
维斯塔斯利用 IBM 大数据分析实现“智慧风能”
IBM近日宣布,丹麦能源公司维斯塔斯 (Vestas Wind Systems)将利用业界领先的 IBM 大数据分析软件和卓越的 IBM 系统优化风力涡轮机配置方案,从而实现最高效的能量输出。对于可再生能源行业而言,风力涡轮机的选址和配置是一项重大挑战。维斯塔斯正是希望应对该项挑战,将公司业务拓展到全新市场,并积极促进风能在全球的普及。
通过在IBM “烈焰风暴”超级计算机上运行 IBM BigInsights 软件,维斯塔斯公司得以分析诸多类型的拍字节结构化和非结构化数据:如气象报告、潮汐相位、地理空间与传感器数据、卫星图像、森林砍伐地图,以及用于精确安装定位的气象建模研究等――这些以前需要数周时间完成的分析工作现在只需不到一小时即可完成。
维斯塔斯技术研发厂房选址和预测部副总裁 Lars Christian Christensen 表示:“维斯塔斯提供的涡轮机通常都要服役数十年,因此客户要求在安装之前了解涡轮机的能源输出量和投资回报率。通过使用 IBM 的软件和系统,我们现在可以迅速回答这些问题,从而有利锁定新的风能市场,帮助客户实现雄心勃勃的可再生能源目标。” 在选址过程中,涡轮机一旦投入运转,维斯塔斯工程师就会使用全新的软件和超级计算机预测其性能,包括分析各个叶片对气候变化的反应,并确定最佳维护时间。
在未来四年内,该公司将有望对更多类型、规模更大的气象数据集进行分析,其分析量届时可达20拍字节以上。 如果能源公司安装风力涡轮机时定位不正确,涡轮机产出的电力便不足以为风能投资带来合理的回报,也无法保持较低的电力成本。涡轮机正确定位的主要因素包括空气湍流和风向,以及空间、生态和美学方面的考量。 据悉,维斯塔斯在丹麦的厂房选址与预测部门将充分运用 IBM 在分析上的专长,为客户设计新一代风力技术。
届时,IBM 将安排一支大数据分析项目专家团队为该部门提供全天候24小时技术支持。此外,维斯塔斯能够以虚拟访问方式访问IBM位于硅谷的大数据开发实验室,此举将进一步帮助其探索发掘分析技术在风能领域的全新应用途径。 IBM 信息管理软件总经理 Arvind Krishna 表示:“维斯塔斯与IBM的合作展现了大型组织如何利用大数据分析和超级计算机制定智慧商务决策,在有力推动增长的同时解决大数据这个全球最紧迫的问题。现在,我们正在帮助客户在不受数据传播速度和数据来源的限制下从各种类型数据中获得洞见。我们相信这种至关重要的能力将为整个行业带来变革。”
据美国风能协会报告显示,如果美国的风力发电容量到 2030 年能增加到 20%,全国便可以减少至少 7600 吨二氧化碳排放,并节省 4 万亿加仑的电力行业用水,以及12% 的天然气消费需求。在欧洲,对于加速风力发电场交付和选址的技术需求也日渐增长。德国能源与公共事业协会最新报告显示,2011 年上半年,德国的电力产量中 20.8% 来自风力等可再生能源,该数字创下历史新高。新西兰也在2011年采取了一项十分积极的能源战略,要求国内 90% 的电力均采用风力等可再生能源发电。 IBM InfoSphere BigInsights 软件是 200 余名 IBM 研究院科学家历经 4 年潜心开发的成果。该软件采用开源技术 Apache Hadoop,可提供大规模并行处理框架、太字节到拍字节级别数据的可扩展存储,并可通过其 BigSheets 组件支持情景假设。BigInsights 是 IBM 大数据软件平台的重要组成部分,该平台还包含 InfoSphere Streams 软件,可实时分析流入组织的数据,并通过检测其变化了解数据中是否出现了新的模式或趋势。
维斯塔斯公司在 1222 台相互连接的 System x iDataPlex 服务器上运行 BigInsights 软件,这些服务器经过工作负荷优化,共同组成了 “烈焰风暴” 超级计算机,每秒钟能进行 150 万亿次运算――相当于每名丹麦公民每秒进行 3000 万次计算。在全球超级计算机 500 强名单中,Firestorm 名列第 53 位,同时,它还是这份名单上的第三大商用系统,并以其更卓越的能效取代了维斯塔斯最初使用的惠普系统。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04