Goldwind SE: intelligente Stromprognose-Lösung

Wir stellen die erweiterte KI-Prognose von Analytics Zoo zur Verbesserung der Stromerzeugungs-Effizienz von Windparks vor.

Auf einen Blick:

  • Goldwind SE verbindet Deep Learning und maschinelles Lernen mit Daten aus Wettervorhersagen auf Einzelturbinenebene sowie Windbahnsimulationen, um eine innovative, sehr fein definierte intelligente Stromprognoselösung mit hoher Leistung und Präzision zu entwickeln.

  • Die Daten von Goldwind SE haben zeigt, dass die Einführung der erweiterten KI-Prognoselösung von Analytics Zoo in Windparks Energieunternehmen dabei helfen kann, die Stromerzeugungs-Effizienz zu und die Rentabilität umweltfreundlicher, erneuerbarer Energie zu verbessern.

author-image

Von

Die wachsende Akzeptanz umweltfreundlicher Energiekonzepte hat dazu geführt, dass erneuerbare Energien wie Windkraft und Photovoltaik (PV) im Energiesektor eine immer wichtigere Rolle spielen. Die Daten der chinesischen nationalen Energiebehörde (NEA) zeigen, dass die Windenergieproduktion im ersten Halbjahr 2019 im Vergleich zum Vorjahr um 11,5 % zugenommen hat. Die installierte PV-Kapazität hat im gleichen Zeitraum um 20 % zugenommen.1

Im Gegensatz zu herkömmlichen Energiequellen werden neue Energien wie Wind und PV stark von Umweltfaktoren beeinflusst. Weil Wind und Sonnenlicht sehr variabel sind, entstehen große Herausforderungen in puncto Netzstabilität und -sicherheit. In den letzten Jahren wurden neue Technologien wie künstliche Intelligenz (KI), das Internet der Dinge (Internet of Things, IoT) und Cloud-Computing von der Branche für neue Energie zunehmend angenommen. Es ist zu erkennen, dass intelligente Techniken eingesetzt werden, um den oben genannten Herausforderungen zu bestehen und zur bevorzugten Option für Unternehmen im Bereich neue Energien werden, die bei der zukünftigen Entwicklung umweltfreundlicher Energien die Führung übernehmen möchten.

Beijing Goldwind Smart Energy Services Co., Ltd. („Goldwind SE“) verpflichtet sich ganz zur Entwicklung von IoT-Systemen und Lösungen für neue Energien. Dadurch wird das Unternehmen zu einem wichtigen Pionier auf dem Weg zu umweltfreundlichen Energien. Goldwind SE verbindet Deep Learning und maschinelles Lernen mit Daten aus Wettervorhersagen auf Einzelturbinenebene sowie Windbahnsimulationen, um eine innovative, intelligente Stromprognoselösung basierend auf der Integration verschiedener Modelle zu entwickeln. Zu diesem Zweck ist das Unternehmen eine enge Partnerschaft mit Intel eingegangen, um basierend auf Analytics Zoo, der vereinigten Intel Big-Data-Analyse- und KI-Plattform, eine verteilte Architektur zu schaffen. Diese verteilte Architektur umfasst alle erforderlichen Komponenten, von der Feature-Entwicklung und der Erfassung wichtiger Faktoren für Prognosen, der Multi-Modell-Integration bis hin zu maßgeschneiderten Richtlinien-Aktualisierungen. Hinsichtlich der Zeitserien-Eigenschaften der Vorhersagedaten wurden ebenfalls Optimierungen vorgenommen. Die innovative Lösung wurde von Goldwind SE und Intel gemeinsam entwickelt und daraufhin in einer Reihe von Praxistests validiert und wird seitdem mit zufriedenstellenden Ergebnissen eingesetzt.

Goldwind SE hat sich stets auf die Integration modernster Informationstechnologie (IT) mit Entwicklungen im Sektor Neue Energien konzentriert, um Benutzern effizientere und agilere Lösungen zu bieten. Die vereinte End-to-End-Architektur und Vorteile bei der Zeitserien-Datenanalyse von Analytics Zoo haben dazu geführt, dass unsere Multi-Modell-Integrationslösung für die Stromerzeugungsprognose mithilfe von Wettervorhersagedaten schneller und einfacher bereitzustellen ist. Die Vorhersagegenauigkeit und -stabilität wurden ebenfalls signifikant verbessert.“ – Zhang Li, Chief Architect, Goldwind SE

Saubere erneuerbare Energien wie Wind und PV werden immer beliebter. Umweltfaktoren wie Windgeschwindigkeit, Windrichtung, Sonnenlicht, Temperatur und Luftdruck während der Stromerzeugung wirken sich aber beträchtlich auf Stromsysteme aus. Dadurch entstehen Herausforderungen hinsichtlich der Erzeugungsausrüstung und der verbundenen Netze in Bezug auf die Betriebseffizienz und die Ausrüstungssicherheit. Dadurch können Verteilersysteme anhand der Vorhersage des Leistungsausgangs neuer Energiequellen Stromerzeugungspläne besser regulieren und optimieren und zu Spitzenzeiten verbessern. Solche Vorhersagen helfen auch, Zeiten geringerer Erzeugung aus Wind/PV zu reduzieren, die Betriebskosten zu senken und dadurch die Wettbewerbsfähigkeit von Energieunternehmen zu verbessern.

Traditionell nutzen Energieunternehmen historische Daten und menschliche Erfahrung zur Prognose der Stromerzeugung. Dieser Ansatz ist mit Problemen behaftet, recht ungenau und sehr volatil. Fortschritte bei der IT haben zur zunehmenden Anwendung von informationstechnologischen und digitalisierten Vorhersagemethoden bei der Stromprognose geführt. Durch die zunehmende Verfügbarkeit von KI-Algorithmen und immer größeren Rechenleistungen ist es möglich, KI-basierte Vorhersagemethoden zu implementieren, die historische Big Data nutzen. Support Vector Machine (SVM) und Multi-Layer Perceptron (MLP) haben sich beispielsweise als effektive Verbesserungen der Betriebseffizienz von Energiesystemen erwiesen.

Dank der umfassenden Erfahrung des Unternehmens im Bereich der intelligenten Stromvorhersage ist Goldwind SE fest davon überzeugt, dass KI-Prognosemodelle weiter optimiert werden können. Einerseits bestehen sowohl hinsichtlich der Genauigkeit als auch der Stabilität einzelner Deep-Learning-Methoden und Methoden des maschinellen Lernens weiterhin Verbesserungsmöglichkeiten. Andererseits stehen Energieunternehmen bei einer Reihe von Modellerstellungsprozessen wie Funktionsentwicklung und kurzfristige/ultrakurzfristige Online/Offline-Schulung in Bezug auf Prognosesysteme usw. vor IT-Herausforderungen. Goldwind SE ist bestrebt, neue Technologien einzuführen und eine intelligente Stromprognoselösung der nächsten Generation für Benutzer innerhalb der Branche zu entwickeln, die genauer und einfacher bereitzustellen ist.

Integrierte Multi-Modell-Stromprognoselösung mit Wettervorhersagedaten

Der Prozess der intelligenten Stromprognose ist in der Regel in Module für Edge-Datenerfassung, Speicherung, Governance, Inferenz und KI-Training unterteilt. Wie in Abbildung 1 dargestellt übertragen die an der Windturbine und am PV-Inverter bereitgestellten Edge-Sensoren umfassende Umgebungs- und Betriebsdaten wie Windgeschwindigkeit, Temperatur, Leistung und Strommenge ans Rechenzentrum, wo diese Daten gespeichert werden. Die Daten werden dann mithilfe des Daten-Governance-Moduls auf Gültigkeit geprüft. Ein geeignetes Deep- und Machine-Learning-Framework wird dann dazu genutzt, die gefilterten Daten zum Training und zur Inferenz mit historischen zu kombinieren. Das resultierende Modell dient dazu, die Beziehungen zwischen Umweltfaktoren und Leistung, Leistung und Strom und Ausgang und Strom über einen bestimmten Zeitraum hinweg zuzuordnen.

Abbildung 1 Herkömmlicher KI-Stromprognose-Prozess.

Es ist zu erkennen, dass die die herkömmliche KI-Stromprognose ein einzelnes KI-Algorithmusmodell für Training und Inferenz an Datenproben für Umweltparameter, Leistung und Ausgang ausführt. Während dieser Ansatz für relativ kurze Zeit genaue Vorhersagen (innerhalb der nächsten 15–30 Minuten) erzielen kann, sinkt die Prognosegenauigkeit mit Zunahme der Vorlaufzeit. Selbst äußerst kurzfristige Prognosen, wie sie in Stromprognose-Systemen für die Stromerzeugung häufig eingesetzt werden, müssen den Leistungsausgang für die nächsten vier Stunden abdecken. Anders gesagt: Prognosesysteme müssen für die nächsten 16 Zeitpunkte (1 Zeitpunkt = 15 Minuten) eine hohe Genauigkeit und Stabilität beibehalten.

Durch Forschung und Tests konnte Goldwind SE feststellen, dass die Vorhersagegenauigkeit und -stabilität durch die Einführung von lediglich zwei Technologien in den bestehenden intelligenten Prognosesystemen effektiv verbessert werden könnte. Der erste Schritt besteht in der Integration von Wettervorhersagen in Stromprognosesysteme. Weil beim herkömmlichen Ansatz bestehende Stromdaten genutzt werden, um den zukünftigen Leistungsausgang zu prognostizieren, fehlten Zeitseriendaten. Wettervorhersagedaten können diesen Mangel bei den Zeitseriendaten effektiv wettmachen und für jeden zukünftigen Zeitpunkt eine beständige Prognosegenauigkeit sicherstellen. Die andere eingeführte Technik ist die Multi-Modell-Integration. Das bedeutet, dass verschiedene Deep- und Machine-Learning-Modelle dem tatsächlichen Bedarf entsprechend ausgewählt und mit Wettervorhersagedaten kombiniert werden, um genauere Systemprognosen zu erhalten.

Abbildung 2 Wettervorhersage auf Einzelturbinenebene und Windbahnsimulation

Die Stromprognose erfordert außerdem hochgenaue Parameter und Metriken aus Wettervorhersagedaten einschließlich feiner Raumauflösung und quantitativer Funktionsanalyse sowie stabile Vorhersagegenauigkeit. Um die Stabilität und Genauigkeit der neuen Lösung mithilfe kombinierter Prognosen zu gewährleisten, arbeitete Goldwind SE mit maßgeblichen Organen wie der staatlichen Wetterbehörde Chinas (China Meterological Administration, CMA) und dem Europäischen Zentrum für mittelfristige Wettervorhersage (ECMWF) zusammen. Wie in Abbildung 2 ersichtlich, wurde der Maßstab der Wettervorhersage auf Einzelturbinenebene (links) von standardmäßig 9 km auf einen Mikromaßstab von 100 m reduziert. Die Windbahnsimulation (rechts) ist jetzt zu quantitativen Analysen der tatsächtlichen Windbahnen fähig.

Abbildung 3 Architektur einer integrierten Multi-Modell-Prognoselösung mit Wettervorhersagedaten.

Durch die Einbeziehung hochwertiger Wettervorhersagedaten konnte Goldwind SE eine Prognoselösung basierend auf Multi-Modell-Integration erstellen. Die Lösung ruft zunächst per Data Mining Big Data für die Funktionsentwicklung und Erfassung von Prognoseeinflussfaktoren wie Windgeschwindigkeit, Windrichtung und Temperatur ab. Wie in Abbildung 3 dargestellt, werden Wettervorhersagedaten aus verschiedenen Quellen wie der CMA und der ECMWF mit Parametern kombiniert, die durch mehrere Deep- und Machine-Learning-Algorithmen bereitgestellt werden, wodurch eine neue Methode wie beispielsweise SVM+CMA entsteht.

Die neue Lösung kann bei Bedarf verschiedene andere Kombinationen bereitstellen. Die algorithmischen Modelle jeder Kombination können zum weiteren Training ihrer Untermodelle mithilfe der neuesten Daten verwendet werden. Diese Untermodelle können dann regelmäßig durch Selbstlernen, Aktualisierungen und Ersatz verbessert werden, um die Prognosesystemgenauigkeit durch kontinuierliche Iterationen zu verbessern.

Vorteile der innovativen intelligenten Stromprognoselösung von Goldwind SE

  • Die innovative Multi-Modell-Lösung integriert Wettervorhersagedaten und bietet verbesserte Unterstützung durch Zeitseriendaten, wodurch eine größere Prognosegenauigkeit und -stabilität erzielt wird als bei herkömmlichen Lösungen.
  • Analytics Zoo, die vereinte Intel Big-Data-Analyse- und KI-Plattform, bietet eine einheitliche End-to-End-Verteilungslösung. Mit der neuen Lösung können Benutzer die Entwicklungs- und Bereitstellungseffizienz und -skalierbarkeit des Systems verbessern und gleichzeitig Hardware-, Betriebs- und Wartungskosten reduzieren.
  • Die Vorhersageleistung wird durch die einzigartigen Funktionen und Vorteile von Analytics Zoo für die Zeitserien-Datenanalyse verbessert, wodurch Prognosemodell und tatsächliche Stromerzeugung stärker übereinstimmen.

Erstellung einer verteilten Stromprognose-Architektur mit Analytics Zoo

Die Berücksichtigung von Wettervorhersagedaten ist der entscheidende Vorteil der neuen Lösung von Goldwind SE. Es ist allgemein bekannt, dass Wettervorhersagedaten ein klassisches Beispiel für Zeitseriendaten sind, weil sich die Datenwerte über Zeit ändern. Durch die Wahl einer Systemarchitektur, die besser für die natürliche Verarbeitung von Zeitseriendaten geeignet ist, werden Genauigkeit und Stabilität des Prognosesystems erhöht. Hier bietet Analytics Zoo, die integrierte Intel Big-Data-Analyse- und KI-Plattform, eine einheitliche, verteilte End-to-End-Lösung, mit der die Systemeffizienz und Skalierbarkeit sowohl bei der Entwicklung als auch bei der Bereitstellung verbessert werden. Die einzigartige Funktionalität und die Vorteile von Analytics Zoo bei der Zeitseriendatenanalyse bieten auch für neue Lösungen signifikante Vorteile.

Analytics Zoo ist eine Kombination Innovationen von Intel in den Bereichen Big-Data-Analyse und KI. Wie in Abbildung 4 dargestellt kann Goldwind SE mithilfe von Analytics Zoo Spark, TensorFlow, Keras und andere Software und Frameworks, die in der neuen Lösung des Unternehmens verwendet werden, in einer einzigen Pipeline integrieren. Dieser Ansatz hilft Goldwind SE dabei, alle Datenspeicher-, Datenverarbeitungs-, Training- und Inferenzprozesse in einer einzigen Infrastruktur zu integrieren, wodurch Bereitstellungseffizienz, Ressourcennutzung und Skalierbarkeit der neuen Lösung des Unternehmens beträchtlich verbessert und gleichzeitig Hardware-Verwaltungs- und Systemwartungskosten reduziert werden.

Abbildung 4 Verteilte Stromprognose-Architektur basierend auf Analytics Zoo.

Analytics Zoo ist auch in der Lage, die vielen zugrundeliegenden und von Intel angebotenen Software-Accelerator-Bibliotheken effektiv zu nutzen, wie Intel® Math Kernel Library (Intel® MKL), und Intel® Math Kernel Library for Deep Neural Network (Intel® MKL-DNN), wodurch eine weitere Optimierung der oberen Ebene der Stromprognose-Lösung erzielt wird. TensorFlow- und Keras-Modelle können transparent auf Big-Data-Cluster ausgeweitet werden, damit Benutzer die verteilte Architektur einfacher in ihrer Training- oder Inferenzlösung zur weiteren Verbesserung nutzen können.

Neben der einheitlichen End-to-End-Plattformarchitektur ist ein Hauptvorteil von Analytics Zoo die Palette von Funktionen und Features für die Zeitserien-Datenanalyse. Analytics Zoo bietet komplette Lösungen für verschiedene Zeitserien-Analyseanwendungen wie z. B. Zeitserienprognose, Anomalieerkennung, Merkmalerlernen und Clustering, wodurch Goldwind SE leicht mehr Kombinationen von Prognosemethoden in seine neue Lösung aufnehmen kann. Analytics Zoo bietet auch eine umfangreiche Palette an vorkonfigurierten Komponenten für Zeitseriendaten.

  • Gebräuchliche Deep- und Machine-Learning-Modelle für die Stromprognose: LSTM, Encoder-Decoder, MtNet, ARIMA usw.
  • Gebräuchliche Datenvorverarbeitungs- und Funktionsentwicklungs-Methoden für die Stromprognose: Datums- und Uhrzeitfunktionen, Zeitdifferenz, Log-Transform, rollendes Fenster usw.
  • Gebräuchliche Anomalieerkennungs-Methoden für die Stromprognose: Perzentil, verteilungsbasiert, ungewissheitsbasiert, Autoencoder usw.

Neben den oben genannten Komponenten hat Analytics Zoo auch die neue Lösung mit AutoML-(Automatisiertes Maschinelles Lernen)-Methoden für die automatisierte Funktionsauswahl, Modellauswahl und Hyperparameter-Optimierung bereitgestellt. Dadurch kann das Prognosemodell besser an Zeiten mit variablem Leistungsausgang angepasst werden.

Goldwind SE und Intel haben eine Reihe von Feldversuchen an verschiedenen PV-Teststandorten vorgenommen, um die neue verteile Stromprognose-Lösung auf der Analytics Zoo-Plattform zu validieren. Beim Validierungsprogramm kam ein Monatszyklus zum Einsatz. An jedem PV-Teststandort wurden 30.000 Datensätze in einer Stunde verwendet, um 5000 iterative Optimierungen für das LSTNet-Modell und die Stromprognosedaten für die nächsten zwei Stunden auszuführen und innerhalb von 50 ms zurückzugeben. Die in Abbildung 5 dargestellten Validierungsergebnisse zeigen, dass die Prognosegenauigkeit der neuen Lösung 79,41 % erreicht hat,2 das bedeutet einen Anstieg gegenüber der alten Lösung mit einer Genauigkeit von 59 % um 20 %.

Abbildung 5 Vergleich der neuen mit der alten Lösung.

Blick in die Zukunft: Von der branchenführenden Innovation bis zur beschleunigten Implementierung

Durch die Zusammenarbeit mit Intel konnte Goldwind SE eine innovative, stark verfeinerte intelligente Stromprognose-Lösung mit hoher Leistung und Genauigkeit entwickeln. Inzwischen hat die Arbeit an der Implementierung dieser Lösung begonnen. Die Daten von Goldwind SE haben gezeigt, dass die Einführung dieser erweiterten KI-Prognoselösung in Windparks Energieunternehmen dabei helfen kann, die Stromerzeugungs-Effizienz und die Rentabilität umweltfreundlicher, erneuerbarer Energie zu verbessern.

Intel und Goldwind SE planen eine zukünftige umfassendere und engere Zusammenarbeit bei der Entwicklung intelligenter Stromprognose-Lösungen für neue Energien. Goldwind SE hofft, eine komplette Daten-Governance-Plattform basierend auf Analytics Zoo für die Datenoptimierung zu entwickeln. Beide Unternehmen planen auch die Validierung der neuen Lösung auf 100 PV-Standorte und Windkraftprognose-Anwendungen, um weitere Daten zu erfassen und stärker optimierte Modelle und Lösungen zu entwickeln. Dadurch werden Benutzern hochwertige intelligente Stromprognose-Systeme hoher Verfügbarkeit für neue Energien bereitgestellt, die als weiteres Beispiel einer innovativen Integration von IT und umweltfreundlicher Energietechnik dienen können.

PDF herunterladen ›