の発電量予測の精度に対する要求はこれまでになく高まっています。

しかし、現在、新エネルギー予測には 3 つの重要な課題が直面しています。1 つ目は、数値的な気象予測が現時点では高精度の太陽光発電所の予測ニーズを満たしていないこと、2 つ目は、集中型太陽光発電所モデルは電力変動を記述するには不十分であり、複数の時間と天候の下での予測ニーズに適応することが難しいことです。第三に、分散型太陽光発電所には地面が不足している。放射照度データの時空間特徴分布が不十分であり、複数時間スケールの予測を満たしていない。

集中型太陽光発電所と分散型太陽光発電所のマルチタイムスケール電力予測モデルの構築

一連の課題に直面して、私たちは集中型太陽光発電所と分散型太陽光発電所のためのマルチタイムスケールの電力予測モデルの構築を目的とした多くのモデル研究計画を提案しました。私たちは初めて複数のソースの気象データを収集しました、さまざまな時間スケールと気象タイプのデータをカバーし、衛星雲画像、数値天気予報データ、地上計測データ、太陽光発電所計測データなど。

次に、これらのデータに基づいて、上位層で放射照度予測モデルを構築し、集中型および分散型太陽光発電所の超短期予測をガイドするために使用されます。これに基づいて、さらに超短期、中期、短期などの時間スケールの予測モデルを構築しました。最後に、フルタイムスケールの予測プラットフォームを構築しました。

複数ソースの気象データ

まず、太陽光発電所の地表日射量の超短期予測モデルについては、現在の主な問題は、数値天気予報は通常 12 時間ごとに更新され、その空間分解能と精度が低く、太陽光発電所の予測に必要な空間的および時間的分解能を満たすことが困難であることです。

この問題を解決するには、ひまわり8号衛星雲画像と数値天気予報データを組み合わせます。Kuihua 8 号の雲画像は空間解像度が 4km*4km、時間解像度が 10 分ですが、20 分の遅れが生じます。数値天気予報の時間分解能は15分、空間分解能は9km*9km、更新頻度は12時間に1回です。

放射予測モデル

これらの違いに直面して、私たちは超短期予測モデルを開発し、複数の内挿法を使用して複数ソースの気象データを並行して調整し、データ遅延の問題を解決しました。Res-UNet と双線形補間に基づく表面短波放射照度予測手法により、さまざまな気象条件下で予測された MAE と RMSE は、それぞれ平均 31.31% と 22.18% 減少しました。右下の写真は、河北省社県にある東黄中国電力投資施設の実際の事例を示しています。この結果は、Res-UNet が NWP や UNet よりも放射照度のジッターとピーク値をより正確に予測できることを示しています。

太陽光発電予測モデル

集中型太陽光発電所の超短期予測モデルの問題点は、主に数値気象予測への依存度の高さと精度不足に表れています。この問題に対処するために、デュアルコーディングコンバータに基づいた集中型太陽光発電の超短期電力予測方法を提案します。地上観測データと衛星雲画像の雲変化特性データを組み合わせることで、数値天気予報データのみに依存する太陽光発電予測の限界を打ち破ることができます。

集中型太陽光発電所の短期電力予測は、単一モデルの予測誤差が大きく、突発的な天候の影響を受けやすい。この目的のために、我々は、時分割長期短期記憶ネットワークに基づく集中型太陽光発電短期電力予測方法を提案する。日射量、周囲温度、湿度、太陽光発電の時間相関特性などの過去の気象データを包括的に利用することで、複雑で変化する気象条件に単一の予測モデルを適応させることが難しいという問題を解決し、予測精度を効果的に向上させます。複雑な気象条件。

中長期の予測においては、太陽光発電の季節的、周期的、長期的なトレンド変化をいかに捉えるかが大きな課題となります。この問題を解決するために、我々は、周期的、季節的および傾向の気象特性データを包括的に使用するデュアルアテンションエンコーダに基づく集中型太陽光発電の中期電力予測手法を提案します。さまざまな季節と連続した複数時間の特徴を正確に捕捉し、時系列のサイクルとトレンドを自動的に抽出する点で先陣を切ります。関連する結果は AAAI カンファレンスで発表されています。
用紙のアドレス:
https://ojs.aaai.org/index.php/AAAI/article/view/25845

分散型太陽光発電所のフルタイムスケール予測モデルの主な問題は、規模が小さく、広範囲に分散していること、および現場での正確な気象観測データが不足していることです。現在の予測モデルは、複数ソース データの時空間融合を十分に考慮していないため、精度が不十分です。この目的を達成するために、超短期、短期、中期それぞれの分散型太陽光発電所の電力予測モデルを提案します。

また、多層グラフアテンションメカニズムも提案しました。大規模な分散型太陽光発電所と周囲の集中型太陽光発電所の測定気象データおよび衛星雲画像の間の時空間相関をバッチで自動的に抽出します。二重注意ネットワークに基づく分散型太陽光発電の短期電力予測モデルを提案した。ステーション内およびステーション間アテンションメカニズムを通じて、分散型発電所の数値天気予報データと集中型太陽光発電所の地盤測定データが統合され、予測モデルの地理空間的特徴の融合が実現されます。地理的認識多層アテンションメカニズムに基づく分散型太陽光発電の中期電力予測方法を提案した。相関の強い集中型太陽光発電所は、グレー相関分析を通じてスクリーニングされ、ステーション間-ステーション内のマルチレベルのきめ細かい注意メカニズムを使用して、集中型太陽光発電所の気象特性間の時空間相関が自動的に抽出されます。分散型太陽光発電所の電力。

総合的なプラットフォーム

最後に、太陽光発電リソースと運用データ監視機能モジュール、集中型太陽光発電フルタイムスケール予測機能モジュール、分散型太陽光発電フルタイムを含む、フル電圧レベルのマルチタイムスケールの地方放射照度リソースと太陽光発電の監視、予測および調整システムプラットフォームを開発しました。規模予測機能モジュールと太陽光発電統合制御機能モジュール。
※太陽光発電資源・運用データ監視機能モジュール：気象データの実測・表示、集中型太陽光発電所や大規模低圧分散型太陽光発電のパノラマ監視を実現。
※太陽光発電フルタイムスケール集中予測機能モジュール：太陽光発電フルタイムスケールのリアルタイム監視、異常早期警報、モデル自己学習等を実現。
※分散型太陽光発電フルタイムスケール予測機能モジュール：NWPデータ管理、太陽光発電所測定データ、基礎データ管理、地域電力予測、太陽光発電所電力予測、システム管理等の機能を実現。
※太陽光発電統合制御機能モジュール：包括的なデータ監視と協調最適化の発信、集中・分散予測の組み合わせ、自動調整・最適化、異常検知・警報を実現し、電力網の安全・安定運用と電力の大量消費を確保します。新しいエネルギー。

非新エネルギー分野における時系列での2つの大きな進展

次に、主に非新エネルギー分野における時系列の取り組みの進捗状況をご紹介いたします。一方では、セマンティック強化とマルチストリームパイプラインに基づく一般的な可逆圧縮フレームワークを提案します。これには、主にバイトストリームセマンティック強化、マルチストリームパイプライン加速、およびビデオメモリ最適化の3つの研究内容が含まれます。

バイト ストリームのセマンティック強化に関しては、パッチ ディメンション フュージョンや適応スライディング ウィンドウなどのテクノロジーを含む、複雑なセマンティック情報を取得するための一連の新しい方法を開発しました。

マルチストリームパイプラインアクセラレーションに関しては、GPUマルチレプリケーションエンジン用のマルチストリームアクセラレーションモジュールとCPUマルチコア用のキューモデルを開発しました。

ビデオ メモリの最適化に関しては、マルチストリーム シナリオにおけるビデオ メモリの最適化戦略を初めて提案しました。具体的には、まずプロファイラーを使用してメモリの割り当てと割り当て解除のシーケンスを分析し、共有できるメモリ ブロックを特定します。メモリの再利用を最大化するために、小さいながらもメモリの大部分を占めるメモリ ブロックに焦点を当てます。

これに基づいて、フロー間で共有メモリ ブロックを管理するための共有プール戦略を設計します。使用する大きな連続メモリ ブロックは共有プールに解放され、次のブロッキング フローがこれらのブロックへのポインタを調整できます。これらの予約されたブロックにアクセスするためのアドレス。 S2 が新しいメモリ空間を要求すると、共有プールで利用可能な予約ブロックが検索されます。適切なブロックが見つかった場合、malloc はそれらを次のストリームで再利用するため、メモリが大幅に節約されます。

私たちが達成した主な成果は次のとおりです。深層学習コンプレッサーは、画像、テキスト、オーディオ、ビデオ、および異種混合データに対して 3% 以上の平均圧縮率と 35% 以上の圧縮速度を備えており、PAC コンプレッサーと組み合わせて現在の SOTA セマンティック強化を実現します。メソッドを時系列などのタスクに拡張して、タイミング予測の精度をさらに向上させることができます。マルチストリーム パイプラインの高速化を非可逆圧縮などの領域に拡張して、全体の圧縮速度を向上させることができます。

一方、一般的な時系列を対象としたマルチスケールモデルである CSIformer を提案します。まず、中心点と左右の境界を学習することで従来のハイパーパラメータの自動適応を実現する適応型パッチ分割ネットワークを設計しました。さらに、マスク行列を使用して異なるセマンティック密度を持つブロックのステップ サイズを調整する適応ストライド戦略も提案します。最後に、長いシーケンス情報の捕捉と認識を強化するために、ピラミッド融合戦略も設計しました。これにより、長いシーケンスにおけるモデルのパフォーマンスが向上します。

太陽光発電予測のためのマルチレベルシーケンス分解モデルの観点から、ウェーブレット分解ユニット (WTDU)、季節傾向分解ユニット (STDU)、および SEEDTrans アーキテクチャに焦点を当てました。中国河北省の6つの発電所において、このモデルの予測精度が従来のARIMAモデルと比較して40%以上向上していることは注目に値します。

万夢について

Wan Meng は北京科学技術大学の博士課程の学生で、現在は中国科学院コンピュータ ネットワーク情報センターの人工知能部門のエンジニアです。北京でソフトウェア エンジニアリングの学士号と修士号を取得しています。それぞれ英国郵電大学とサウサンプトン大学です。

主に時系列予測、人工知能プラットフォームおよび太陽光発電処理予測、高分子材料の計算とシミュレーション、生態学的炭素循環などの関連研究に従事。 「中国テクノロジークラウドソフトウェアリソースプールの構築」や「人工知能の革新的応用」などのプロジェクトに相次いで参加。

万夢のメールアドレス:wanmengdamon@cnic.cn