第20回CCF全国高性能コンピューティング会議（CCF HPC China 2024）- 数値シミュレーションエンジニアリングアプリケーションにおけるインテリジェントスーパーコンピューティング融合テクノロジーフォーラム- において、中国科学院コンピュータネットワーク情報センター人工知能部のエンジニアである万孟氏は、太陽光発電と電力負荷において彼のチームが蓄積してきた実用的なアプリケーションと方法論、および時系列予測の分野におけるディープラーニングの最先端の研究動向を共有し、新たなエネルギー予測のための新しい技術的アイデアと方法を提供しました。

HyperAIは、この詳細なプレゼンテーションを、本来の意味を変えることなく、時系列、新エネルギーの背景概要、研究基盤、研究進捗の4つの部分に分けてまとめ、要約しました。以下はプレゼンテーションの書き起こしです。

時系列にはさまざまな側面をカバーする幅広い用途があります。

私たちが研究する時系列データは、特定の対象物の将来の発展傾向や状態を科学的に予測・評価することを目的としています。日常生活において、時系列データは交通流、金融・経済、気象、ウイルス感染、エネルギーなど、幅広い分野に応用されています。

時系列分析に関する現在の研究は、主に4つのカテゴリに分類されます。1つ目は時系列の将来予測で、既知の履歴シーケンスを使用して将来のシーケンスを予測し、太陽光発電予測、天気予報、株式市場予測などを行います。2つ目は時系列のギャップフィリングで、世論の監視、センサーの故障検出、産業機器のメンテナンスなどを行います。産業シナリオにおけるセンサーの誤動作による運用データの欠落などです。3つ目は時系列異常検出（異常トラフィック）で、ネットワークトラフィックでよく見られる現象で、異常なネットワーク攻撃、異常な環境監視、金融詐欺の特定などです。4つ目は時系列分類で、医療における心電図分類、音声分類、地震監視などです。

次に、時系列と従来の言語シーケンスの重要な違いを探ります。人間の言語シーケンスは典型的には文で構成され、離散的な表現であり、高い意味密度を持ちます。一方、時系列は主に自然信号で構成され、連続した数値点を含む場合もあり、その主な特徴は比較的低い意味密度です。

昼間の電力消費の難しさと夕方のピーク時の電力供給不足の矛盾はますます顕著になり、再生可能エネルギーの予測に3つの大きな課題をもたらしています。

この課題を解決する方法を議論するにあたり、私は、私たちのチームの時系列再生可能エネルギー分野、特に太陽光発電出力の予測に関する研究の進捗状況を紹介することに焦点を当てます。

太陽光発電（PV）は、昼間に大量の発電を行う一方で、夜間にはほとんど出力がなくなるという特性があるため、電力システム全体の調整が困難になります。特に、新エネルギーの吸収が困難になる午後の時間帯は顕著であり、一方で夜間ピーク時の電力供給も逼迫するため、この矛盾が顕著になっています。そのため、前日発電計画の策定、日中電力需給バランスの調整、電力市場の運用において、PV発電量の正確な予測に対する需要はかつてないほど高まっています。

太陽光発電の現状

しかし、現在、新エネルギー源の予測には3つの大きな課題があります。第一に、数値気象予報は高精度太陽光発電所の予測要件を満たすことができません。第二に、集中型太陽光発電所モデルは電力変動を記述するのに不十分であり、複数の時間および気象条件下での予測ニーズへの適応が困難です。第三に、分散型太陽光発電所は地上日射量が不足しており、時空間特性分布が不十分であるため、複数の時間スケールでの予測ニーズを満たすことができません。

集中型および分散型太陽光発電所向けのマルチタイムスケール電力予測モデルの構築

一連の課題に対処するため、私たちは、集中型および分散型太陽光発電所のマルチタイムスケール電力予測モデルの構築を目的とした、複数のモデル研究スキームを提案しました。まず、衛星雲画像、数値天気予報データ、地上観測データ、太陽光発電所の観測データなど、異なるタイムスケールと気象タイプをカバーする複数の気象データソースを収集しました。

次に、このデータに基づき、集中型および分散型太陽光発電所の超短期予測を導くための、さらに上位レベルの日射量予測モデルを構築しました。これを基に、超短期、中期、短期などの時間スケールの予測モデルをさらに構築し、最終的に、あらゆる時間スケールをカバーする予測プラットフォームを構築しました。

全体的な研究枠組み図

複数のソースからの気象データ

まず、現在の太陽光発電所の地表太陽放射照度の超短期予測モデルの主な問題は、数値天気予報が通常12時間ごとに更新され、空間解像度と精度が低いため、太陽光発電所の予測に必要な空間解像度と時間解像度を満たすことが難しいことです。

この問題を解決するため、ひまわり8号の雲画像と数値天気予報データを組み合わせました。ひまわり8号の雲画像は空間解像度4km×4km、時間解像度10分ですが、20分の遅延があります。一方、数値天気予報は時間解像度15分、空間解像度9km×9kmで、12時間ごとに更新されます。

太陽光発電所の地表日射量の超短期予測モデルの技術的ルート

輝度予測モデル

これらの矛盾に対処するため、私たちは超短期予測モデルを開発し、様々な補間法を用いて複数の気象データ源を並列に調整することで、データ遅延の問題を解決しました。Res-UNetと双線形補間に基づく地表短波日射量予測法を用いることで、様々な気象条件下で予測されたMAEとRMSEをそれぞれ平均31.31%と22.18%削減しました。右下の図は、河北省歙県東皇中店頭サイトの実際のケーススタディを示しています。この結果は、Res-UNetがNWPやUNetよりも日射量の変動とピーク値の予測精度が高いことを示しています。

太陽光発電所の地表日射量の超短期予測モデルの構築と事例研究

太陽光発電予測モデル

集中型太陽光発電（PV）発電所向けの超短期（USS）予測モデルの主な問題は、数値気象予測への依存度が高く、精度が不十分なことにあります。この問題に対処するため、デュアルエンコーダコンバータに基づく集中型PV USS電力予測手法を提案します。この手法は、地上観測データと衛星雲画像から得られる雲の変化特性を組み合わせることで、数値気象予測データのみに依存するPV予測の限界を克服します。

UNetクラウドマップ特徴抽出バックボーンネットワークとマルチソースデータ融合デュアルエンコーディングトランスフォーマー

集中型太陽光発電所の短期出力予測において、単一モデルの予測誤差は比較的大きく、突発的な気象現象の影響を受けやすい。この問題を解決するため、我々は時分割型長短期記憶ネットワークに基づく集中型太陽光発電短期出力予測手法を提案する。この手法は、日射量、周囲温度、湿度などの過去の気象データと太陽光発電量との間の時間的相関特性を総合的に利用することで、単一の予測モデルでは複雑で変動の激しい気象条件に適応できないという問題を解決し、複雑な気象条件下における予測精度を効果的に向上させる。

集中型太陽光発電所の短期予測モデルの技術的ルート

中長期予測において、太陽光発電（PV）発電量の季節変動、周期変動、そして長期的なトレンド変化を捉えることが主な課題です。この課題に対処するため、我々はデュアルアテンションエンコーダに基づく集中型中期PV発電量予測手法を提案します。この手法は、周期変動、季節変動、そしてトレンドベースの気象データを総合的に活用することで、異なる季節や連続期間にわたる特性を正確に捉え、時系列期間とトレンドの自動抽出を実現した初めての手法です。関連する研究成果はAAAI会議で発表されました。

論文の宛先:
https://ojs.aaai.org/index.php/AAAI/article/view/25845

インタラクティブな並列注意と進化的季節性およびトレンド分解に基づく中期電力予測法

分散型太陽光発電（PV）発電所の全期間予測モデルの主な問題は、その規模が小さく、広範囲に分布し、正確な現地気象観測データが不足していることです。現在の予測モデルは、複数の情報源から得られるデータの時空間的融合を十分に考慮しておらず、その結果、十分な精度が得られていません。そこで、本研究では、超短期、短期、中期シナリオに対応した分散型PV発電所の電力予測モデルを提案します。

また、大規模分散型太陽光発電（PV）電力と周囲の集中型PV発電所の測定気象データおよび衛星雲画像との時空間相関関係を自動的に抽出するための多層グラフ注意メカニズムも提案しました。分散型PV発電所からの数値気象予測データと集中型PV発電所の地上測定データを局内および局間の注意メカニズムによって統合し、予測モデルで地理空間特徴の融合を実現するデュアル注意ネットワークに基づく分散型PVの短期電力予測モデルも提案しました。また、相関の強い集中型PV発電所をグレーリレーショナル分析でフィルタリングし、局間-局内のマルチレベル細粒度注意メカニズムを使用して集中型PV発電所の気象特性と分散型PV発電所の電力との時空間相関関係を自動的に抽出する、地理認識多層注意メカニズムに基づく分散型PVの中期電力予測方法も提案しました。

分散型太陽光発電所の全時間スケール予測モデルの技術的ルート

包括的なプラットフォーム

最終的に、全電圧レベルと複数の時間スケールに対応した省レベルの日射資源および太陽光発電監視・予測・制御システムプラットフォームを開発しました。このプラットフォームには、太陽光発電資源および運用データ監視モジュール、集中型太陽光発電全時間スケール予測モジュール、分散型太陽光発電全時間スケール予測モジュール、および太陽光発電統合制御モジュールが含まれています。

• 太陽光発電資源および運用データ監視モジュールは、気象データの測定と表示を可能にし、集中型太陽光発電所と大規模低電圧分散型太陽光発電システムのパノラマ監視を提供します。
• 集中型の太陽光発電全時間スケール予測モジュールにより、時間スケール全体にわたって太陽光発電のリアルタイム監視、異常警告、モデルの自己学習が可能になります。
• 分散型太陽光発電全時間スケール予測モジュールは、NWPデータ管理、太陽光発電所測定データおよび基本データ管理、地域電力予測、太陽光発電所電力予測、システム管理などの機能を実装します。
• 太陽光発電統合制御モジュールは、包括的なデータ監視と共同最適化スケジュールを実現し、集中型と分散型の予測、自動調整と最適化、異常検出とアラームを組み合わせ、電力網の安全で安定した運用と新エネルギーの高レベル消費を保証します。

全電圧レベルと複数の時間スケールを備えた省レベルの放射照度リソースと太陽光発電の監視、予測、制御システム プラットフォーム。

非新エネルギー分野における時系列研究における2つの大きな進歩

次に、主に非新エネルギー分野における時系列解析の進展について紹介します。まず、セマンティックエンハンスメントとマルチストリームパイプラインに基づく汎用ロスレス圧縮フレームワークを提案します。これは主に、バイトストリームセマンティックエンハンスメント、マルチストリームパイプラインアクセラレーション、メモリ最適化という3つの研究内容を含みます。

バイト ストリームのセマンティック強化に関しては、パッチ次元融合や適応型スライディング ウィンドウなどの技術を含む、複雑なセマンティック情報を取得するための一連の新しい方法を開発しました。

マルチストリーム パイプライン アクセラレーションに関しては、GPU マルチコピー エンジン用のマルチストリーム アクセラレーション モジュールと、CPU マルチコア システム用のキュー モデルを開発しました。

バイトストリームのセマンティック拡張とマルチストリームパイプラインフレームワーク

メモリ最適化に関しては、マルチストリームシナリオ向けの新たなメモリ最適化戦略を提案します。具体的には、まずアナライザーを用いてメモリの割り当てと解放の順序を分析し、共有可能なメモリブロックを特定します。メモリの再利用性を最大化するため、数は少ないもののメモリの大部分を占めるメモリブロックに着目します。

これに基づき、ストリーム間の共有メモリブロックを管理するための共有プール戦略を設計します。ストリームが使用する連続した大きなメモリブロックは共有プールに解放され、予約済みブロックとしてマークされます。次のブロックストリームは、これらの予約済みブロックのアドレスへのポインタを調整することで、これらの予約済みブロックにアクセスできます。S2が新しいメモリ空間を要求すると、共有プール内で利用可能な予約済みブロックを検索します。適切なブロックが見つかった場合、mallocは次のストリームでそれを再利用するため、メモリを大幅に節約できます。

メモリ最適化フレームワーク

主な成果としては、ディープラーニング コンプレッサーの場合、画像、テキスト、オーディオ、ビデオ、異種混合データで平均 3% を超える圧縮率と 35% を超える圧縮速度向上が達成され、PAC コンプレッサーと組み合わせると現在の最先端技術 (SOTA) に達します。セマンティック拡張手法を時系列分析などのタスクに拡張して、時系列予測の精度をさらに向上できます。マルチストリーム パイプライン アクセラレーションを非可逆圧縮などの分野に拡張して、全体的な圧縮速度を向上させることができます。

圧縮結果

一方、我々は一般的な時系列データを対象としたマルチスケールモデルであるCSIformerを提案する。まず、中心点と左右の境界を学習することで、従来のハイパーパラメータに自動的に適応する適応型パッチ分割ネットワークを設計する。さらに、マスク行列を用いて異なる意味密度ブロックのストライドサイズを調整する適応型ストライド戦略を提案する。最後に、長いシーケンスにおける情報の捕捉と認識を強化するために、ピラミッド融合戦略も設計し、これにより長いシーケンスにおけるモデルのパフォーマンスを向上させる。

CSIformer マルチスケールモデル

太陽光発電（PV）予測のためのマルチレベルシーケンス分解モデルの分野では、ウェーブレット分解ユニット（WTDU）、季節トレンド分解ユニット（STDU）、そしてSEEDTransアーキテクチャに焦点を当てました。特に、このモデルは中国河北省の6つの発電所において、従来のARIMAモデルと比較して40%を超える予測精度を達成しました。

万萌について

万孟氏は北京科技大学の博士課程に在籍し、現在は中国科学院コンピュータネットワーク情報センター人工知能部門でエンジニアとして勤務しています。北京郵電大学でソフトウェア工学の学士号、英国サウサンプトン大学で修士号を取得しています。

主な研究分野は、太陽光発電予測、高分子材料の計算・シミュレーション、生態系における炭素循環といった時系列予測と人工知能プラットフォームです。「中国科学技術クラウドソフトウェア資源プールの構築」や「人工知能の革新的応用」などのプロジェクトに参加しています。

Wanmengの​​メールアドレス：[email protected]