西门子6ES7952-1KP00-0AA0 西门子6ES7952-1KP00-0AA0 西门子6ES7952-1KP00-0AA0

相似图像

SIMATIC S7，存储卡 针对 S7-400，长结构形式， 5V 闪存 EPROM，8 Mbyte

更多图片

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。

为保证电网稳定，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*。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*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，最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最早开发于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，它能准确预测购买日。自2005年起，西门子一直在利用SENN，在最低的时候购买电能。

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。”