Goldwind SE : solution de prévision énergétique intelligente

L'introduction dans les parcs éoliens de la solution de prévision améliorée basée sur l'IA d'Analytics Zoo peut contribuer à l'amélioration de l'efficacité de leur production énergétique.

En bref :

  • Goldwind SE combine le deep learning et le machine learning avec des données provenant des prévisions météorologiques effectuées au niveau des éoliennes et de la simulation de la trajectoire du vent pour développer une solution de prévision énergétique intelligente innovante et ultra-sophistiquée avec des performances et une précision élevées.

  • Les données de Goldwind SE ont montré que l'introduction dans les parcs éoliens de la solution de prévision améliorée basée sur l'IA d'Analytics Zoo peut aider les entreprises du secteur énergétique à améliorer l'efficacité de leur production ainsi que la viabilité d'une énergie verte respectueuse de l'environnement.

author-image

Par

L'acceptation croissante des concepts d'énergie propre a conduit aux énergies renouvelables comme l'énergie éolienne et l'énergie solaire photovoltaïque (EPV) qui jouent un rôle de plus en plus important dans le secteur de l'énergie. Les données issues de la National Energy Administration (NEA) de Chine ont montré que la production d'énergie éolienne à l'échelle nationale au premier semestre de 2019 a augmenté de 11,5 % d'une année sur l'autre et la capacité photovoltaïque installée, quant à elle, a augmenté de 20 %1.

Contrairement aux sources d'énergie classiques, les nouvelles énergies comme l'énergie éolienne et l'EPV sont fortement influencées par les facteurs environnementaux. La nature aléatoire et variable du vent et de la lumière du soleil créé des conditions peu favorables à la stabilité et la sécurité du réseau. Au cours de ces dernières années, on a assisté à l'émergence de technologies de plus en plus adoptées par l'industrie des nouvelles énergies, notamment l'intelligence artificielle (IA), l'Internet des objets (IoT) et le Cloud Computing. Force est de constater que des techniques intelligentes seront appliquées pour résoudre les problèmes évoqués plus haut et deviendront la priorité des nouvelles entreprises énergétiques cherchant à prendre le leadership dans le développement de l'énergie verte du futur.

Avec pour objectif de devenir leader de l'intelligence et la numérisation des nouvelles énergies, Beijing Goldwind Smart Energy Services Co., Ltd. (« Goldwind SE ») se consacre au développement de systèmes et solutions IoT pour les nouvelles énergies. C'est l'un des pionniers sur la voie de l'énergie de verte. Goldwind SE combine le deep learning et le machine learning avec des données provenant des prévisions météorologiques effectuées au niveau des éoliennes et de la simulation de la trajectoire du vent pour développer une solution de prévision énergétique intelligente innovante basée sur une intégration à plusieurs modèles. À cet effet, l'entreprise a établi un partenariat étroit avec Intel pour construire une architecture distribuée basée sur Analytics Zoo, la plateforme unifiée d'analytique big data et d'IA d'Intel. Cette architecture distribuée englobe tout : le « feature engineering » (ingénierie des fonctionnalités), la capture des facteurs d'impact sur les prévisions, l'intégration multi-modèles et les mises à jour personnalisées des politiques. Des optimisations ont également été réalisées pour la nature chronologique des données de prévision. La solution innovante développée conjointement par Goldwind SE et Intel a ensuite été validée par une série de tests sur le terrain et, depuis lors, exploitée avec des résultats satisfaisants.

Goldwind SE a toujours misé sur l'intégration de technologies informatiques de pointe en développant des solutions dans le secteur des nouvelles énergies pour fournir aux utilisateurs des solutions plus rentables et plus agiles. L'architecture unifiée de bout en bout et les avantages de l'analyse des données chronologiques fournies par Analytics Zoo ont permis à notre solution à plusieurs modèles intégrés conçue pour la prévision d'énergie d'utiliser plus rapidement les données de prévision météorologique et de faciliter leur déploiement. « La précision et la stabilité des prévisions ont également été améliorées de façon considérable. » - Zhang Li, architecte en chef, Goldwind SE

Les énergies renouvelables propres comme l'énergie éolienne et l'EPV deviennent de plus en plus populaires. Cependant, les facteurs environnementaux tels que la vitesse du vent, la direction du vent, la lumière du soleil, la température et la pression de l'air rencontrés au cours du processus de production d'énergie, ont tous un impact majeur sur les systèmes énergétiques. Cela représente un véritable défi pour le matériel de production et les réseaux connectés en matière d'efficacité opérationnelle et de sécurité des équipements. Par conséquent, prévoir la production d'énergie à partir de nouvelles sources permet au système de répartition de réguler et d'optimiser les plans de production d'énergie ainsi que d'améliorer la capacité de régulation des pics. Ces prévisions contribuent également à réduire les contraintes liées à la consommation d'énergie éolienne ou photovoltaïque et à diminuer les coûts d'exploitation, afin de renforcer la compétitivité des entreprises du secteur énergétique.

Les données historiques et l'expérience humaine ont traditionnellement été utilisées par les entreprises énergétiques pour prévoir la production d'énergie. Cette approche est entachée de problèmes, notamment une faible précision et une forte volatilité. Les progrès de l'informatique ont conduit à l'application croissante de méthodes de prédiction informatisées et numérisées dans la prévision énergétique. La disponibilité accrue des algorithmes d'IA et la meilleure prise en charge d'une plus grande puissance de calcul ont permis de mettre en œuvre des méthodes de prédiction basées sur l'IA qui exploitent les big data historiques. La machine à vecteurs de support (SVM) et le perceptron multicouche (MLP), par exemple, se sont avérés efficaces dans l'amélioration de l'efficacité opérationnelle des systèmes énergétiques.

Forte de sa grande expérience dans la prévision d'énergie intelligente, Goldwind SE pense que les méthodes de prévision basées sur l'IA existantes peuvent être davantage optimisées. D'une part, il est encore possible d'améliorer à la fois la précision et la stabilité des méthodes de deep learning et de machine learning. D'autre part, les entreprises énergétiques sont confrontées à des défis informatiques au cours d'une série de processus de construction de modèles tels que le feature engineering et l'apprentissage en ligne/hors ligne à court terme ou à très court terme, etc. impliqués dans les systèmes de prévision. Goldwind SE souhaite introduire de nouvelles technologies et fournir une solution de prévision énergétique intelligente de nouvelle génération plus précise et plus facile à déployer aux utilisateurs du secteur.

Solution de prévision énergétique multi-modèles intégrée aux données de prévision météorologique

Le processus de prévision énergétique intelligente est généralement divisé en modules pour la collecte, le stockage, la gouvernance, l'inférence et l'apprentissage IA des données en périphérie. Comme le montre la figure 1, les capteurs à la périphérie déployés dans l'éolienne et l'onduleur photovoltaïque transmettent au centre de données, pour stockage, des données environnementales et opérationnelles complètes, notamment la vitesse du vent, la température, la puissance et la production d'électricité. La validité des données est ensuite vérifiée à l'aide du module de gouvernance des données. Puis, un framework de deep learning ou de machine learning approprié est utilisé pour combiner les données filtrées avec les données historiques pour l'apprentissage et l'inférence. Le modèle qui en résulte est utilisé pour cartographier les relations entre les facteurs environnementaux et l'énergie, la puissance et l'énergie, et la production et l'énergie pendant un certain temps.

Figure 1 : processus traditionnel de prévision énergétique basé sur l'IA.

La prévision énergétique traditionnelle basée sur l'IA utilise un seul modèle d'algorithmes d'IA pour effectuer l'apprentissage et l'inférence sur les échantillons de données pour les paramètres environnementaux, l'énergie et la production. Bien que cette approche puisse fournir des prévisions précises sur une période de temps relativement courte (dans les 15 à 30 minutes qui suivent), la précision des prévisions diminue à mesure que le délai augmente. Même les prévisions à très court terme qui sont le plus souvent utilisées dans les systèmes de prévision pour produire de l'énergie doivent couvrir la production d'énergie pendant les quatre prochaines heures. En d'autres termes, les systèmes de prévision doivent maintenir un niveau élevé de précision et de stabilité pour les 16 points temporels suivants (15 minutes = 1 point temporel).

Par des recherches et des tests, Goldwind SE a constaté que la précision et la stabilité des prévisions pouvaient effectivement être améliorées en introduisant tout juste deux technologies dans les anciens systèmes de prévision intelligents. La première étape consiste à intégrer les prévisions météorologiques dans les systèmes de prévision énergétique. Comme l'approche traditionnelle utilise les données d'énergie existantes pour prévoir la future production d'énergie, les données chronologiques faisaient défaut. Les données de prévision météorologique permettent effectivement de faire face à ce manque de données chronologiques qui garantissent une précision constante en matière de prévision pour chaque futur point temporel. L'autre technologie introduite est l'intégration à plusieurs modèles. Cela implique que des modèles de deep learning ou de machine learning sont sélectionnés et combinés avec les données de prévision météorologique en fonction des besoins réels pour améliorer la précision du système de prévision.

Figure 2 : prévisions météorologiques effectuées au niveau de l'éolienne et simulation de la trajectoire du vent.

La prévision énergétique nécessite également des paramètres et des mesures très précis tirés des données de prévision météorologique, notamment une bonne résolution spatiale, une analyse de fonctionnalités qualitative et quantitative et une précision de prévision stable. Pour garantir la stabilité et la précision de la nouvelle solution par le biais de prévisions combinées, Goldwind SE a établi des partenariats avec des institutions faisant autorité comme l'Agence météorologique chinoise (CMA) et le Centre européen pour les prévisions météorologiques à moyen terme (CEPMMT). Comme le montre la figure 2, l'échelle des prévisions météorologiques effectuées au niveau des éoliennes (à gauche) a été affinée, passant de l'échelle standard de 9 km à une micro-échelle de 100 m. La simulation de la trajectoire du vent (à droite) peut désormais effectuer une analyse quantitative des trajectoires réelles du vent.

Figure 3 : architecture de la solution de prévision multi-modèles intégrée avec des données de prévision météorologique.

Grâce à l'incorporation de données de prévision météorologique de grande qualité, Goldwind SE a pu créer une solution de prévision basée sur l'intégration à plusieurs modèles. La solution commence par extraire des big data pour le feature engineering et pour la capture des facteurs d'impact sur la prévision tels que la vitesse du vent, la direction du vent et la température. Comme le montre la figure 3, les données de prévision météorologique provenant de sources différentes, notamment de la CMA et du CEPMMT, sont associées aux paramètres fournis par plusieurs algorithmes de deep learning et de machine learning dans une nouvelle méthode, à savoir SVM+CMA.

La nouvelle solution peut fournir plusieurs autres combinaisons en cas de besoin. Les modèles algorithmiques de chaque combinaison peuvent continuer à former ses sous-modèles en utilisant les données les plus récentes. Ces sous-modèles peuvent ensuite faire l'objet d'un auto-apprentissage, de mises à jour et de remplacements réguliers afin d'accroître la précision du système de prévision par des itérations continues.

Avantages de la solution de prévision énergétique intelligente innovante de Goldwind SE

  • La solution à plusieurs modèles intègre des données de prévision météorologique et assure une meilleure prise en charge des données chronologiques, ce qui offre une précision et une stabilité supérieures à celles des solutions traditionnelles.
  • Analytics Zoo, la plateforme unifiée d'analytique big data et d'IA d'Intel, offre une solution de distribution de bout en bout unifiée. La nouvelle solution peut aider les utilisateurs à améliorer l'efficacité et l'évolutivité du développement et du déploiement du système, tout en réduisant les coûts du matériel, d'exploitation et de maintenance.
  • Les fonctions et avantages uniques d'Analytics Zoo pour l'analyse de données chronologiques améliorent les performances de prévision, ce qui permet une meilleure adaptation du modèle de prévision et de la production d'énergie réelle.

Construire une architecture de prévision d'énergie distribuée à l'aide d'Analytics Zoo

L'incorporation des données de prévision météorologique est le principal avantage de la nouvelle solution de Goldwind SE. Il est évident que les données de prévision météorologique sont un exemple classique de données chronologiques car leurs valeurs changent au fil du temps. Le choix d'une architecture plus adaptée au traitement des données chronologiques améliore naturellement la précision et la stabilité du système de prévision. C'est au sein de cette architecture qu'Analytics Zoo, la plateforme unifiée d'analytique big data et d'IA d'Intel, offre une solution distribuée unifiée de bout en bout qui améliore l'efficacité et l'évolutivité du système en matière de développement et de déploiement. Sa fonctionnalité et ses avantages uniques dans le domaine de l'analytique de données chronologiques offrent également d'importantes améliorations aux nouvelles solutions.

Analytics Zoo est une fusion des innovations d'Intel dans les domaines de l'analytique big data et de l'IA. Comme le montre la figure 4, elle aide Goldwind SE à intégrer Spark, TensorFlow, Keras, et d'autres logiciels et frameworks utilisés dans sa nouvelle solution au sein d'un seul pipeline. Cette approche permet à Goldwind SE d'intégrer tous les processus de stockage de données, de traitement de données, d'apprentissage et d'inférence dans une infrastructure unifiée, ce qui améliore considérablement l'efficacité du déploiement, l'utilisation des ressources et l'évolutivité de sa nouvelle solution tout en réduisant les coûts de gestion du matériel et de maintenance du système.

Figure 4 : architecture de prévision énergétique distribuée basée sur Analytics Zoo.

Analytics Zoo peut également utiliser efficacement les nombreuses bibliothèques d'accélérateurs logiciels sous-jacentes offertes par Intel, notamment Intel® Math Kernel Library (Intel® MKL) et Intel® Math Kernel Library for Deep Neural Network (Intel® MKL-DNN), ce qui permet d'optimiser davantage la solution de prévision énergétique de couche supérieure. Les modèles TensorFlow et Keras peuvent être étendus de manière transparente aux clusters big data afin d'améliorer la facilité avec laquelle les utilisateurs peuvent utiliser l'architecture distribuée dans leur solution d'apprentissage ou d'inférence pour des améliorations supplémentaires.

Outre son architecture de plateforme unifiée de bout en bout, le principal avantage d'Analytics Zoo réside dans son éventail de fonctions et de fonctionnalités pour l'analyse de données chronologiques. Analytics Zoo fournit des solutions complètes pour différentes applications d'analyse comme la prévision chronologique, la détection d'anomalies, le feature learning et le clustering. Goldwind SE peut ainsi introduire facilement dans sa nouvelle solution davantage de combinaisons de méthodes de prévision. Analytics Zoo offre également un large éventail de composants préconfigurés pour les données chronologiques.

  • Modèles courants de deep learning et de machine learning pour la prévision énergétique : LSTM, Encoder-Decoder, MtNet, ARIMA, etc.
  • Méthodes courantes de prétraitement de données et de feature engineering pour la prévision énergétique : fonctionnalités date et heure, différence de temps, transformation logarithmique, fenêtrage dynamique, etc.
  • Méthodes courantes de détection d'anomalies pour la prévision énergétique : méthode des percentiles, méthode basée sur la distribution, méthode fondée sur l'incertitude, auto-encodeur, etc.

En plus des composants ci-dessus, Analytics Zoo a également fourni à la nouvelle solution des méthodes AutoML (Automated Machine Learning) pour la sélection automatisée des fonctionnalités, la sélection des modèles et l'optimisation des hyperparamètres. Cela améliore la capacité du modèle de prévision à s'adapter à la période de variation de la production d'énergie.

Goldwind SE et Intel ont mené des essais sur le terrain dans un certain nombre de sites de test photovoltaïques à travers le pays pour valider la nouvelle solution de prévision énergétique distribuée basée sur Analytics Zoo. Le programme de validation a duré un mois. Dans chaque site de test photovoltaïque, 30 000 enregistrements en une heure ont été utilisés pour effectuer 5 000 optimisations itératives du modèle LSTNet. Les données de prévision énergétique pour les deux prochaines heures ont ensuite été renvoyées dans un délai de 50 ms. Les résultats de la validation observés dans la figure 5 montrent que la précision de prévision de la nouvelle solution a atteint 79,41 %2, soit une augmentation de 20 % par rapport à la précision de l'ancienne solution estimée à 59 %.

Figure 5 : comparaison entre les nouvelles et les anciennes solutions.

Regard sur l'avenir : de l'innovation de pointe à l'implémentation accélérée

En collaboration avec Intel, Goldwind SE a développé une solution de prévision énergétique intelligente innovante et ultra-sophistiquée avec des performances et une précision élevées. Des travaux ont maintenant commencé sur son application pratique. Les données de Goldwind SE ont montré que l'introduction dans les parcs éoliens de la solution de prévision améliorée basée sur l'IA peut aider les entreprises du secteur énergétique à améliorer l'efficacité de leur production ainsi que la viabilité d'une énergie verte respectueuse de l'environnement.

Intel et Goldwind SE envisagent de renforcer davantage leur collaboration afin de développer des solutions de prévision énergétique intelligentes pour les nouvelles énergies à l'avenir. Goldwind SE espère développer une plateforme de gouvernance des données complète basée sur Analytics Zoo pour l'optimisation des données. Les deux entreprises prévoient également d'étendre la validation de la nouvelle solution à 100 sites photovoltaïques et aux applications de prévision énergétique éolienne afin d'obtenir des données supplémentaires et de développer des modèles et des solutions plus optimisés. Les utilisateurs disposeront ainsi de systèmes de prévision énergétique intelligents, de grande qualité et hautement disponibles pour les nouvelles énergies. Cela constituera un autre exemple d'intégration innovante des technologies informatiques et d'énergie verte.

Télécharger le PDF ›

Infos sur le produit et ses performances

1Données issues du rapport de la National Energy Administration : http://www.nea.gov.cn/2019-07/26/c_138259422.htm, http://www.nea.gov.cn/2019-08/23/c_138330885.htm.
2Configuration de test : Processeur : processeurs Intel® Xeon® Gold 6130 Mémoire : 192 Go DDR4 2666 MHz Système d'exploitation : CentOS 7.6 Version de Spark : 2.4.3, veuillez contacter Goldwind SE pour plus de détails.