6ES7223-1PH22-0xA0

随着并入电网的风力发电和太阳能发电的容量比例越来越高，不仅用电需求会发生波动，电能供应也会出现波动。西门子研制的一款基于神经网络的预测软件可以预测波动，从而帮助提高电力市场的效率。

章明 1 3 2 1 7 4 3 0 0 1 3

Q     2 7 5 0 1 3 0 1 4 6

Ralph Grothmann博士研制的预测软件，其工作方式类似于人类大脑：能识别事物之间的相互关系。

过去，一切都很简单。广布于全国各地的电厂，其发电量是根据用电需求来调节的。电厂通常采用日历、天气预报以及诸多其他手段，来预测各个区域和大型生产工厂的用电需求。

如今的情况却复杂许多。取决于天气因素，风电场和太阳能电站的发电量不尽相同，传统电厂必须承担起调峰任务。存在波动性的可再生能源发电的比例越大，电能供应管理难度就越大——电能供应商和电网运营商都会受到这个问题的影响。

为*保*电网稳定，向电网输送的电能在数量上必须与从电网消耗的电能保持一致。如果一座电站或一个大型用户发生故障，那么，应当相应地增加或减少电能供应，以避免断电。每座电厂都必须具备一定的调峰能力。然而未来，保持电网平衡的难度将与日俱增，特别是在正处于能源转型之中，计划大幅提高可再生能源发电比例的德国。

在这种新的形势下，应当如何应对？发电企业如何帮助保持电网稳定，提供可靠的电能供应，同时保持盈利？西门子中央研究院的研究人员Ralph Grothmann博士表示，答案就是通过更准确的预测，来改进规划。他说：“如果提前知道未来几天太阳能发电和风力发电的发电量，并且掌握了区域需求的预测数据，那么，就能以富于远见的方式管理传统电站，规划充足的电能供应，以抵消输电损耗，并且可以在电力市场交易上以优惠的价格购买电能。”

为了实现这个愿景，Grothmann和他的同事Hans Georg Zimmermann博士共同开发了名为“面向神经网络的模拟环境（Simulation Environment for Neural Networks，简称SENN）”的预测软件。SENN采用了类似于人类大脑的人工神经网络（计算机模型）。通过训练，这些网络能够识别出事物之间的相互关系，从而作出预测。Grothmann解释道：“神经网络的神奇之处在于，不必彻底分析和理解问题，就能作出预测。”

譬如，要利用分析模型来描述太阳能电站，需要根据投射的太阳能辐射功率和其他环境因素如气温、风速和湿度等，计算出太阳能电池板的发电量。如果部分太阳能电池板碰巧造成了遮挡，使阳光照不到其他太阳能电池板上，则需将这一点也纳入考虑。只有这样，分析模型才能利用天气预报的数据，来预测位于特定地理位置的太阳能电站的发电量。

利用数据进行训练。神经网络的工作方式与之大相径庭。是利用以往的数据，即天气预报数据和相应的太阳能电站的实际发电量，对它们进行训练。天气预报数据不必来自太阳能电站所在位置的气象站；这些数据也可以由附近的气象站提供。这个应用程序的任务是：根据天气预报的数据，来预测太阳能发电量。开始时，软件并不知道各种不同参数将起到什么样的作用，因此，其预测结果与太阳能电站的实际发电量有着天壤之别。在训练中，这个应用程序将反复执行这个过程达数千次，*大限度地缩小预测结果与实际数值之间的差异。逐渐地，SENN会改变各个参数的权值，以提高预测准确度。

SENN*早开发于20多年前，目前已被用于预测20天内的原材料价格和电价走势等应用。在三分之二的时间里，它能准确预测*佳购买日。自2005年起，西门子一直在利用SENN，在价格*低的时候购买电能。

利用经验数据，系统学会了预测可再生能源的发电量，预测偏差不超过7%。

随着可再生能源发电的日益兴起，西门子认识到，SENN预测在发电行业将大有可为。譬如，根据对可再生能源并网发电量的预测，电网运营商可以计划辅助电站的使用或者补偿电能需求。风电场和太阳能电站的运营商可以根据预测，将维护工作安排在发电量较低的时段，以更有利的条件出售预期的发电量，以及规划未来的收入。

目前，正利用丹麦一座大型海上风电场提供的数据，对一个SENN模型进行测试。这个模型使用了关于风速、气温和湿度的预报数据，来预测这座风电场在未来三天的发电量，预测偏差不超过7.2%。譬如，如果系统预测发电量为100，那么，实际发电量将在92.8到107.2之间。Grothmann表示：“预测准确度主要取决于数据质量，总体而言，我们能够相当准确地预测未来三天的天气。”

尽管太阳能发电和风力发电的发电量不稳定，西门子软件通过学习能够预测其发电量。

西门子能源面向可再生能源发电设施的监控解决方案，具备SENN发电预测功能。譬如在南非，有两座发电容量均为5万千瓦的太阳能电站，就使用了SENN预测软件。利用这款软件，发电企业可以根据电网运营商的需求预测，来决定向电网输送多少电能。SENN可以预测太阳能电站在未来5天内的每小时日照发电量，偏差不超过7%。

目前正在规划适用于太阳能电站的第二个模型。这个模型将就如何处理沾满污垢的太阳能电池板向运营商提出建议。灰尘可令太阳能电池板的发电量降低*多15%，但其清洁成本亦不菲。Grothmann解释道：“如果运营商事先知道将有充沛的雨量可以把灰尘洗刷干净，则不必派遣清洁人员前去打扫。”新的软件将通过利用干燥度、风速、风向和降雨等环境因素，来预测太阳能电池板上将覆盖多少灰尘，从而解决这个问题。

预测需求。需求预测是SENN在电力市场上的第二大应用。借助这款软件，用电大户能够以优惠的价格购买电能，或者在作业时间上避开用电高峰时段，以免缴纳高昂的罚款。供电企业可以利用区域预测，来规划电能采购和电厂运行事宜。譬如，因为要从德国或法国向意大利输送大量电能，瑞士的电网运营商Swissgrid在利用SENN来规划电能采购事宜时，则可将输电损耗纳入考虑。由于Swissgrid不得不弥补这样的损耗，所以，它可以提前*多36小时在现货市场采购电能，以尽量规避损失。Swissgrid每年的采购额，高达4800万欧元左右。

预测软件有助于提高效率

过去，Swissgrid总是根据日历和天气数据，以及邻国的电网运营商提供的信息来预测需求。但SENN已助力Swissgrid将预测失误率从11%降至10%，这每年能为Swissgrid节省数十万法郎。

SENN生成的需求预测数据非常准确，失误率仅为3%。在此基础上，它能直接预测输电损耗。为了做到这一点，它要监测输电目的地的每小时需求变化趋势。它还要分析当前电力潮流、可再生能源发电量、天气预报和抽水蓄能电站的水库水位等信息。

全盘化思维。单独的预测是朝着未来电力市场迈出的**步——未来，生产、需求、价格和传输等几乎所有因素都将处于不断变化之中。在电力系统中，所有这些数量之间，都存在着相互依存的关系；因此，应当从全局的高度审视这些因素。譬如，如果风电设施提高了发电量，那么，传统电站则应相应地降低发电量，这有可能降低电价。取决于需求状况，风电既可能向北方传输，也可能向南方传输。这继而会改变对用于抵消输电损耗的补偿电能的需求。Grothmann说：“对这些参数之间的交互作用的预测越准确，整个系统的效率就越高。”

这正是SENN神经网络的用武之地。由于它并不使用分析关系，而是通过学习从所有参数的行为中识别出相互关系，因此，它的预测已经包含了彼此的依存关系。Grothmann说：“SENN的用途之一是，根据各式各样相互作用的参数，如电价和其他原材料价格走势、需求变化趋势、二氧化碳排放权交易价格等，来确定电价。这是我们软件的独到之处。”

如今，拥有多家电厂的供电企业，已经可以使用SENN来以低廉的价格采购天然气，以及根据关于二氧化碳排放权的交易价格和电价的预测来优化调节发电量。未来，电网运营商可以向供电企业提供关于需求的预测数据，以及预期的补偿电能需求量。反过来，这些预测信息又依存于其他合作伙伴提供的生产和需求预测数据。所有这一切将有助于轻松管理瞬息万变的电力市场，因为所有参与者都能根据会影响到其他市场参与者的发展趋势，提前调整各自的活动。