隨著并入電網的風力發電和太陽能發電的容量比例越來越高，不僅用電需求會發生波動，電能供應也會出現波動。西門子研制的一款基于神經網絡的預測軟件可以預測波動，從而幫助提高電力市場的效率。
Ralph Grothmann博士研制的預測軟件，其工作方式類似于人類大腦：能識別事物之間的相互關系。
過去，一切都很簡單。廣布于全國各地的電廠，其發電量是根據用電需求來調節的。電廠通常采用日歷、天氣預報以及諸多其他手段，來預測各個區域和大型生產工廠的用電需求。
如今的情況卻復雜許多。取決于天氣因素，風電場和太陽能電站的發電量不盡相同，傳統電廠必須承擔起調峰任務。存在波動性的可再生能源發電的比例越大，電能供應管理難度就越大——電能供應商和電網運營商都會受到這個問題的影響。
為*保*電網穩定，向電網輸送的電能在數量上必須與從電網消耗的電能保持一致。如果一座電站或一個大型用戶發生故障，那么，應當相應地增加或減少電能供應，以避免斷電。每座電廠都必須具備一定的調峰能力。然而未來，保持電網平衡的難度將與日俱增，特別是在正處于能源轉型之中，計劃大幅提高可再生能源發電比例的德國。
在這種新的形勢下，應當如何應對？發電企業如何幫助保持電網穩定，提供可靠的電能供應，同時保持盈利？西門子中央研究院的研究人員Ralph Grothmann博士表示，答案就是通過更準確的預測，來改進規劃。他說：“如果提前知道未來幾天太陽能發電和風力發電的發電量，并且掌握了區域需求的預測數據，那么，就能以富于遠見的方式管理傳統電站，規劃充足的電能供應，以抵消輸電損耗，并且可以在電力市場交易上以優惠的價格購買電能。”
為了實現這個愿景，Grothmann和他的同事Hans Georg Zimmermann博士共同開發了名為“面向神經網絡的模擬環境（Simulation Environment for Neural Networks，簡稱SENN）”的預測軟件。SENN采用了類似于人類大腦的人工神經網絡（計算機模型）。通過訓練，這些網絡能夠識別出事物之間的相互關系，從而作出預測。Grothmann解釋道：“神經網絡的神奇之處在于，不必徹底分析和理解問題，就能作出預測。”
譬如，要利用分析模型來描述太陽能電站，需要根據投射的太陽能輻射功率和其他環境因素如氣溫、風速和濕度等，計算出太陽能電池板的發電量。如果部分太陽能電池板碰巧造成了遮擋，使陽光照不到其他太陽能電池板上，則需將這一點也納入考慮。只有這樣，分析模型才能利用天氣預報的數據，來預測位于特定地理位置的太陽能電站的發電量。
利用數據進行訓練。神經網絡的工作方式與之大相徑庭。是利用以往的數據，即天氣預報數據和相應的太陽能電站的實際發電量，對它們進行訓練。天氣預報數據不必來自太陽能電站所在位置的氣象站；這些數據也可以由附近的氣象站提供。這個應用程序的任務是：根據天氣預報的數據，來預測太陽能發電量。開始時，軟件并不知道各種不同參數將起到什么樣的作用，因此，其預測結果與太陽能電站的實際發電量有著天壤之別。在訓練中，這個應用程序將反復執行這個過程達數千次，*大限度地縮小預測結果與實際數值之間的差異。逐漸地，SENN會改變各個參數的權值，以提高預測準確度。
SENN*早開發于20多年前，目前已被用于預測20天內的原材料價格和電價走勢等應用。在三分之二的時間里，它能準確預測*佳購買日。自2005年起，西門子一直在利用SENN，在價格*低的時候購買電能。
利用經驗數據，系統學會了預測可再生能源的發電量，預測偏差不超過7%。
隨著可再生能源發電的日益興起，西門子認識到，SENN預測在發電行業將大有可為。譬如，根據對可再生能源并網發電量的預測，電網運營商可以計劃輔助電站的使用或者補償電能需求。風電場和太陽能電站的運營商可以根據預測，將維護工作安排在發電量較低的時段，以更有利的條件出售預期的發電量，以及規劃未來的收入。
目前，正利用丹麥一座大型海上風電場提供的數據，對一個SENN模型進行測試。這個模型使用了關于風速、氣溫和濕度的預報數據，來預測這座風電場在未來三天的發電量，預測偏差不超過7.2%。譬如，如果系統預測發電量為100，那么，實際發電量將在92.8到107.2之間。Grothmann表示：“預測準確度主要取決于數據質量，總體而言，我們能夠相當準確地預測未來三天的天氣。”
盡管太陽能發電和風力發電的發電量不穩定，西門子軟件通過學習能夠預測其發電量。
西門子能源面向可再生能源發電設施的監控解決方案，具備SENN發電預測功能。譬如在南非，有兩座發電容量均為5萬千瓦的太陽能電站，就使用了SENN預測軟件。利用這款軟件，發電企業可以根據電網運營商的需求預測，來決定向電網輸送多少電能。SENN可以預測太陽能電站在未來5天內的每小時日照發電量，偏差不超過7%。
目前正在規劃適用于太陽能電站的第二個模型。這個模型將就如何處理沾滿污垢的太陽能電池板向運營商提出建議。灰塵可令太陽能電池板的發電量降低*多15%，但其清潔成本亦不菲。Grothmann解釋道：“如果運營商事先知道將有充沛的雨量可以把灰塵洗刷干凈，則不必派遣清潔人員前去打掃。”新的軟件將通過利用干燥度、風速、風向和降雨等環境因素，來預測太陽能電池板上將覆蓋多少灰塵，從而解決這個問題。
預測需求。需求預測是SENN在電力市場上的第二大應用。借助這款軟件，用電大戶能夠以優惠的價格購買電能，或者在作業時間上避開用電高峰時段，以免繳納高昂的罰款。供電企業可以利用區域預測，來規劃電能采購和電廠運行事宜。譬如，因為要從德國或法國向意大利輸送大量電能，瑞士的電網運營商Swissgrid在利用SENN來規劃電能采購事宜時，則可將輸電損耗納入考慮。由于Swissgrid不得不彌補這樣的損耗，所以，它可以提前*多36小時在現貨市場采購電能，以盡量規避損失。Swissgrid每年的采購額，高達4800萬歐元左右。
預測軟件有助于提高效率
過去，Swissgrid總是根據日歷和天氣數據，以及鄰國的電網運營商提供的信息來預測需求。但SENN已助力Swissgrid將預測失誤率從11%降至10%，這每年能為Swissgrid節省數十萬法郎。
SENN生成的需求預測數據非常準確，失誤率僅為3%。在此基礎上，它能直接預測輸電損耗。為了做到這一點，它要監測輸電目的地的每小時需求變化趨勢。它還要分析當前電力潮流、可再生能源發電量、天氣預報和抽水蓄能電站的水庫水位等信息。
全盤化思維。單獨的預測是朝著未來電力市場邁出的**步——未來，生產、需求、價格和傳輸等幾乎所有因素都將處于不斷變化之中。在電力系統中，所有這些數量之間，都存在著相互依存的關系；因此，應當從全局的高度審視這些因素。譬如，如果風電設施提高了發電量，那么，傳統電站則應相應地降低發電量，這有可能降低電價。取決于需求狀況，風電既可能向北方傳輸，也可能向南方傳輸。這繼而會改變對用于抵消輸電損耗的補償電能的需求。Grothmann說：“對這些參數之間的交互作用的預測越準確，整個系統的效率就越高。”
這正是SENN神經網絡的用武之地。由于它并不使用分析關系，而是通過學習從所有參數的行為中識別出相互關系，因此，它的預測已經包含了彼此的依存關系。Grothmann說：“SENN的用途之一是，根據各式各樣相互作用的參數，如電價和其他原材料價格走勢、需求變化趨勢、二氧化碳排放權交易價格等，來確定電價。這是我們軟件的獨到之處。”
如今，擁有多家電廠的供電企業，已經可以使用SENN來以低廉的價格采購天然氣，以及根據關于二氧化碳排放權的交易價格和電價的預測來優化調節發電量。未來，電網運營商可以向供電企業提供關于需求的預測數據，以及預期的補償電能需求量。反過來，這些預測信息又依存于其他合作伙伴提供的生產和需求預測數據。所有這一切將有助于輕松管理瞬息萬變的電力市場，因為所有參與者都能根據會影響到其他市場參與者的發展趨勢，提前調整各自的活動。
點擊圖片查看原圖
