중국과학원 팀은 슈퍼컴퓨팅과 지능형 컴퓨팅을 통합하여 기상 데이터를 통합할 수 있는 태양광 다시간 규모 전력 예측 모델을 구축했습니다.

제20회 CCF 국가 고성능 컴퓨팅 학술 연례 회의(CCF HPC China 2024) - 수치 시뮬레이션 엔지니어링 응용 분야의 지능형 슈퍼컴퓨팅 융합 기술 포럼에서,중국과학원 컴퓨터네트워크정보센터 인공지능부 엔지니어인 완멍은 태양광 발전 및 전력 부하 분야에서 팀이 축적한 실용적 응용 분야와 방법론, 시계열 예측 분야에서 딥러닝의 최첨단 연구 동향을 공유하고, 새로운 에너지 예측을 위한 새로운 기술적 아이디어와 방법을 제공했습니다.

HyperAI는 원래 의도를 훼손하지 않고 심도 있는 공유 내용을 편집하고 요약했습니다.본 보고서는 시계열, 신에너지 배경 개요, 연구 기반, 연구 진행 상황의 네 부분으로 구성되어 있습니다.다음은 연설 전문입니다.

시계열은 다양한 측면을 포괄하는 광범위한 응용 분야를 가지고 있습니다.

우리가 연구하는 시계열은 미래의 발전 추세나 특정 대상의 상태에 대한 과학적인 예측과 판단을 내리기 위한 것입니다.실제 생활에서 시계열은 교통 흐름, 금융 경제, 기상, 바이러스 전파, 에너지 등 여러 측면을 포괄하여 널리 사용됩니다.

시계열에 대한 현재 연구 방향은 크게 네 가지로 나뉜다.1부는 시계열 미래 예측입니다.태양광 예측, 날씨 예측, 주식 예측 등을 포함하여 알려진 과거 시퀀스를 기반으로 미래의 시퀀스를 예측할 수 있습니다.두 번째 부분은 시계열 갭 채우기입니다.여기에는 여론 모니터링, 센서 고장, 산업 장비 유지 관리 등이 포함됩니다. 예를 들어, 산업 현장에서 센서 고장이 발생하면 일부 운영 데이터가 손실될 수 있습니다.세 번째 부분은 시계열의 이상 탐지(시계열 비정상 트래픽)입니다.이는 비정상적인 네트워크 공격, 비정상적인 환경 모니터링, 금융 사기 식별 등 네트워크 트래픽에서도 매우 흔히 발생하는 현상입니다.4번째 부분은 시계열의 분류입니다.예를 들어, 의학에서의 심전도 분류, 음성 분류, 지진 모니터링 등이 있습니다.

다음으로, 시계열과 전통적 언어 시리즈의 중요한 차이점을 살펴보겠습니다. 인간의 언어 시퀀스는 일반적으로 문장으로 구성되는데, 문장은 의미 밀도가 높은 개별적인 표현입니다. 대조적으로,시계열은 대부분 자연 신호로 구성되며, 여기에는 연속적인 숫자 점이 포함될 수 있으며, 주요 특징은 의미 밀도가 비교적 낮다는 것입니다.

점심시간 전력수급 어려움과 저녁 피크시간 전력공급 촉박한 모순이 두드러지며, 신에너지 전망은 3대 난제에 직면

이 문제의 해결 방법을 논의할 때, 저는 시계열 신에너지, 특히 태양광 발전 출력 예측에 대한 저희 팀의 연구 진행 상황에 초점을 맞추겠습니다.

태양광 발전은 정오에는 대량의 발전이 이루어지고, 야간에는 출력이 거의 없는 특성이 있어 전체 전력 시스템을 조절하는 데 어려움을 가중시킵니다. 특히 오후에는 새로운 에너지를 흡수하기 어려워지고, 저녁 피크 시간대의 전력 공급에도 긴장이 고조됩니다. 이런 모순은 특히 두드러진다. 따라서 당일 발전 계획 수립, 일중 전력수지 조정, 전력시장 운영 등을 위해 정확한 태양광 발전량 예측에 대한 수요가 그 어느 때보다 강합니다.

그러나 현재 새로운 에너지를 예측하는 데에는 세 가지 주요 과제가 있습니다.첫째, 현재 수치적 기상 예보는 태양광 발전소의 고정밀 예측 요구를 충족하지 못합니다. 둘째, 중앙집중형 태양광 발전소 모델은 전력 변동을 설명하기에 충분하지 않으며 여러 시간대와 기상 조건에 따른 예측 요구에 적응하기 어렵습니다. 셋째, 분산형 태양광 발전소는 지상 복사조도 자료가 부족하고, 시간적, 공간적 특성의 분포가 불충분하여 다시간 규모 예측을 충족시키기가 불가능하다.

중앙집중형 태양광 발전소 및 분산형 태양광 발전소를 위한 다중시간 규모 전력 예측 모델 구축

일련의 과제에 직면하여, 우리는 중앙집중형 태양광 발전소와 분산형 태양광 발전소를 위한 다중시간 규모 전력 예측 모델을 구축하기 위해 여러 모델 연구 계획을 제안했습니다.우리는 먼저 다양한 출처에서 기상 데이터를 수집했습니다.다양한 시간 척도와 기상 유형의 데이터를 포괄합니다.위성 구름 이미지, 수치 기상 예보 데이터, 지상 측정 데이터 및 태양광 발전소 측정 데이터를 포함합니다.

두 번째로, 이러한 데이터를 바탕으로 이전 레이어에 대한 조도 예측 모델을 구축했습니다.중앙집중형 및 분산형 태양광 발전소에 대한 초단기 예측을 안내하는 데 사용됩니다.이를 바탕으로 우리는 초단기, 중기, 단기 및 기타 시간 척도에 대한 예측 모델을 추가로 구축했습니다. 마지막으로, 우리는 풀타임 규모의 예측 플랫폼을 구축했습니다.

다중 소스 기상 데이터

첫째, 태양광 발전소를 위한 지표 태양 복사량의 초단기 예측 모델이 개발되었습니다.현재 가장 큰 문제는 수치 기상 예보가 일반적으로 12시간마다 업데이트되고 공간적 해상도와 정확도가 낮아 태양광 발전소 예측의 공간적, 시간적 해상도 요구 사항을 충족하기 어렵다는 것입니다.

이 문제를 해결하려면우리는 히마와리-8 위성 구름 이미지와 수치적 날씨 예보 데이터를 결합했습니다.해바라기-8의 구름 이미지는 공간 해상도가 4km*4km이고 시간 해상도가 10분이지만, 20분의 지연이 있습니다. 수치 기상 예보의 시간 분해능은 15분, 공간 분해능은 9km*9km이며, 업데이트 빈도는 12시간마다 1회입니다.

라디오시티 예측 모델

이러한 차이점에 직면하여 우리는 초단기 예측 모델을 개발하고 다양한 보간법을 사용하여 다중 소스 기상 데이터를 병렬로 정렬하여 데이터 지연 문제를 해결했습니다.Res-UNet과 선형 보간법을 기반으로 한 지표 단파 조도 예측 방법을 사용하여 다양한 기상 조건에서 예측의 MAE와 RMSE를 각각 평균 31.31%와 22.18%만큼 줄였습니다. 오른쪽 아래 그림은 허베이성 석현에 위치한 동황 CDI 스테이션의 실제 사례를 보여줍니다. 결과는 Res-UNet이 NWP와 UNet보다 조도의 지터와 피크 값을 더 정확하게 예측할 수 있음을 보여줍니다.

태양광 발전 예측 모델

중앙 태양광 발전소를 위한 초단기 예측 모델의 문제점은 주로 수치적 날씨 예보에 크게 의존하고 정확도가 낮다는 데 있습니다.이러한 문제를 해결하기 위해, 본 연구에서는 듀얼 코드 컨버터를 기반으로 한 중앙집중형 태양광 초단기 전력 예측 방법을 제안한다.지상 관측 데이터와 위성 구름 이미지의 구름 변화 특성 데이터를 결합하면 수치적 날씨 예보 데이터에만 의존하는 태양광 예측의 한계를 극복할 수 있습니다.

중앙집중형 태양광 발전소의 단기 전력 예측의 경우, 단일 모델의 예측 오차가 크고 갑작스러운 기상 현상의 영향을 받기 쉽습니다.이를 위해 본 연구에서는 시분할 장기 단기 메모리 네트워크를 기반으로 한 중앙집중형 태양광 단기 전력 예측 방법을 제안하였다.일조량, 주변 온도, 습도와 태양광 발전의 시간 상관 특성 등 과거 기상 데이터를 종합적으로 활용함으로써 단일 예측 모델로는 복잡하고 변화무쌍한 기상 조건에 적응하기 어려운 문제를 해결하고, 복잡한 기상 조건에서 예측 정확도를 효과적으로 향상시킬 수 있다.

중장기 예측에 있어서 가장 큰 과제는 태양광 발전의 계절적, 순환적, 장기적 추세 변화를 어떻게 포착하느냐입니다.이러한 문제를 해결하기 위해, 우리는 주기적, 계절적, 추세적 기상 특성 데이터를 종합적으로 활용하는 이중 주의 인코더를 기반으로 한 중앙 집중식 태양광 중기 전력 예측 방법을 제안합니다.다양한 계절과 연속적인 다중 시간 특징을 정확하게 포착하고, 시계열 주기와 추세를 자동으로 추출하는 것을 최초로 실현했습니다. 관련 결과는 AAAI 컨퍼런스에 발표되었습니다.
서류 주소:
https://ojs.aaai.org/index.php/AAAI/article/view/25845

분산형 PV 발전소를 위한 풀타임 규모 예측 모델의 주요 문제점은 규모가 작고, 분포가 넓으며, 정확한 현장 기상 관측 데이터가 부족하다는 것입니다. 현재의 예측 모델은 다중 소스 데이터의 시공간적 융합을 충분히 고려하지 않아 정확도가 부족합니다.이를 위해 우리는 초단기, 단기, 중기적으로 분산형 태양광 발전소의 전력 예측 모델을 제안했습니다.

또한 우리는 다층 그래프 어텐션 메커니즘을 제안했습니다.대규모 분산형 태양광 발전소와 주변 중앙 집중형 태양광 발전소의 측정된 기상 데이터 및 위성 구름 이미지 간의 시공간적 상관관계를 자동으로 추출합니다.듀얼 어텐션 네트워크를 기반으로 한 분산형 태양광 단기 전력 예측 모델이 제안된다.발전소 내, 발전소 간 주의 메커니즘을 통해 분산형 발전소의 수치 일기 예보 데이터와 중앙 집중형 태양광 발전소의 지상 측정 데이터를 통합하여 예측 모델에서 지리적 공간적 특징의 융합을 달성합니다.지리 인식 다층 주의 메커니즘을 기반으로 한 분산형 태양광 중기 전력 예측 방법이 제안됩니다.강하게 상관관계가 있는 중앙집중형 태양광 발전소를 회색상관분석을 통해 선별하고, 발전소 간 및 발전소 내 다단계 세분화된 주의 메커니즘을 채택하여 중앙집중형 태양광 발전소의 기상 특성과 분산형 태양광 발전소의 전력 간의 시공간적 상관관계를 자동으로 추출합니다.

종합 플랫폼

마지막으로, 우리는 태양광 자원 및 운영 데이터 모니터링 기능 모듈, 중앙 집중형 태양광 상시 규모 예측 기능 모듈, 분산형 태양광 상시 규모 예측 기능 모듈, 태양광 통합 제어 기능 모듈을 포함하여 전체 전압 레벨과 다중 시간 규모를 갖춘 지방 조도 자원 및 태양광 발전 모니터링, 예측 및 제어 시스템 플랫폼을 개발했습니다.
* 태양광 자원 및 운영 데이터 모니터링 기능 모듈: 중앙집중형 태양광 발전소와 대규모 저전압 분산형 태양광 발전소의 기상 데이터 측정 및 표시, 파노라마 모니터링을 실현합니다.
* 중앙집중형 태양광 발전량 예측 기능 모듈: 태양광 발전량에 대한 실시간 모니터링, 이상 경고, 모델 자체 학습 등을 실현합니다.
* 분산형 태양광 정규 규모 예측 기능 모듈: NWP 데이터 관리, 태양광 발전소 측정 데이터, 기본 데이터 관리, 지역 전력 예측, 태양광 발전소 전력 예측, 시스템 관리 등의 기능을 실현합니다.
* 태양광 통합 제어 기능 모듈: 포괄적인 데이터 모니터링과 조정된 최적화 스케줄링을 실현하고, 중앙 집중식 및 분산식 예측, 자동 조정 및 최적화, 이상 감지 및 경보를 결합하여 전력망의 안전하고 안정적인 운영과 신에너지의 고수준 소비를 보장합니다.

비신에너지 분야의 시계열에 있어서 두 가지 주요 진전

다음으로는 주로 비신에너지 분야에서의 시계열 연구의 진행 상황을 소개하겠습니다.한편, 우리는 의미 강화와 멀티 스트림 파이프라인을 기반으로 한 일반적인 무손실 압축 프레임워크를 제안했습니다. 여기에는 주로 바이트 스트림 의미 강화, 멀티 스트림 파이프라인 가속, 비디오 메모리 최적화라는 세 가지 연구 내용이 포함됩니다.

바이트 스트림 의미 강화 측면에서, 우리는 패치 차원 융합과 적응형 슬라이딩 윈도우 기술을 포함하여 복잡한 의미 정보를 얻기 위한 일련의 새로운 방법을 개발했습니다.

멀티 스트림 파이프라인 가속 측면에서, 우리는 GPU 멀티 복제 엔진을 위한 멀티 스트림 가속 모듈과 CPU 멀티 코어를 위한 큐 모델을 개발했습니다.

비디오 메모리 최적화 측면에서, 우리는 처음으로 다중 스트림 시나리오에서 비디오 메모리 최적화 전략을 제안했습니다. 구체적으로, 먼저 프로파일러를 사용하여 메모리 할당 및 할당 해제 순서를 분석하여 공유할 수 있는 메모리 블록을 식별합니다. 우리는 메모리 재사용을 극대화하기 위해 대부분의 메모리를 차지하는 몇 개의 메모리 블록에 초점을 맞춥니다.

이를 바탕으로 우리는 흐름 간의 공유 메모리 블록을 관리하기 위한 공유 풀 전략을 설계하고, 이 전략에서 사용되는 대규모 연속 메모리 블록은 공유 풀로 다시 해제되어 예약된 블록으로 표시됩니다. 다음에 차단된 흐름은 해당 블록의 주소에 대한 포인터를 조정하여 예약된 블록에 액세스할 수 있습니다. S2가 새로운 메모리 공간을 요청하면 공유 풀에서 사용 가능한 예약된 블록을 검색합니다. 적합한 청크가 발견되면 malloc은 이를 다음 스트림에서 재사용하여 상당한 메모리 절약 효과를 얻습니다.

우리의 주요 성과는 다음과 같습니다.딥러닝 압축기의 경우 평균 압축률은 3% 이상이며, 이미지, 텍스트, 오디오, 비디오 및 이기종 혼합 데이터의 경우 압축 속도가 35% 이상 향상됩니다. PAC 압축기와 결합하면 현재 SOTA에 도달합니다. 의미 강화 방법은 시계열 예측의 정확도를 더욱 향상시키기 위해 시계열과 같은 작업으로 확장될 수 있습니다. 다중 스트림 파이프라인 가속은 손실 압축과 같은 분야로 확장되어 전반적인 압축 속도를 향상시킬 수 있습니다.

반면에, 우리는 일반 시계열에 대한 다중 스케일 모델 CSIformer를 제안합니다.먼저, 우리는 중심점과 좌우 경계를 학습하여 기존의 하이퍼파라미터를 자동으로 적응시키는 적응형 패치 분할 네트워크를 설계했습니다. 또한, 우리는 마스크 행렬을 사용하여 서로 다른 의미 밀도를 가진 블록의 보폭을 조정하는 적응형 보폭 전략도 제안했습니다. 마지막으로, 긴 시퀀스 정보의 포착과 인식을 향상시키기 위해, 긴 시퀀스에서 모델의 성능을 개선하기 위한 피라미드 융합 전략도 설계했습니다.

PV 예측을 위한 다단계 시퀀스 분해 모델 측면에서 우리는 웨이블릿 분해 단위(WTDU), 계절 추세 분해 단위(STDU) 및 SEEDTrans 아키텍처에 중점을 둡니다.이 모델은 중국 허베이성의 6개 발전소에서 기존 ARIMA 모델과 비교했을 때 예측 정확도가 40% 이상 향상되었다는 점이 주목할 만합니다.

완멍 소개

완멍은 베이징과학기술대학에서 박사과정을 밟고 있으며, 현재 중국과학원 컴퓨터네트워크정보센터 인공지능부에서 엔지니어로 일하고 있습니다. 그는 영국의 베이징우편대학과 사우샘프턴대학에서 각각 소프트웨어 공학 학사 학위와 석사 학위를 받았습니다.

그는 주로 태양광 발전 공정 예측, 고분자 재료 계산 및 시뮬레이션, 생태적 탄소 순환을 포함한 시계열 예측 및 인공지능 플랫폼과 관련된 연구에 참여하고 있습니다. 그는 "중국 과학기술 클라우드 소프트웨어 자원 풀 구축", "인공지능의 혁신적 응용" 등의 프로젝트에 참여했습니다.

완멍의 이메일 주소:wanmengdamon@cnic.cn