017年7月13日-14日，第三屆風(fēng)電場信息化智能化專題交流研討會在北京召開，本次會議由中國電力企業(yè)聯(lián)合科技開發(fā)服務(wù)中心與全國風(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)專家、相關(guān)企業(yè)代表出席，旨在分享、傳遞國內(nèi)外人工智能應(yīng)用風(fēng)電領(lǐng)域的最新進展，鼓勵行業(yè)創(chuàng)新，加速風(fēng)電領(lǐng)域工業(yè)智能化的進程。

北京天澤智云科技有限公司首席數(shù)據(jù)科學(xué)家史喆博士在會上介紹稱，“如何應(yīng)用人工智能為風(fēng)場無憂運營保駕護航，是風(fēng)電領(lǐng)域亟待突破的問題之一。”

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，近兩年來又得到了突飛猛進的發(fā)展，部分原因是得益于資本市場的投入和大量的市場宣傳，讓大家相信這項技術(shù)可以解決很多問題。從市場上能看到很多互聯(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，誰占主導(dǎo)地位，兩股力量正在斗爭；從技術(shù)成熟度角度看，這個領(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題，因為從海量數(shù)據(jù)當(dāng)中很容易通過數(shù)據(jù)清洗和數(shù)據(jù)挖掘發(fā)現(xiàn)相關(guān)性。其實，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。像這張圖所展示的，銷售的業(yè)績和刮胡子的人數(shù)是有強相關(guān)性的，那么，讓所有的人都去買把剃須刀就一定能提升業(yè)績嗎？答案是不一定的。

從這個角度看，工業(yè)智能需要將傳統(tǒng)的計算機科學(xué)，人工智能技術(shù)和工業(yè)領(lǐng)域知識這三方面進行有效的結(jié)合才能幫助工業(yè)客戶解決真正的問題。計算機科學(xué)是通過軟件整合所有底層技術(shù)，包括大數(shù)據(jù)、云計算平臺，選擇人工智能算法在這些平臺上運行；工業(yè)知識的核心是發(fā)現(xiàn)業(yè)務(wù)邏輯。聽起來簡單的邏輯，在實踐中會發(fā)現(xiàn)有很多地方是脫節(jié)的，現(xiàn)場人員了解業(yè)務(wù)邏輯，但并不知道數(shù)據(jù)分析能解決什么樣的問題；傳統(tǒng)做統(tǒng)計和機器學(xué)習(xí)的人懂算法，但不了解實際的工業(yè)現(xiàn)場可能遇到的問題，傾向于把模型抽象化，到實際的情況當(dāng)中無法使用。針對這樣的痛點，需要相關(guān)機構(gòu)或者人員把三者結(jié)合起來，這是一個系統(tǒng)集成的過程，最終為客戶提供優(yōu)質(zhì)的解決方案。

實踐工業(yè)智能，我們還有很多技術(shù)難點需要攻堅。首先，是定義和發(fā)現(xiàn)不可見問題。我們所有可見的問題，比如SCADA系統(tǒng)出現(xiàn)報警或者設(shè)備故障，需要運用策略去保護和維護它。如果不能應(yīng)用在線監(jiān)控與實時分析，很多不可見的問題很難被發(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、建模和執(zhí)行的方法，最終解決、避免不可見的問題。

我們的核心團隊在世界各地做了很多的工業(yè)項目，涵蓋各個工業(yè)門類，從實踐當(dāng)中總結(jié)出了一套方法論和常用的模型庫，常年的工業(yè)現(xiàn)場操作對于個人的經(jīng)驗也帶來了很大的提升。數(shù)據(jù)分析和數(shù)據(jù)建模需要依托于大量的經(jīng)驗，拿到一組上百維的數(shù)據(jù)，該怎樣分析？從哪里開始？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)驗判斷。

工業(yè)智能在風(fēng)電行業(yè)的應(yīng)用思路

下面進入今天的主題，工業(yè)智能怎樣在風(fēng)電行業(yè)實現(xiàn)？這其實是一個很復(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，實現(xiàn)從數(shù)據(jù)庫到模型庫最終產(chǎn)生應(yīng)用庫的價值升級。信息-物理系統(tǒng)是一個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)層通過大量的數(shù)據(jù)對風(fēng)機進行處理，認(rèn)知層是進行協(xié)同優(yōu)化，配置層最終執(zhí)行優(yōu)化操作?；?層架構(gòu)，通過狀態(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，從頂層咨詢到落地實施的端到端解決方案，最終交付給客戶從產(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，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，又保證了分析的準(zhǔn)確度，是整個智能應(yīng)用的基礎(chǔ)。智能化的運維管理平臺最終目的基于裝備的性能評估、預(yù)測性診斷以及運維管理的調(diào)度優(yōu)化，最終實現(xiàn)風(fēng)場的無憂運行。簡單來說，就是故障發(fā)生的時候知道故障在哪，未發(fā)生故障的時候知道何時發(fā)生故障，在具體的運行當(dāng)中可以通過優(yōu)化方法來提升運行效能。

為什么說風(fēng)力發(fā)電是運用人工智能最理想的行業(yè)呢？GE的Predix、IBM的PMQ、西門子的Mindsphere都以風(fēng)電作為實踐工業(yè)智能化的案例，因為風(fēng)電是相對獨立的系統(tǒng)，且數(shù)據(jù)完善；同時風(fēng)電屬于重資產(chǎn)的設(shè)備，維修維護成本高，迫切需要智能維護來降低成本；再者風(fēng)電以集群的形式出現(xiàn)，可以在網(wǎng)絡(luò)層運用一些數(shù)據(jù)傳輸、數(shù)據(jù)管理等方法進行分析。

天澤智云的核心團隊自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)用實踐。臺灣的工研院、華銳、美國可再生能源實驗室（NREL）、上海電氣的智能運維系統(tǒng)以及目前國內(nèi)正在開發(fā)的智慧風(fēng)電系統(tǒng)，通過不斷的探索與改善，逐步實現(xiàn)了從失效維護到故障預(yù)測與健康管理（PHM）的跨越。PHM技術(shù)的核心是在設(shè)備出現(xiàn)故障之前對剩余壽命進行預(yù)測、對設(shè)備運行策略進行優(yōu)化，對維護策略優(yōu)化排程。

在實踐當(dāng)中，研發(fā)團隊也面臨著這不斷的挑戰(zhàn)，從風(fēng)場角度，需要對風(fēng)場進行整體優(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。從模型上來講有四大部分，一個是機理模型，機理模型使用第一原理建模反映風(fēng)機的輸入輸出關(guān)系；第二個是數(shù)據(jù)模型，通過運行數(shù)據(jù)擬合風(fēng)機運行參數(shù)；除此之外是混合模型，結(jié)合機理模型和運行數(shù)據(jù)提升模型準(zhǔn)確度，在機理模型不夠準(zhǔn)確的情況下，使用運行數(shù)據(jù)優(yōu)化模型表現(xiàn)，如GE的PowerUp，另一方面，在數(shù)據(jù)過于復(fù)雜的時候，使用機理模型去提取特征；最后一個是運用可靠性分析的方法對設(shè)備狀態(tài)進行評估。

無憂風(fēng)場的概念

我們所提到的無憂風(fēng)場即智能風(fēng)電，基于“人工智能+大數(shù)據(jù)+運維服務(wù)”，幾年前很難甚至不能實現(xiàn)，現(xiàn)在可以實現(xiàn)。隨著科技的進步，智能感知技術(shù)所提供的測點的不斷增多，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)的趨勢性的分析結(jié)果，智能決策技術(shù)是通過協(xié)同優(yōu)化來減少運維成本，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，通過更有效的方法實踐運維操作。我們認(rèn)為將以上所有智能的技術(shù)結(jié)合起來才能達到智能化的目的。

對于無憂風(fēng)場而言，最重要的就是要避免不可見問題。控制和報警策略是解決可見問題，有兩個部分是需要我們?nèi)プ龅模缙诠收显\斷與劣化速度的管理需要運用先進的信號處理和故障預(yù)診技術(shù)，另一個是數(shù)字化風(fēng)機建模（Digital Twin）,就是GE所說的數(shù)字化風(fēng)場，運用風(fēng)場集群建模和風(fēng)功率預(yù)測的調(diào)度與維護策略優(yōu)化等方法得以實現(xiàn)，以上分析方法結(jié)合起來形成無憂的風(fēng)機與無憂風(fēng)場。

無憂風(fēng)場的技術(shù)實現(xiàn)

為實現(xiàn)無憂風(fēng)場，可以分為感知、分析、決策和執(zhí)行這四個部分，我們需要做的是感知外部環(huán)境和自身狀態(tài)，這其實也是我們現(xiàn)在技術(shù)進步的體現(xiàn)。有更多的傳感器，更多的信息，通過分析產(chǎn)生的影響對于決策的支持，從而形成一套綜合的解決方案，進行統(tǒng)一地優(yōu)化調(diào)配。剛才也有專家提到：系統(tǒng)是相互獨立的，缺乏數(shù)據(jù)地融合。之前我們做的建模大都是獨立存在的，會不會受到數(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。從分析的角度上來說，歷史信息到底用了多少？預(yù)測的方法是否使用？從決策上來說，維度有多大？能不能做到整體的優(yōu)化，從排程上，有沒有發(fā)揮集群的優(yōu)勢？到底是對單臺機還是對整臺機？無論是對整個區(qū)域性的風(fēng)場還是對整個集團公司而言，我們要不斷的進行優(yōu)化。想要實現(xiàn)這些，就需要我們所提供的智能化技術(shù)的整體框架去填補系統(tǒng)與系統(tǒng)之間的空白和系統(tǒng)內(nèi)沒有完成的任務(wù)。

智能感知層、分析層、網(wǎng)絡(luò)層、認(rèn)知層和執(zhí)行層，所有具體的功能點和功能點之間的數(shù)據(jù)交互，涉及了每一個具體的部件如何評估機器狀態(tài)，每個部件到單機如何進行整合，最后到風(fēng)場如何做一個集群的分析和優(yōu)化。使用任何開源的工具和已有的方法，主要運用機器學(xué)習(xí)、模式識別、統(tǒng)計學(xué)習(xí)、時間序列以及信號處理等，幫助企業(yè)去制定一個合理化的解決方案。

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

整體上來說，我們的解決方案包括了風(fēng)機和風(fēng)場兩大部分，包括區(qū)域和整體的的結(jié)構(gòu)更新?；谶@樣整體的一個構(gòu)架，我們做了智能風(fēng)電運維系統(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，擬合曲線和曲線偏移組成的方法只有在實踐積累中才能分辨好壞優(yōu)劣。基于單機和基于集群兩種不同的方法進行比較，在單機當(dāng)中找到最差的，在集群當(dāng)中根據(jù)表現(xiàn)驅(qū)動進行比對，比如發(fā)電性能評估，運用SCADA系統(tǒng)，基于模式識別的方法找出故障，以此來定位故障點，形成了一套完整的技術(shù)體系。

風(fēng)電行業(yè)的機遇與挑戰(zhàn)

從智能風(fēng)機到智慧風(fēng)場，從運維中心到風(fēng)場，其中的核心算法和業(yè)務(wù)構(gòu)架以及具體IT實現(xiàn)的路徑，我們形成了一套完整的解決方案。但是實踐起來仍需要考慮幾點困難，第一系統(tǒng)如何設(shè)計，這是一個復(fù)雜系統(tǒng)工程，第二系統(tǒng)如何實施，數(shù)據(jù)源、模型選擇和在線運行框架等，在實際運行當(dāng)中可能會出現(xiàn)很多挑戰(zhàn)，第三系統(tǒng)如何泛化，每臺機器的狀態(tài)都是不一樣的，這時候就需要考慮模型的泛化能力，第四是怎樣解釋，模型不能過度擬合，一旦過度會導(dǎo)致無法應(yīng)用，怎樣發(fā)掘一些真實的有代表性的特征，在評估的結(jié)果當(dāng)中與機理模型做比對，得到可執(zhí)行信息。

從建模層面來看，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，不同的運行狀態(tài)不同的風(fēng)速應(yīng)用在不同的工業(yè)場景；第三是高復(fù)雜，有很多的復(fù)雜設(shè)備；第四是小應(yīng)用，每個應(yīng)用針對具體的核心點去解決。方法上，強化學(xué)習(xí)，如果難以表現(xiàn)如何進行優(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)沒標(biāo)簽，可以優(yōu)化算法輸出；遷移學(xué)習(xí)是對象狀態(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遇和挑戰(zhàn)，只有不斷克服挑戰(zhàn)，才能達到更準(zhǔn)確、更穩(wěn)健、更泛化、更易用的效果。

我們希望可以堅持5個R——把正確的信息傳遞給正確的人，讓他在正確的時間做正確的事，給客戶提供正確的價值，其實也是我們這個工業(yè)智能系統(tǒng)的核心，我們做了這么長時間的風(fēng)電和工業(yè)智能化，希望把工業(yè)智能化的方法應(yīng)用在實際當(dāng)中，用正確的方法去解決工業(yè)問題！