关键字: [亚马逊云科技， 风力发电， 能源服务， 气象预报， 功率预测， 人工智能模型， 数据采集， 发电量预测， 气象模型， 预报精度， 区域自适应， 变量加权， 模型微调， 混合模型， 预测漂移， 全球覆盖]

导读

在这个演讲中，讲者介绍了金风科技公司的业务，重点讨论了利用人工智能气象大模型提高风电预测精度的解决方案。具体来说，传统气象预报模型存在计算量大、数据处理不确定性和物理过程简化不足等问题，而人工智能气象大模型具有计算效率高、预报精度高等优势。金风科技提出了区域感知变量与特定的自适应框架，包括可变区域自适应加权机制、利用SageMaker实现模型微调训练和部署、混合模型推理策略等，旨在提高特定区域和变量的预测精度，缓解预测漂移问题，平衡局部精度与全球物理一致性。

演讲精华

以下是小编为您整理的本次演讲的精华。

在金风科技的业务介绍中，演讲者提到该公司已在6大洲47个国家开展业务，并连续3年蝉联全球风力发电新增装机容量第一。这些具体数据充分展现了金风科技在全球风电行业的领先地位。

解释功率预测业务需求时，演讲者指出传统火电可以通过控制燃煤量来精准调节发电量，但对于风电和光伏发电而言，“第二天到底能发多少电，其实是取决于第二天能刮多大风，有多大太阳，有没有人遮挡”。这种“看天吃饭”的情况导致了功率预测的必要性。

在介绍功率预测业务流程时，演讲者强调需要将气象要素如风速和辐射强度等“爆出来”，并与发电量建立统计关系模型，因为“理论上讲，风越大，发电量越高，但实际电厂会存在很复杂的运行情况，它并不是一个完全线性的关系”。最终需要生成不同时间尺度的预测数据，包括“440分钟的24小时，还有中长期的一些数据”。

指出传统数值预报模型的瓶颈时，演讲者提到“它发展到今天，已经到了一定的瓶颈”。第一个瓶颈是计算量问题，对企业而言不仅是成本问题，还有效率问题，“如果你超出那个时间窗口，你的业务就来不及做了”。第二个瓶颈是数据处理和同化存在不确定性，因为“对当前的一个状况的描述如果不够准确，那就你就不谈后面能够报多少准确了”。第三个瓶颈是物理过程简化不足，“他不可能每个点都去设置那个预报点，而且这个过程本身还随着我们自己整个从物理层面来认知这个地球是怎么样运行，还存在可能有一定的不足在里面”。

在介绍AI气象大模型的优势时，演讲者指出“从效率的问题上，能够大大地节约我们的一个资源，以及会大大加快我们整个业务运行工作中的一个效率”。在预报精度方面，“因为由于它是跟传统的数据模式，它是完全的一头思路，而且它是大量的学习，我们都是在历时几十年的数据里面去学习它的一些数据层面的规律，那这个层面呢，它这个精度相比于传统是有一定自己优势的”。此外，“由于我们时效和效率的提升，这个我们这个可以让我们的预报频率和预报精度都会进行提升，从而来提高我们整个预报一些极端天气的过程，还是一些起风的过程，它的预警时效会大大的一个提升”。

在现有AI气象大模型的不足方面，演讲者提到“它在对整个多变量，也就是说我们是报温度、湿度、降水、风速等等多个任务变量的时候，它整体表现是出色的。但是我们到了特定的一个区域，它还会存在一新的问题，比如说像认为适配的差距”。此外，现有模型的训练数据“一般都是截止到1980年的数据到18年的数据去做训练”，因此“在近几年的一些数据上，这个接入的时候，它其实有近几年的一些数据的一些气象上的一些能力的这个体现，它是不足的”。

在自主解决方案的介绍中，演讲者提到“我们叫做区域感知变量与特定的自适应框架”，包括“可变区域自适应加权机制，动态调整我们变量以及用户自定义区域的一些权重来提高任务的关注精度”。此外，“我们还与不同的训练微调周期来得到不同的相应的这种预测结果，我们评估下来它在这种鲁班性上是得到很好的一个改善”。

自适应加权机制方面，“我们在后续在对于我们光注的分合光这两个变量，我们通过这种传动的在损失函数里面去通过它传动的调整，在不断的迭代过程中再反换反向传播来持续优化，而保持我们对于整个一个我们所关注的要素的这个优化”。区域优化则通过“生成目标区域枪PPT的一个权重，我们所关注区域，比如说我就报上海或者江苏这块区域，我关键的区域设置为1，然后根据我的目标区域，根据距离那个全球网格的边界的距离来做相应一种权重的这个衰减”。

在模型评估方面，无论是使用18年之后还是之前的数据进行微调，在时间维度上模型的稳定性和鲁棒性都有提升，预测误差持续降低。无论是对10米风速还是850百帕高度风速进行优化，在变量维度上也获得了稳定的误差降低。即使将模型从新疆区域移植到浙江区域，在区域维度上也“绿色的这条线的话，其实在误差上也是稳定的进行了降低”。

在亚马逊云服务的支持下，金风科技将解决方案成功落地部署。在数据输入处理环节，利用了OpenData服务能够实时获取GFS、ECMWF等“世界上官方气象组织，他能每天定时发布的一些气象数据”。这些数据先存储在S3对象存储中，训练时则拉取到本地文件系统，利用SageMaker进行大规模训练，将模型存储回S3。在推理时，从S3拉取模型并输入预测数据，最终将结果存储到数据仓库。

总的来说，金风科技的这一创新实践不仅降低了计算成本，还提高了预测的准确率，为功率预测、电力交易等业务提供了可靠数据支撑，最终提升了电厂收益。通过大量数据细节的引用，全面展现了这一实践的创新之处和卓越成果，彰显了云计算与人工智能在新能源行业的广阔应用前景。

下面是一些演讲现场的精彩瞬间：

总结

金风科技是一家新能源行业的风力发电整体解决方案供应商，在全球47个国家开展业务。为了提高风电发电量预测的准确性，金风科技采用了人工智能气象大模型技术。传统气象预报模型存在计算量大、数据处理不确定性和物理过程简化不足等问题，而人工智能气象大模型具有计算效率高、预报精度高等优势。金风科技针对现有气象大模型在特定区域和变量预测精度不足、时间覆盖与泛化能力有限、预测漂移等问题，提出了区域感知变量与特定的自适应框架解决方案。该解决方案包括可变区域自适应加权机制、基于SageMaker的模型微调以及混合模型推理策略，旨在提高特定区域和变量的预测精度，增强模型的泛化能力，缓解预测漂移问题。人工智能气象大模型技术为风电发电量预测提供了更精准的支持，有助于实现电网供需平衡和可再生能源的高效利用。

我们正处在Agentic AI爆发前夜。2025亚马逊云科技中国峰会提出，企业要从“成本优化”转向“创新驱动”，通过完善的数据战略和AI云服务，把握全球化机遇。亚马逊将投入1000亿美元在AI算力、云基础设施等领域，通过领先的技术实力和帮助“中国企业出海“和”服务中国客户创新“的丰富经验，助力企业在AI时代突破。