人工智能如何打造“无忧风场”

017年7月13日-14日，第三届风电场信息化智能化专题交流研讨会在北京召开，本次会议由中国电力企业联合科技开发服务中心与全国风力发电技术协作网联合主办，300多名风电行业专家、相关企业代表出席，旨在分享、传递国内外人工智能应用风电领域的最新进展，鼓励行业创新，加速风电领域工业智能化的进程。

北京天泽智云科技有限公司首席数据科学家史喆博士在会上介绍称，“如何应用人工智能为风场无忧运营保驾护航，是风电领域亟待突破的问题之一。”

从人工智能到工业智能

人工智能技术的发展经历了三次浪潮，近两年来又得到了突飞猛进的发展，部分原因是得益于资本市场的投入和大量的市场宣传，让大家相信这项技术可以解决很多问题。从市场上能看到很多互联网企业在向工业企业转型提供技术服务，但是怎样去结合，谁占主导地位，两股力量正在斗争；从技术成熟度角度看，这个领域仍处在探索阶段，不少人认为工业大数据有数据基础，与人工智能相结合就可以解决很多的问题，因为从海量数据当中很容易通过数据清洗和数据挖掘发现相关性。其实，工业领域真正需要挖掘的是因果性，以及因果性怎样去证明、怎样去利用才是核心难点。像这张图所展示的，销售的业绩和刮胡子的人数是有强相关性的，那么，让所有的人都去买把剃须刀就一定能提升业绩吗？答案是不一定的。

从这个角度看，工业智能需要将传统的计算机科学，人工智能技术和工业领域知识这三方面进行有效的结合才能帮助工业客户解决真正的问题。计算机科学是通过软件整合所有底层技术，包括大数据、云计算平台，选择人工智能算法在这些平台上运行；工业知识的核心是发现业务逻辑。听起来简单的逻辑，在实践中会发现有很多地方是脱节的，现场人员了解业务逻辑，但并不知道数据分析能解决什么样的问题；传统做统计和机器学习的人懂算法，但不了解实际的工业现场可能遇到的问题，倾向于把模型抽象化，到实际的情况当中无法使用。针对这样的痛点，需要相关机构或者人员把三者结合起来，这是一个系统集成的过程，最终为客户提供优质的解决方案。

实践工业智能，我们还有很多技术难点需要攻坚。首先，是定义和发现不可见问题。我们所有可见的问题，比如SCADA系统出现报警或者设备故障，需要运用策略去保护和维护它。如果不能应用在线监控与实时分析，很多不可见的问题很难被发现，比如设备的衰退和发电量的损失等。我们可以使用监测、建模和执行的方法，最终解决、避免不可见的问题。

我们的核心团队在世界各地做了很多的工业项目，涵盖各个工业门类，从实践当中总结出了一套方法论和常用的模型库，常年的工业现场操作对于个人的经验也带来了很大的提升。数据分析和数据建模需要依托于大量的经验，拿到一组上百维的数据，该怎样分析？从哪里开始？是否真的需要数据清洗？是否真的需要做数据降维？这些都是需要经验判断。

工业智能在风电行业的应用思路

下面进入今天的主题，工业智能怎样在风电行业实现？这其实是一个很复杂的系统工程，我们将CPS（信息-物理系统）架构作为解决方案的指导框架，以CPS为基础，以分析技术（AT）为核心，基于物联网（IoT）技术打通从原始数据到业务应用的通道，实现从数据库到模型库最终产生应用库的价值升级。信息-物理系统是一个从感知层到配置层的方法论架构。智能感知层是智能化的数据采集管理，信息挖掘层是从原始的数据当中初步提取有用的信息，网络层通过大量的数据对风机进行处理，认知层是进行协同优化，配置层最终执行优化操作。基于5层架构，通过状态模型、关系模型和决策模型相互指导与支持，形成企业级整体解决方案。

目前，天泽智云所提供的服务包括，从顶层咨询到落地实施的端到端解决方案，最终交付给客户从产品到能力的赋能服务。我们提供的服务之一是数据采集方案咨询，精准的数据采集既优化了数据的传输和存储，又保证了分析的准确度，是整个智能应用的基础。智能化的运维管理平台最终目的基于装备的性能评估、预测性诊断以及运维管理的调度优化，最终实现风场的无忧运行。简单来说，就是故障发生的时候知道故障在哪，未发生故障的时候知道何时发生故障，在具体的运行当中可以通过优化方法来提升运行效能。

为什么说风力发电是运用人工智能最理想的行业呢？GE的Predix、IBM的PMQ、西门子的Mindsphere都以风电作为实践工业智能化的案例，因为风电是相对独立的系统，且数据完善；同时风电属于重资产的设备，维修维护成本高，迫切需要智能维护来降低成本；再者风电以集群的形式出现，可以在网络层运用一些数据传输、数据管理等方法进行分析。

天泽智云的核心团队自2010年起，在风电行业积累了大量的数据模型与应用实践。台湾的工研院、华锐、美国可再生能源实验室（NREL）、上海电气的智能运维系统以及目前国内正在开发的智慧风电系统，通过不断的探索与改善，逐步实现了从失效维护到故障预测与健康管理（PHM）的跨越。PHM技术的核心是在设备出现故障之前对剩余寿命进行预测、对设备运行策略进行优化，对维护策略优化排程。

在实践当中，研发团队也面临着这不断的挑战，从风场角度，需要对风场进行整体优化，如何做到全局最优；从设备角度，全生命周期的费用不断下降，模型的复杂度不断上升，这样的需求缺口（gap）如何填补。从模型上来讲有四大部分，一个是机理模型，机理模型使用第一原理建模反映风机的输入输出关系；第二个是数据模型，通过运行数据拟合风机运行参数；除此之外是混合模型，结合机理模型和运行数据提升模型准确度，在机理模型不够准确的情况下，使用运行数据优化模型表现，如GE的PowerUp，另一方面，在数据过于复杂的时候，使用机理模型去提取特征；最后一个是运用可靠性分析的方法对设备状态进行评估。

无忧风场的概念

我们所提到的无忧风场即智能风电，基于“人工智能+大数据+运维服务”，几年前很难甚至不能实现，现在可以实现。随着科技的进步，智能感知技术所提供的测点的不断增多，在感知的基础上增加更多有效的信息，智能分析技术提供更加精准的趋势性的分析结果，智能决策技术是通过协同优化来减少运维成本，智能执行技术最终结合人员，背景信息和优化结果，通过更有效的方法实践运维操作。我们认为将以上所有智能的技术结合起来才能达到智能化的目的。

对于无忧风场而言，最重要的就是要避免不可见问题。控制和报警策略是解决可见问题，有两个部分是需要我们去做的，早期故障诊断与劣化速度的管理需要运用先进的信号处理和故障预诊技术，另一个是数字化风机建模（Digital Twin）,就是GE所说的数字化风场，运用风场集群建模和风功率预测的调度与维护策略优化等方法得以实现，以上分析方法结合起来形成无忧的风机与无忧风场。

无忧风场的技术实现

为实现无忧风场，可以分为感知、分析、决策和执行这四个部分，我们需要做的是感知外部环境和自身状态，这其实也是我们现在技术进步的体现。有更多的传感器，更多的信息，通过分析产生的影响对于决策的支持，从而形成一套综合的解决方案，进行统一地优化调配。刚才也有专家提到：系统是相互独立的，缺乏数据地融合。之前我们做的建模大都是独立存在的，会不会受到数据或者外部环境关联性的影响——这是需要讨论的。从分析的角度上来说，历史信息到底用了多少？预测的方法是否使用？从决策上来说，维度有多大？能不能做到整体的优化，从排程上，有没有发挥集群的优势？到底是对单台机还是对整台机？无论是对整个区域性的风场还是对整个集团公司而言，我们要不断的进行优化。想要实现这些，就需要我们所提供的智能化技术的整体框架去填补系统与系统之间的空白和系统内没有完成的任务。

智能感知层、分析层、网络层、认知层和执行层，所有具体的功能点和功能点之间的数据交互，涉及了每一个具体的部件如何评估机器状态，每个部件到单机如何进行整合，最后到风场如何做一个集群的分析和优化。使用任何开源的工具和已有的方法，主要运用机器学习、模式识别、统计学习、时间序列以及信号处理等，帮助企业去制定一个合理化的解决方案。

从建模的角度上来看，有三大类：分别是机理残差分析、基线模型和现状自比较、同类比较。衰退评估可以帮助我们进行异常检测、故障诊断和寿命预测。从技术架构上，我们也是分解了很多技术点：风机性能的数据建模、衰退评估、风功率预测的维护排程、调度和优化。

整体上来说，我们的解决方案包括了风机和风场两大部分，包括区域和整体的的结构更新。基于这样整体的一个构架，我们做了智能风电运维系统的Demo，包括展示界面和信息的通信，所有的核心算法，我们拥有自主知识产权。具体举些例子，风功率的体现可以有多种方法，拟合曲线和曲线偏移组成的方法只有在实践积累中才能分辨好坏优劣。基于单机和基于集群两种不同的方法进行比较，在单机当中找到最差的，在集群当中根据表现驱动进行比对，比如发电性能评估，运用SCADA系统，基于模式识别的方法找出故障，以此来定位故障点，形成了一套完整的技术体系。

风电行业的机遇与挑战

从智能风机到智慧风场，从运维中心到风场，其中的核心算法和业务构架以及具体IT实现的路径，我们形成了一套完整的解决方案。但是实践起来仍需要考虑几点困难，第一系统如何设计，这是一个复杂系统工程，第二系统如何实施，数据源、模型选择和在线运行框架等，在实际运行当中可能会出现很多挑战，第三系统如何泛化，每台机器的状态都是不一样的，这时候就需要考虑模型的泛化能力，第四是怎样解释，模型不能过度拟合，一旦过度会导致无法应用，怎样发掘一些真实的有代表性的特征，在评估的结果当中与机理模型做比对，得到可执行信息。

从建模层面来看，在风力发电行业，数据上，第一是小样本，即失效的不多，或者说失效的发生后不再采集数据；第二是多工况，不同的运行状态不同的风速应用在不同的工业场景；第三是高复杂，有很多的复杂设备；第四是小应用，每个应用针对具体的核心点去解决。方法上，强化学习，如果难以表现如何进行优化？深度学习，如何做特征的深度拟合；半监督和无监督式学习，一部分数据有标签，一部分数据没标签，可以优化算法输出；迁移学习是对象状态发生变化，样本模型如何更好的拟合？在数据和方法上存在这些机遇和挑战，只有不断克服挑战，才能达到更准确、更稳健、更泛化、更易用的效果。

我们希望可以坚持5个R——把正确的信息传递给正确的人，让他在正确的时间做正确的事，给客户提供正确的价值，其实也是我们这个工业智能系统的核心，我们做了这么长时间的风电和工业智能化，希望把工业智能化的方法应用在实际当中，用正确的方法去解决工业问题！