017年7月13日-14日，第三屆風(fēng)電場(chǎng)信息化智能化專(zhuān)題交流研討會(huì)在北京召開(kāi)，本次會(huì)議由中國(guó)電力企業(yè)聯(lián)合科技開(kāi)發(fā)服務(wù)中心與全國(guó)風(fēng)力發(fā)電技術(shù)協(xié)作網(wǎng)聯(lián)合主辦，300多名風(fēng)電行業(yè)專(zhuān)家、相關(guān)企業(yè)代表出席，旨在分享、傳遞國(guó)內(nèi)外人工智能應(yīng)用風(fēng)電領(lǐng)域的最新進(jìn)展，鼓勵(lì)行業(yè)創(chuàng)新，加速風(fēng)電領(lǐng)域工業(yè)智能化的進(jìn)程。

北京天澤智云科技有限公司首席數(shù)據(jù)科學(xué)家史喆博士在會(huì)上介紹稱(chēng)，“如何應(yīng)用人工智能為風(fēng)場(chǎng)無(wú)憂(yōu)運(yùn)營(yíng)保駕護(hù)航，是風(fēng)電領(lǐng)域亟待突破的問(wèn)題之一。”

從人工智能到工業(yè)智能

人工智能技術(shù)的發(fā)展經(jīng)歷了三次浪潮，近兩年來(lái)又得到了突飛猛進(jìn)的發(fā)展，部分原因是得益于資本市場(chǎng)的投入和大量的市場(chǎng)宣傳，讓大家相信這項(xiàng)技術(shù)可以解決很多問(wèn)題。從市場(chǎng)上能看到很多互聯(lián)網(wǎng)企業(yè)在向工業(yè)企業(yè)轉(zhuǎn)型提供技術(shù)服務(wù)，但是怎樣去結(jié)合，誰(shuí)占主導(dǎo)地位，兩股力量正在斗爭(zhēng)；從技術(shù)成熟度角度看，這個(gè)領(lǐng)域仍處在探索階段，不少人認(rèn)為工業(yè)大數(shù)據(jù)有數(shù)據(jù)基礎(chǔ)，與人工智能相結(jié)合就可以解決很多的問(wèn)題，因?yàn)閺暮Ａ繑?shù)據(jù)當(dāng)中很容易通過(guò)數(shù)據(jù)清洗和數(shù)據(jù)挖掘發(fā)現(xiàn)相關(guān)性。其實(shí)，工業(yè)領(lǐng)域真正需要挖掘的是因果性，以及因果性怎樣去證明、怎樣去利用才是核心難點(diǎn)。像這張圖所展示的，銷(xiāo)售的業(yè)績(jī)和刮胡子的人數(shù)是有強(qiáng)相關(guān)性的，那么，讓所有的人都去買(mǎi)把剃須刀就一定能提升業(yè)績(jī)嗎？答案是不一定的。

從這個(gè)角度看，工業(yè)智能需要將傳統(tǒng)的計(jì)算機(jī)科學(xué)，人工智能技術(shù)和工業(yè)領(lǐng)域知識(shí)這三方面進(jìn)行有效的結(jié)合才能幫助工業(yè)客戶(hù)解決真正的問(wèn)題。計(jì)算機(jī)科學(xué)是通過(guò)軟件整合所有底層技術(shù)，包括大數(shù)據(jù)、云計(jì)算平臺(tái)，選擇人工智能算法在這些平臺(tái)上運(yùn)行；工業(yè)知識(shí)的核心是發(fā)現(xiàn)業(yè)務(wù)邏輯。聽(tīng)起來(lái)簡(jiǎn)單的邏輯，在實(shí)踐中會(huì)發(fā)現(xiàn)有很多地方是脫節(jié)的，現(xiàn)場(chǎng)人員了解業(yè)務(wù)邏輯，但并不知道數(shù)據(jù)分析能解決什么樣的問(wèn)題；傳統(tǒng)做統(tǒng)計(jì)和機(jī)器學(xué)習(xí)的人懂算法，但不了解實(shí)際的工業(yè)現(xiàn)場(chǎng)可能遇到的問(wèn)題，傾向于把模型抽象化，到實(shí)際的情況當(dāng)中無(wú)法使用。針對(duì)這樣的痛點(diǎn)，需要相關(guān)機(jī)構(gòu)或者人員把三者結(jié)合起來(lái)，這是一個(gè)系統(tǒng)集成的過(guò)程，最終為客戶(hù)提供優(yōu)質(zhì)的解決方案。

實(shí)踐工業(yè)智能，我們還有很多技術(shù)難點(diǎn)需要攻堅(jiān)。首先，是定義和發(fā)現(xiàn)不可見(jiàn)問(wèn)題。我們所有可見(jiàn)的問(wèn)題，比如SCADA系統(tǒng)出現(xiàn)報(bào)警或者設(shè)備故障，需要運(yùn)用策略去保護(hù)和維護(hù)它。如果不能應(yīng)用在線(xiàn)監(jiān)控與實(shí)時(shí)分析，很多不可見(jiàn)的問(wèn)題很難被發(fā)現(xiàn)，比如設(shè)備的衰退和發(fā)電量的損失等。我們可以使用監(jiān)測(cè)、建模和執(zhí)行的方法，最終解決、避免不可見(jiàn)的問(wèn)題。

我們的核心團(tuán)隊(duì)在世界各地做了很多的工業(yè)項(xiàng)目，涵蓋各個(gè)工業(yè)門(mén)類(lèi)，從實(shí)踐當(dāng)中總結(jié)出了一套方法論和常用的模型庫(kù)，常年的工業(yè)現(xiàn)場(chǎng)操作對(duì)于個(gè)人的經(jīng)驗(yàn)也帶來(lái)了很大的提升。數(shù)據(jù)分析和數(shù)據(jù)建模需要依托于大量的經(jīng)驗(yàn)，拿到一組上百維的數(shù)據(jù)，該怎樣分析？從哪里開(kāi)始？是否真的需要數(shù)據(jù)清洗？是否真的需要做數(shù)據(jù)降維？這些都是需要經(jīng)驗(yàn)判斷。

工業(yè)智能在風(fēng)電行業(yè)的應(yīng)用思路

下面進(jìn)入今天的主題，工業(yè)智能怎樣在風(fēng)電行業(yè)實(shí)現(xiàn)？這其實(shí)是一個(gè)很復(fù)雜的系統(tǒng)工程，我們將CPS（信息-物理系統(tǒng)）架構(gòu)作為解決方案的指導(dǎo)框架，以CPS為基礎(chǔ)，以分析技術(shù)（AT）為核心，基于物聯(lián)網(wǎng)（IoT）技術(shù)打通從原始數(shù)據(jù)到業(yè)務(wù)應(yīng)用的通道，實(shí)現(xiàn)從數(shù)據(jù)庫(kù)到模型庫(kù)最終產(chǎn)生應(yīng)用庫(kù)的價(jià)值升級(jí)。信息-物理系統(tǒng)是一個(gè)從感知層到配置層的方法論架構(gòu)。智能感知層是智能化的數(shù)據(jù)采集管理，信息挖掘?qū)邮菑脑嫉臄?shù)據(jù)當(dāng)中初步提取有用的信息，網(wǎng)絡(luò)層通過(guò)大量的數(shù)據(jù)對(duì)風(fēng)機(jī)進(jìn)行處理，認(rèn)知層是進(jìn)行協(xié)同優(yōu)化，配置層最終執(zhí)行優(yōu)化操作。基于5層架構(gòu)，通過(guò)狀態(tài)模型、關(guān)系模型和決策模型相互指導(dǎo)與支持，形成企業(yè)級(jí)整體解決方案。

目前，天澤智云所提供的服務(wù)包括，從頂層咨詢(xún)到落地實(shí)施的端到端解決方案，最終交付給客戶(hù)從產(chǎn)品到能力的賦能服務(wù)。我們提供的服務(wù)之一是數(shù)據(jù)采集方案咨詢(xún)，精準(zhǔn)的數(shù)據(jù)采集既優(yōu)化了數(shù)據(jù)的傳輸和存儲(chǔ)，又保證了分析的準(zhǔn)確度，是整個(gè)智能應(yīng)用的基礎(chǔ)。智能化的運(yùn)維管理平臺(tái)最終目的基于裝備的性能評(píng)估、預(yù)測(cè)性診斷以及運(yùn)維管理的調(diào)度優(yōu)化，最終實(shí)現(xiàn)風(fēng)場(chǎng)的無(wú)憂(yōu)運(yùn)行。簡(jiǎn)單來(lái)說(shuō)，就是故障發(fā)生的時(shí)候知道故障在哪，未發(fā)生故障的時(shí)候知道何時(shí)發(fā)生故障，在具體的運(yùn)行當(dāng)中可以通過(guò)優(yōu)化方法來(lái)提升運(yùn)行效能。

為什么說(shuō)風(fēng)力發(fā)電是運(yùn)用人工智能最理想的行業(yè)呢？GE的Predix、IBM的PMQ、西門(mén)子的Mindsphere都以風(fēng)電作為實(shí)踐工業(yè)智能化的案例，因?yàn)轱L(fēng)電是相對(duì)獨(dú)立的系統(tǒng)，且數(shù)據(jù)完善；同時(shí)風(fēng)電屬于重資產(chǎn)的設(shè)備，維修維護(hù)成本高，迫切需要智能維護(hù)來(lái)降低成本；再者風(fēng)電以集群的形式出現(xiàn)，可以在網(wǎng)絡(luò)層運(yùn)用一些數(shù)據(jù)傳輸、數(shù)據(jù)管理等方法進(jìn)行分析。

天澤智云的核心團(tuán)隊(duì)自2010年起，在風(fēng)電行業(yè)積累了大量的數(shù)據(jù)模型與應(yīng)用實(shí)踐。臺(tái)灣的工研院、華銳、美國(guó)可再生能源實(shí)驗(yàn)室（NREL）、上海電氣的智能運(yùn)維系統(tǒng)以及目前國(guó)內(nèi)正在開(kāi)發(fā)的智慧風(fēng)電系統(tǒng)，通過(guò)不斷的探索與改善，逐步實(shí)現(xiàn)了從失效維護(hù)到故障預(yù)測(cè)與健康管理（PHM）的跨越。PHM技術(shù)的核心是在設(shè)備出現(xiàn)故障之前對(duì)剩余壽命進(jìn)行預(yù)測(cè)、對(duì)設(shè)備運(yùn)行策略進(jìn)行優(yōu)化，對(duì)維護(hù)策略?xún)?yōu)化排程。

在實(shí)踐當(dāng)中，研發(fā)團(tuán)隊(duì)也面臨著這不斷的挑戰(zhàn)，從風(fēng)場(chǎng)角度，需要對(duì)風(fēng)場(chǎng)進(jìn)行整體優(yōu)化，如何做到全局最優(yōu)；從設(shè)備角度，全生命周期的費(fèi)用不斷下降，模型的復(fù)雜度不斷上升，這樣的需求缺口（gap）如何填補(bǔ)。從模型上來(lái)講有四大部分，一個(gè)是機(jī)理模型，機(jī)理模型使用第一原理建模反映風(fēng)機(jī)的輸入輸出關(guān)系；第二個(gè)是數(shù)據(jù)模型，通過(guò)運(yùn)行數(shù)據(jù)擬合風(fēng)機(jī)運(yùn)行參數(shù)；除此之外是混合模型，結(jié)合機(jī)理模型和運(yùn)行數(shù)據(jù)提升模型準(zhǔn)確度，在機(jī)理模型不夠準(zhǔn)確的情況下，使用運(yùn)行數(shù)據(jù)優(yōu)化模型表現(xiàn)，如GE的PowerUp，另一方面，在數(shù)據(jù)過(guò)于復(fù)雜的時(shí)候，使用機(jī)理模型去提取特征；最后一個(gè)是運(yùn)用可靠性分析的方法對(duì)設(shè)備狀態(tài)進(jìn)行評(píng)估。

無(wú)憂(yōu)風(fēng)場(chǎng)的概念

我們所提到的無(wú)憂(yōu)風(fēng)場(chǎng)即智能風(fēng)電，基于“人工智能+大數(shù)據(jù)+運(yùn)維服務(wù)”，幾年前很難甚至不能實(shí)現(xiàn)，現(xiàn)在可以實(shí)現(xiàn)。隨著科技的進(jìn)步，智能感知技術(shù)所提供的測(cè)點(diǎn)的不斷增多，在感知的基礎(chǔ)上增加更多有效的信息，智能分析技術(shù)提供更加精準(zhǔn)的趨勢(shì)性的分析結(jié)果，智能決策技術(shù)是通過(guò)協(xié)同優(yōu)化來(lái)減少運(yùn)維成本，智能執(zhí)行技術(shù)最終結(jié)合人員，背景信息和優(yōu)化結(jié)果，通過(guò)更有效的方法實(shí)踐運(yùn)維操作。我們認(rèn)為將以上所有智能的技術(shù)結(jié)合起來(lái)才能達(dá)到智能化的目的。

對(duì)于無(wú)憂(yōu)風(fēng)場(chǎng)而言，最重要的就是要避免不可見(jiàn)問(wèn)題?？刂坪蛨?bào)警策略是解決可見(jiàn)問(wèn)題，有兩個(gè)部分是需要我們?nèi)プ龅模缙诠收显\斷與劣化速度的管理需要運(yùn)用先進(jìn)的信號(hào)處理和故障預(yù)診技術(shù)，另一個(gè)是數(shù)字化風(fēng)機(jī)建模（Digital Twin）,就是GE所說(shuō)的數(shù)字化風(fēng)場(chǎng)，運(yùn)用風(fēng)場(chǎng)集群建模和風(fēng)功率預(yù)測(cè)的調(diào)度與維護(hù)策略?xún)?yōu)化等方法得以實(shí)現(xiàn)，以上分析方法結(jié)合起來(lái)形成無(wú)憂(yōu)的風(fēng)機(jī)與無(wú)憂(yōu)風(fēng)場(chǎng)。

無(wú)憂(yōu)風(fēng)場(chǎng)的技術(shù)實(shí)現(xiàn)

為實(shí)現(xiàn)無(wú)憂(yōu)風(fēng)場(chǎng)，可以分為感知、分析、決策和執(zhí)行這四個(gè)部分，我們需要做的是感知外部環(huán)境和自身狀態(tài)，這其實(shí)也是我們現(xiàn)在技術(shù)進(jìn)步的體現(xiàn)。有更多的傳感器，更多的信息，通過(guò)分析產(chǎn)生的影響對(duì)于決策的支持，從而形成一套綜合的解決方案，進(jìn)行統(tǒng)一地優(yōu)化調(diào)配。剛才也有專(zhuān)家提到：系統(tǒng)是相互獨(dú)立的，缺乏數(shù)據(jù)地融合。之前我們做的建模大都是獨(dú)立存在的，會(huì)不會(huì)受到數(shù)據(jù)或者外部環(huán)境關(guān)聯(lián)性的影響——這是需要討論的。從分析的角度上來(lái)說(shuō)，歷史信息到底用了多少？預(yù)測(cè)的方法是否使用？從決策上來(lái)說(shuō)，維度有多大？能不能做到整體的優(yōu)化，從排程上，有沒(méi)有發(fā)揮集群的優(yōu)勢(shì)？到底是對(duì)單臺(tái)機(jī)還是對(duì)整臺(tái)機(jī)？無(wú)論是對(duì)整個(gè)區(qū)域性的風(fēng)場(chǎng)還是對(duì)整個(gè)集團(tuán)公司而言，我們要不斷的進(jìn)行優(yōu)化。想要實(shí)現(xiàn)這些，就需要我們所提供的智能化技術(shù)的整體框架去填補(bǔ)系統(tǒng)與系統(tǒng)之間的空白和系統(tǒng)內(nèi)沒(méi)有完成的任務(wù)。

智能感知層、分析層、網(wǎng)絡(luò)層、認(rèn)知層和執(zhí)行層，所有具體的功能點(diǎn)和功能點(diǎn)之間的數(shù)據(jù)交互，涉及了每一個(gè)具體的部件如何評(píng)估機(jī)器狀態(tài)，每個(gè)部件到單機(jī)如何進(jìn)行整合，最后到風(fēng)場(chǎng)如何做一個(gè)集群的分析和優(yōu)化。使用任何開(kāi)源的工具和已有的方法，主要運(yùn)用機(jī)器學(xué)習(xí)、模式識(shí)別、統(tǒng)計(jì)學(xué)習(xí)、時(shí)間序列以及信號(hào)處理等，幫助企業(yè)去制定一個(gè)合理化的解決方案。

從建模的角度上來(lái)看，有三大類(lèi)：分別是機(jī)理殘差分析、基線(xiàn)模型和現(xiàn)狀自比較、同類(lèi)比較。衰退評(píng)估可以幫助我們進(jìn)行異常檢測(cè)、故障診斷和壽命預(yù)測(cè)。從技術(shù)架構(gòu)上，我們也是分解了很多技術(shù)點(diǎn)：風(fēng)機(jī)性能的數(shù)據(jù)建模、衰退評(píng)估、風(fēng)功率預(yù)測(cè)的維護(hù)排程、調(diào)度和優(yōu)化。

整體上來(lái)說(shuō)，我們的解決方案包括了風(fēng)機(jī)和風(fēng)場(chǎng)兩大部分，包括區(qū)域和整體的的結(jié)構(gòu)更新?；谶@樣整體的一個(gè)構(gòu)架，我們做了智能風(fēng)電運(yùn)維系統(tǒng)的Demo，包括展示界面和信息的通信，所有的核心算法，我們擁有自主知識(shí)產(chǎn)權(quán)。具體舉些例子，風(fēng)功率的體現(xiàn)可以有多種方法，擬合曲線(xiàn)和曲線(xiàn)偏移組成的方法只有在實(shí)踐積累中才能分辨好壞優(yōu)劣?；趩螜C(jī)和基于集群兩種不同的方法進(jìn)行比較，在單機(jī)當(dāng)中找到最差的，在集群當(dāng)中根據(jù)表現(xiàn)驅(qū)動(dòng)進(jìn)行比對(duì)，比如發(fā)電性能評(píng)估，運(yùn)用SCADA系統(tǒng)，基于模式識(shí)別的方法找出故障，以此來(lái)定位故障點(diǎn)，形成了一套完整的技術(shù)體系。

風(fēng)電行業(yè)的機(jī)遇與挑戰(zhàn)

從智能風(fēng)機(jī)到智慧風(fēng)場(chǎng)，從運(yùn)維中心到風(fēng)場(chǎng)，其中的核心算法和業(yè)務(wù)構(gòu)架以及具體IT實(shí)現(xiàn)的路徑，我們形成了一套完整的解決方案。但是實(shí)踐起來(lái)仍需要考慮幾點(diǎn)困難，第一系統(tǒng)如何設(shè)計(jì)，這是一個(gè)復(fù)雜系統(tǒng)工程，第二系統(tǒng)如何實(shí)施，數(shù)據(jù)源、模型選擇和在線(xiàn)運(yùn)行框架等，在實(shí)際運(yùn)行當(dāng)中可能會(huì)出現(xiàn)很多挑戰(zhàn)，第三系統(tǒng)如何泛化，每臺(tái)機(jī)器的狀態(tài)都是不一樣的，這時(shí)候就需要考慮模型的泛化能力，第四是怎樣解釋?zhuān)Ｐ筒荒苓^(guò)度擬合，一旦過(guò)度會(huì)導(dǎo)致無(wú)法應(yīng)用，怎樣發(fā)掘一些真實(shí)的有代表性的特征，在評(píng)估的結(jié)果當(dāng)中與機(jī)理模型做比對(duì)，得到可執(zhí)行信息。

從建模層面來(lái)看，在風(fēng)力發(fā)電行業(yè)，數(shù)據(jù)上，第一是小樣本，即失效的不多，或者說(shuō)失效的發(fā)生后不再采集數(shù)據(jù)；第二是多工況，不同的運(yùn)行狀態(tài)不同的風(fēng)速應(yīng)用在不同的工業(yè)場(chǎng)景；第三是高復(fù)雜，有很多的復(fù)雜設(shè)備；第四是小應(yīng)用，每個(gè)應(yīng)用針對(duì)具體的核心點(diǎn)去解決。方法上，強(qiáng)化學(xué)習(xí)，如果難以表現(xiàn)如何進(jìn)行優(yōu)化？深度學(xué)習(xí)，如何做特征的深度擬合；半監(jiān)督和無(wú)監(jiān)督式學(xué)習(xí)，一部分?jǐn)?shù)據(jù)有標(biāo)簽，一部分?jǐn)?shù)據(jù)沒(méi)標(biāo)簽，可以?xún)?yōu)化算法輸出；遷移學(xué)習(xí)是對(duì)象狀態(tài)發(fā)生變化，樣本模型如何更好的擬合？在數(shù)據(jù)和方法上存在這些機(jī)遇和挑戰(zhàn)，只有不斷克服挑戰(zhàn)，才能達(dá)到更準(zhǔn)確、更穩(wěn)健、更泛化、更易用的效果。

我們希望可以堅(jiān)持5個(gè)R——把正確的信息傳遞給正確的人，讓他在正確的時(shí)間做正確的事，給客戶(hù)提供正確的價(jià)值，其實(shí)也是我們這個(gè)工業(yè)智能系統(tǒng)的核心，我們做了這么長(zhǎng)時(shí)間的風(fēng)電和工業(yè)智能化，希望把工業(yè)智能化的方法應(yīng)用在實(shí)際當(dāng)中，用正確的方法去解決工業(yè)問(wèn)題！