AI+电力场景明晰！有望率先落地环球实时

2023-06-09 20:28:08 | 来源:九方智投 | 编辑: |

【摘要】

风光发电受自然环境影响，存在显著间歇性和波动性特征，发用电的不匹配将对电网的稳定性产生较大冲击，造成巨大经济损失。随着新能源装机规模快速提升，电网的稳定性受到更大挑战，新能源发电功率预测需求提升。

(资料图片仅供参考)

华为云发布了盘古气象大模型，预测精度首次超过传统数值方法，速度提升10000倍。

根据沙利文发布的数据，2019年我国新能源发电功率预测行业市场规模为6.34亿元，预计2024年市场规模将达到13.41亿元，2019-2024年新能源发电功率预测市场规模的复合增速高达16.2%，新能源功率预测具备广阔成长空间。

国内外光伏功率预测软件研究深入前沿，机构相关服务应用成熟稳健。国内目前关于光伏功率领域的研究稍滞后于欧美发达国家，仍处于积极探索阶段。如中国电力科学研究院电工所开发的针对光伏功率预测和光伏系统设计的软件中，光伏功率预测已开始应用于电力系统运行；国家电网D5000系统的新能源监测与调度高级应用中均已包含光伏功率预测功能模块等。

国外对风电功率预测软件的研究较早，技术也相对成熟，比如丹麦开发的Zephry系统、德国的WPM系统、西班牙的Local Pred-Regio Pred系统等。

目前大部分预测系统都采用组合方法进行预测：

1）物理方法：主要基于物理量进行预测，比如数值天气预报得到的风速、气压、空气密度等数据风电场附近的地势、等高线、粗糙度等物理信息以及风电机组的轮毅高度、穿透系数等技术参数，其目的是找到风电机组轮毂高度处的风速最优估计值，根据风电机组或风电场的功率曲线转换为风电场的输出功率。

2）统计方法：是根据系统观测到的风速或风电功率历史数据，通过曲线拟合、参数估计等方法，建立系统输入与输出的线性或非线性映射关系，从而对未来风电功率的输出趋势做出预测，常见的方法有时间序列法、回归分析法、聚类分析法、灰色预测法等。与物理模型相比，统计学模型更容易建模。

3）元启发式：本质是对生物的作息规律进行模拟，采用某种学习算法，通过对大量的输入数据进行训练，提取输入（预测条件）与输出（待预测的物理量）的关系。如常见的人工神经网络、支持向量机、粒子群优化算法、专家系统、遗传算法等都属于该范畴。

与统计学方法相比，智能方法也需要大量的历史观察数据，但其不需要得到输入和输出之间具体的数学表达式，而是通过训练获得风速或风电功率的预测模型。

国外风电功率预测系统梳理：欧美地区

国内风电功率预测系统梳理：包含中国电科院、气象局、中科伏瑞、湖北气象局

基于不同时空尺度，大多数预测系统采取相应的预测方式：

1）超短期预测（0-6h）：主要采用统计、物理混合方法，根据地球同步卫星拍摄的卫星云图推测云层运动情况，预测到达地面的辐照强度，通过太阳辐照强度与功率转换效率模型，从而对功率进行预测。一般用于光伏发电控制、电能质量评估及光伏电站组件部分的研发。

2）短期预测（6h-1d）：主要以NWP（天气预报信息）数据为主，通过建立历史输入数据与历史输出功率的映射关系，进而获得光伏电站输出功率的预测值。一般用于电力系统的功率平衡和经济调度、日前发电计划制定、电力市场交易、暂态稳定评估等。

3）中长期预测（1月-1年）：主要是根据地区历史光资源数据等估计未来较长时间段内的光伏功率，多用于系统的检修安排、发电量的预测等。

国内、国外光伏预测系统梳理：包含国能日新、国电南瑞、木联能、悠阔电气

他山之石

接下来我们梳理一家老牌智慧能源解决方案供应商——Energy&Meteo公司。

EM公司成立于2004年，2015年虚拟电厂业务上市，2017年与配电网运营商Del Sur合作，致力于研究可再生能源可以实现的预测质量及其对电力调度、电网整合和系统运营的有用性。2019年EM公司凭借其IT平台Future Power Flow获得IEC加速器计划的支持，并首次引入智能电网规划等模式，推进数字能源转型。

2021年，EM公司分拆为三家子公司以应对数字能源转型浪潮，其中风光发电功率预测以及国际能源市场的咨询服务的业务领域将继续由EM公司负责；与虚拟电厂相关的业务由emsys VPP GmbH管理；emsys grid services GmbH则借助IT平台Future Power Flow为电网运营商提供智能解决方案。

Energy&Meteo业务发展复盘，始终致力于可再生能源的整合

EM公司至今已经覆盖了全球20多家电网运营商，200多家客户，预测了全球50%以上的风力发电以及40%以上的太阳能发电功率。能够实现每天为6大洲的客户提供数百万个预测数据集服务。

EM公司业务类型齐全，客户质量高

1）在发电功率预测领域：为客户提供个性化的风能和太阳能精确预测、电网负荷预测、营销和电网整合服务。

2）在虚拟电厂领域：基于SAAS整合vRE和DER，以进行电力监测、远程控制、电力贸易和需求侧管理等。

3）在电网管理领域，基于“Future Power Flow IT”平台，帮助电网运营商进行电力市场阻塞管理和流程优化管理。在咨询研究领域，主要为VRE入网提供咨询服务，服务客户包括AEMO、mprion、Avacon等电力行业巨头。

EM公司在全球已服务500GW的风光电站，功率预测技术领先。

依靠其精准的Previento和Suncast预测系统，EM公司能实现全球任何陆上和海上站点的可靠预测，时间范围从未来5分钟到15天不等，在近期德国北部海岸的风能项目中，EM公司预测误差率平均在5％以内。

此外，其预测模型也将极端情况纳入考虑，包括雾、雪、沙尘、冷锋、对流天气等。其他影响电力生产的因素也被考虑在内，例如风暴或自然生物造成的停工。

元预测借助于模型历史性能的质量来确定最佳统计权重，便于与其他提供商的预测模型相结合

系数的确定可以自动地或手动地进行。通过额外的短期校正，还可以对模型组合学中与天气相关的变化做出最佳反应，这也使得在困难的天气条件下能够获得高质量的预测。

即使是四天的长期预测，EM的元预测也能够确保高于平均水平的预测质量。

多种可视化途径带来使用的便利性。通过预测和测量时间序列数据可以以多种方式可视化，并分组到各个概览屏幕及仪表板中，以及地图和散点图形式，相关的数据还可以通过客户门户导出和下载。

AI时代展望：气象大模型破局，大幅提升预测速度及精度

随着AI的迅速发展，基于人工智能的预测模型具有诸多优点，为当前主流研究领域。针对电力行业属性，AI+电力是提升效率，解决痛点问题的有效手段，正如下文应用可行性分析框架所列，我们可以多维度的视角，分析判断AI有望最先在哪些细分行业和公司落地。

相比物理建模、时间序列建模等传统方法，基于AI的预测模型对于高维非线性样本空间具有良好的拟合能力；模型参数基于数据训练得到，更容易获取；模型的输入特征亦可灵活构建；结合智能优化算法还可进行参数自动寻优，进一步省去了人工调参的工作量。

基于AI的新能源功率预测技术框架图

2021年，Google旗下的AI实验室Deep Mind与英国气象学家合作创建了一个模型，比当前系统更适合进行短期预测，一方面，当前的天气预报主要由数值天气预报系统（NWP）驱动，但NWP很难为2小时内的临近时间生成高分辨率预测；另一方面，近年来已有几种基于机器学习的气候预测方法被开发出来，这些方法虽然能准确预测低强度降雨，但在罕见的中大雨事件中表现不佳。

Deep Mind的DGM学习了数据的概率分布，并曾基于2016年至2018年英国雷达记录的大量降水事件数据集训练。训练之后它可以在单个英伟达V100GPU上运行仅一秒多后提供临近预报。同时它还能够预测难以跟踪的天气事件，以及准确预测降水的位置。通过50多位气象专家的系统评估，与其他两种竞争方法相比，Deep Mind的生成模型以89%的绝对优势在准确性和实用性两方面排名第一。

华为云盘古气象模型预测精度首超传统数值预报方法，破局中长期气象预测难题。

中长期气象预测准确率往往较低，传统数值预报将气象监测数据代入数学物理方程式进行预测，难以改变中长期气象预测的困境。

盘古气象大模型是首个精度超过传统数值预报方法的AI预报方法，预测精度在1小时到7天内均高于传统数值方法（欧洲气象中心的operational IFS），同时能够提供秒级全球气象预报，包括位势、湿度、风速、温度、海平面气压等，预测速度提高10000倍以上，台风轨迹预测准确度世界第一，相比欧洲气象局提升约20%，并且可实现20公里范围内、小时级、13层最高精度气象预报，如台风生成时间与移动轨迹预测的预测准确率超过85%。

同时，盘古气象大模型在一张V100显卡上，只需要1.4秒就能完成24小时的全球气象预报。

小结

电力行业方面，可结合AI+的应用场景包括新能源发电功率预测；电厂BIM智能化设计；电网智能调控和辅助决策；输电线路智能巡检、变电站智能运检、配电智能运维；虚拟电厂、微电网。

对应这些领域，我们面向行业主要衡量的维度有：

能否解决长期痛点问题：电网承担最主要的功能是维持用电侧与电网侧动态平衡，而新能源装机比例上升无疑加大了电力调度与消纳的难度，因此若AI加持能有效解决消纳相关细分环节的痛点问题，相关政策导向和资金投入将有望向此环节倾斜。

行业数据是否具有较低敏感性和安全性风险：大模型需要通过海量数据训练，而电网行业本身涉及到民生用电与数据安全性问题，部分信息不便用于大规模公开训练，因此若某一细分环节数据敏感性较低或用户已授权使用，则大模型将更快接入落地。

行业是否已较早应用布局AI/技术实践：电网多个应用场景较早地应用了AI技术，例如输变电线路运维和巡检方面，2011年开始，部分企业就已开展了通过AI对电力设备外表缺陷进行识别、预测、跟踪运行等研究探索。

已有华为等厂商开发出行业相关大模型：例如华为盘古CV视觉大模型，已在L2 级细分场景上，推出基于电力大模型的无人机电力巡检、电力缺陷识别等场景模型。

参考资料：

20230505-国金证券-电力设备与新能源行业研究：AI+电力场景明晰，新能源功率预测及电网运维有望率先落地

20230510-中泰证券-国能日新-以功率预测为基，打造新能源信息化产品与服务矩阵

20230529-国金证券-国能日新-功率预测基本盘稳健，电力市场交易、储能、虚拟电厂齐头并进