2024海上风电大会：基于科学机器学习的智慧能源系统

2一、科学机器学习二、风功率与光功率预测技术三、电力负荷预测技术些算法可以是确定性的，也可以是随机的。33第二代AI连接主义（数据驱动）562023年被广泛誉为生成式AI的年份一个时髦的女人走在东京的街道上，街道上充满了温暖发光的霓虹灯和生动的城市标志。她穿着一件黑色的皮夹克，一件红色的长裙，一双黑色的靴子，还带着一个黑色的钱包。她戴着太阳镜，涂着红色的口红。她自信而随意地走着。街道潮湿而且反光，创造了彩色灯光的镜面效果。许多行人走来走去。AstylishwomanwalksdownaTokyostreetfilledwithwarmglowingneonandanimatedcitysignage.Shewearsablackleatherjacket,alongreddress,andblackboots,andcarriesablackpurse.Shewearssunglassesandredlipstick.Shewalksconfidentlyandcasually.Thestreetisdampandreflective,creatingamirroreffectofthecolorfullights.Manypedestrianswalkabout.两艘海盗船在一杯咖啡中航行时相互厮杀的真实特写视频。Photorealisticcloseupvideooftwopirateshipsbattlingeachotherastheysailinsideacupofcoffee.7很明显，Sora生成的船和流体之间的关系只是一眼看去合理，实际并不符合流体力学规律。78对于许多基本交互物理现象，SORA效果依旧差强9需要定义明确且完备的规则依赖于大量高质量的训练数据需要定义明确且完备的规则ChatGPT:大数据、大模型、大算力ChatGPT:大数据、大模型、大算力“深蓝”击败国际象棋冠军“人工智能”的提出“人工智能”的提出科学机器学习的核心：知识与数据双驱动基于科学机器学习的智慧能源系统能源数据稀缺：数据采集费时且成本高昂能源系统复杂：存在大量高维非线性映射如何将繁杂的各类领域知识（如定性专家经验力负荷、气象观测、生产行为数据等）相互融），不确定性分析本质问题在于可再生能源比例增加，看天基于可解释机器学习对不同对象分别进行知识数据双驱动的智慧能源系统理常识的AI模型•借助机器学习的强拟合能力，描述变量间高维复杂映射关系（准确性）•利用能源领域内的先验知识，保证预测结果符合物理机理（可靠性）•借助人工智能自动探索物理原理，推进人类认知前沿•迭代利用发现的知识，和知识嵌入结合，形成知识和数据的闭环系统•••••调度与优化交易策略调度与优化交易策略储能•有噪随机时空序列数据及及•多目标优化与约束求解•科学机器学习算法一、科学机器学习一、科学机器学习二、风功率与光功率预测技术三、电力负荷预测技术风力发电功率预测技术挑战：风力发电具有强烈的随机性和波动性，风功率的准确预测，有助•研发了融合领域知识的风功率预测模型，根据风电区域的风向、风机转速、桨距角和实际风功率等数据建嵌入概率分布信息的风力发电功率预测模型小尺度范围精细化气象预报基于人工智能的风功率预测风功率应用服务系统利用核密度估计计算模型输出结果的概率密度函数利用JS散度衡量模型输出结果与先验风功率曲线的差异数据和领域知识双驱动模型，把基于数据的深度学习模型LSTM和基于领域知识的风功率曲线有效结合把基于概率分布的领域知识成功嵌入到深度学习模型的训练中，拓宽了知识嵌入的范围可以有效对抗预报风速中的高噪声，提升预测的鲁棒性上图表示了TgDPF不同训练阶段模型预测的风功率曲线和实际风功率曲线的对比：随着训练的深入，模型预测的风功率曲线越来越接近实际的风功率曲线风力发电功率预测技术历史风速观测数据有噪音风速数据为了验证嵌入概率分布的风力预测模型比LSTM更稳健，我们在风速中加入了有偏的随机噪声ε~N(x,x)。x表示正常噪声的平均值和方差，其中x在实验中等于0.1、0.3、0.5、0.7。左图是4天的风速数据（每天144个点）。前3天的数据是风速观测数据，最后一天的数据是天气预报的风速，包含有偏入ReVIN模块使模型的预测更加稳定对原有的时序Transformer模型进行改进，将attention模块用于学习多变量时间序列变量间的依赖关系，而不再是不同时间步之间的关系；对模型的其他部件也进行了精简用线性模型学习时间序列线性趋势信息，用cross-variableTransformer学习序列非线性信息和变量间的依赖；加先进的时序预测模型CVTNl在Cross-Variable阶段，采用的是以Client作为特征提取网络，提取多变量依赖特征l在TimeEncoder阶段，为了兼顾时序特征的提取、预测序列局部依赖性的提取、以及模型的轻量化，采用了CNN为基础架构lFeaturedownsample通过point-wise卷积减少特征的数量，防止过拟合l通过残差连接使得Cross-Time的优化目标为修正Cross-Variable阶段的预测序列cross-variableEncodercross-TimeEncoderCVTN和Client模型在多个基准数据集上都取得了领先的效果，包括电力数据集和天气数据集等，打败了传统的线性模型、CNN模型和Transformer模型•本系统已在河北邢台某集中式光伏电站试点运行，准确率高达96%。光伏发电功率预测模型示意图研究内容#1理论指导的深度学习在光伏发电预测中的研究体工程问题领域知识的有机结合，导致预测结果容易出现违反物理规则物理约束模块：将光伏发电的“领域知识”转换成“物理约束条件”，集成研究内容#1理论指导的深度学习在光伏发电预测中的研究[1]XingLuo;DongxiaoZhang*;XuZhu;DeepLearningBasedForecastingofPhotovoltaicPowerGenerationbyIncorporatingDomainKnowledge,Energy,225(2021)120240.[2]XingLuo;DongxiaoZhang;XuZhu;Theory-guidedLSTMforDay-aheadForecastingofPhotovoltaicPowerGeneration,AppliedEnergySymposium2020，Tokyo,Japan,Oct.10-17,2020.研究内容#2结合迁移学习和深度学习的光伏发电预测研究假设；然而在实际情况中，许多新建光伏电站由于缺乏充足数据，导致预测结果基于LSTM提出的两种参数迁移策略研究内容#2结合迁移学习和深度学习的光伏发电预测研究数据准备：本实验基于两个独立的光伏发电站获取的数据进行测试输入特征变量：17个与光伏发电相关的天气变量，包括地表光照辐射量、温度、湿度、云层量、大气压强等交叉验证设置：训练数据集—730天，测试数据集—91天的天气数据和对应光伏发电量数据光伏发电预测结果举例：平均97%隔天预报准确率（a）光伏电站#1（b）光伏电站#2研究内容#3基于深度学习的动态光伏发电预测研究解决方案：提出了基于深度学习模型的动态学离线预训练+在线动态训练定义了数据漂移侦测方法无数据漂移时:“邻近天”+“相似天”有数据漂移时:“邻近天”目标：提升日前光伏发电预测准确度目标：提升日前光伏发电预测准确度研究内容#3基于深度学习的动态光伏发电预测研究结论：结论：模型的训练效率；数据漂移的影响；光伏发电预测结果展示：前两张结果无漂移，后两张AD-LSTM性能提升比率：左图结果无漂移，右图结果有漂移研究内容#4不同保真度气象数据对光伏功率预测的影响研究内容#4不同保真度气象数据对光伏功率预测的影响），结论：CMF-DL预测平台与传统深度学习模型相比，在多数案例中能获得更高的准确率研究内容#4不同保真度气象数据对光伏功率预测的影响基于CMF-DL预测平台构造的CMF-LSTM和CMF-GRU模型，优于对应传统深度学智慧光功率预测系统技术优势光伏中大量分布式新建电站的预测需求，相比于市场上主流技术，可将历史数据需求从6•综合场景应用：实现发电侧、负荷集中式光伏电站：功率预测系统软硬件解决方案技术参数发电功率预测单次计算时间小于1分钟系统月可用率大于99%功率预测结果时间分辨率短期功率预测月平均准确率光伏≥95%；风电≥90%超短期功率预测月平均准确率光伏第四小时≥97%；风电≥92%核心研发单位：东方理工高等研究院集中式光伏电站：功率预测系统软硬件解决方案集中式光伏电站：功率预测系统软硬件解决方案智慧光功率预测系统应用：县域光伏应用宁波境内500个集中/分布式光伏电站智慧光功率预测系统应用：县域光伏应用ModelmaermsemapemspeprecisionProjectionDlinear智慧光功率预测系统应用：县域光伏应用100个测试站点中95%100个测试站点中95%的站点精度位于:(0.92,0.97)；平均精度为0.942，中位数为0.948；剩余5个站点精度为0.809,0.827,0.902,0.906,0.911。精度∈(0.809479,0.972313)智慧光功率预测系统应用：全国推广一、科学机器学习一、科学机器学习二、风功率与光功率预测技术三、电力负荷预测技术挑战：影响电力负荷的因素十分众多，电力负荷预测对于减少电力供给和需求之间电力负荷预测模型示意图AdvancesinAppliedEnergy高被引论文奖Chen,Y.,&Zhang,D.(2021).Theoryguideddeep-learningforloadforecasting(TgDLF)viaensemblelongshort-termmemory,AdvancesinAppliedEneChen,Y.,&Zhang,D.(2021).Theoryguideddeep-learningforloadforecasting(TgDLF)viaensemblelongshort-termmemory,AdvancesinAppliedEne负荷比值分解实现原理：f1：无量纲趋势—根据领域知识构建，是基准值，体现了先验信息的作用，反映区域固有模式（如产业、人口和能源结构）f2：局部波动值—无量纲趋势与待预测负荷比值的差值，受天气、日期等外驱力影响，较为复杂，通过EnLSTM预测Chen,Y.,&Zhang,D.(2021).Theoryguideddeep-learningforloadforecasting(TgDLF)viaensemblel