017年7月13日-14日，第三屆風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聯合科技開發服務中心與全國風力發電技術協作網聯合主辦，300多名風電行業專家、相關企業代表出席，旨在分享、傳遞國內外人工智能應用風電領域的最新進展，鼓勵行業創新，加速風電領域工業智能化的進程。

北京天澤智云科技有限公司首席數據科學家史喆博士在會上介紹稱，“如何應用人工智能為風場無憂運營保駕護航，是風電領域亟待突破的問題之一。”

從人工智能到工業智能

人工智能技術的發展經歷了三次浪潮，近兩年來又得到了突飛猛進的發展，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可以解決很多問題。從市場上能看到很多互聯網企業在向工業企業轉型提供技術服務，但是怎樣去結合，誰占主導地位，兩股力量正在斗爭；從技術成熟度角度看，這個領域仍處在探索階段，不少人認為工業大數據有數據基礎，與人工智能相結合就可以解決很多的問題，因為從海量數據當中很容易通過數據清洗和數據挖掘發現相關性。其實，工業領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，銷售的業績和刮胡子的人數是有強相關性的，那么，讓所有的人都去買把剃須刀就一定能提升業績嗎？答案是不一定的。

從這個角度看，工業智能需要將傳統的計算機科學，人工智能技術和工業領域知識這三方面進行有效的結合才能幫助工業客戶解決真正的問題。計算機科學是通過軟件整合所有底層技術，包括大數據、云計算平臺，選擇人工智能算法在這些平臺上運行；工業知識的核心是發現業務邏輯。聽起來簡單的邏輯，在實踐中會發現有很多地方是脫節的，現場人員了解業務邏輯，但并不知道數據分析能解決什么樣的問題；傳統做統計和機器學習的人懂算法，但不了解實際的工業現場可能遇到的問題，傾向于把模型抽象化，到實際的情況當中無法使用。針對這樣的痛點，需要相關機構或者人員把三者結合起來，這是一個系統集成的過程，最終為客戶提供優質的解決方案。

實踐工業智能，我們還有很多技術難點需要攻堅。首先，是定義和發現不可見問題。我們所有可見的問題，比如SCADA系統出現報警或者設備故障，需要運用策略去保護和維護它。如果不能應用在線監控與實時分析，很多不可見的問題很難被發現，比如設備的衰退和發電量的損失等。我們可以使用監測、建模和執行的方法，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項目，涵蓋各個工業門類，從實踐當中總結出了一套方法論和常用的模型庫，常年的工業現場操作對于個人的經驗也帶來了很大的提升。數據分析和數據建模需要依托于大量的經驗，拿到一組上百維的數據，該怎樣分析？從哪里開始？是否真的需要數據清洗？是否真的需要做數據降維？這些都是需要經驗判斷。

工業智能在風電行業的應用思路

下面進入今天的主題，工業智能怎樣在風電行業實現？這其實是一個很復雜的系統工程，我們將CPS（信息-物理系統）架構作為解決方案的指導框架，以CPS為基礎，以分析技術（AT）為核心，基于物聯網（IoT）技術打通從原始數據到業務應用的通道，實現從數據庫到模型庫最終產生應用庫的價值升級。信息-物理系統是一個從感知層到配置層的方法論架構。智能感知層是智能化的數據采集管理，信息挖掘層是從原始的數據當中初步提取有用的信息，網絡層通過大量的數據對風機進行處理，認知層是進行協同優化，配置層最終執行優化操作。基于5層架構，通過狀態模型、關系模型和決策模型相互指導與支持，形成企業級整體解決方案。

目前，天澤智云所提供的服務包括，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品到能力的賦能服務。我們提供的服務之一是數據采集方案咨詢，精準的數據采集既優化了數據的傳輸和存儲，又保證了分析的準確度，是整個智能應用的基礎。智能化的運維管理平臺最終目的基于裝備的性能評估、預測性診斷以及運維管理的調度優化，最終實現風場的無憂運行。簡單來說，就是故障發生的時候知道故障在哪，未發生故障的時候知道何時發生故障，在具體的運行當中可以通過優化方法來提升運行效能。

為什么說風力發電是運用人工智能最理想的行業呢？GE的Predix、IBM的PMQ、西門子的Mindsphere都以風電作為實踐工業智能化的案例，因為風電是相對獨立的系統，且數據完善；同時風電屬于重資產的設備，維修維護成本高，迫切需要智能維護來降低成本；再者風電以集群的形式出現，可以在網絡層運用一些數據傳輸、數據管理等方法進行分析。

天澤智云的核心團隊自2010年起，在風電行業積累了大量的數據模型與應用實踐。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以及目前國內正在開發的智慧風電系統，通過不斷的探索與改善，逐步實現了從失效維護到故障預測與健康管理（PHM）的跨越。PHM技術的核心是在設備出現故障之前對剩余壽命進行預測、對設備運行策略進行優化，對維護策略優化排程。

在實踐當中，研發團隊也面臨著這不斷的挑戰，從風場角度，需要對風場進行整體優化，如何做到全局最優；從設備角度，全生命周期的費用不斷下降，模型的復雜度不斷上升，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機的輸入輸出關系；第二個是數據模型，通過運行數據擬合風機運行參數；除此之外是混合模型，結合機理模型和運行數據提升模型準確度，在機理模型不夠準確的情況下，使用運行數據優化模型表現，如GE的PowerUp，另一方面，在數據過于復雜的時候，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備狀態進行評估。

無憂風場的概念

我們所提到的無憂風場即智能風電，基于“人工智能+大數據+運維服務”，幾年前很難甚至不能實現，現在可以實現。隨著科技的進步，智能感知技術所提供的測點的不斷增多，在感知的基礎上增加更多有效的信息，智能分析技術提供更加精準的趨勢性的分析結果，智能決策技術是通過協同優化來減少運維成本，智能執行技術最終結合人員，背景信息和優化結果，通過更有效的方法實踐運維操作。我們認為將以上所有智能的技術結合起來才能達到智能化的目的。

對于無憂風場而言，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去做的，早期故障診斷與劣化速度的管理需要運用先進的信號處理和故障預診技術，另一個是數字化風機建模（Digital Twin）,就是GE所說的數字化風場，運用風場集群建模和風功率預測的調度與維護策略優化等方法得以實現，以上分析方法結合起來形成無憂的風機與無憂風場。

無憂風場的技術實現

為實現無憂風場，可以分為感知、分析、決策和執行這四個部分，我們需要做的是感知外部環境和自身狀態，這其實也是我們現在技術進步的體現。有更多的傳感器，更多的信息，通過分析產生的影響對于決策的支持，從而形成一套綜合的解決方案，進行統一地優化調配。剛才也有專家提到：系統是相互獨立的，缺乏數據地融合。之前我們做的建模大都是獨立存在的，會不會受到數據或者外部環境關聯性的影響——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化，從排程上，有沒有發揮集群的優勢？到底是對單臺機還是對整臺機？無論是對整個區域性的風場還是對整個集團公司而言，我們要不斷的進行優化。想要實現這些，就需要我們所提供的智能化技術的整體框架去填補系統與系統之間的空白和系統內沒有完成的任務。

智能感知層、分析層、網絡層、認知層和執行層，所有具體的功能點和功能點之間的數據交互，涉及了每一個具體的部件如何評估機器狀態，每個部件到單機如何進行整合，最后到風場如何做一個集群的分析和優化。使用任何開源的工具和已有的方法，主要運用機器學習、模式識別、統計學習、時間序列以及信號處理等，幫助企業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、故障診斷和壽命預測。從技術架構上，我們也是分解了很多技術點：風機性能的數據建模、衰退評估、風功率預測的維護排程、調度和優化。

整體上來說，我們的解決方案包括了風機和風場兩大部分，包括區域和整體的的結構更新。基于這樣整體的一個構架，我們做了智能風電運維系統的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權。具體舉些例子，風功率的體現可以有多種方法，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，在單機當中找到最差的，在集群當中根據表現驅動進行比對，比如發電性能評估，運用SCADA系統，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體系。

風電行業的機遇與挑戰

從智能風機到智慧風場，從運維中心到風場，其中的核心算法和業務構架以及具體IT實現的路徑，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，第一系統如何設計，這是一個復雜系統工程，第二系統如何實施，數據源、模型選擇和在線運行框架等，在實際運行當中可能會出現很多挑戰，第三系統如何泛化，每臺機器的狀態都是不一樣的，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，一旦過度會導致無法應用，怎樣發掘一些真實的有代表性的特征，在評估的結果當中與機理模型做比對，得到可執行信息。

從建模層面來看，在風力發電行業，數據上，第一是小樣本，即失效的不多，或者說失效的發生后不再采集數據；第二是多工況，不同的運行狀態不同的風速應用在不同的工業場景；第三是高復雜，有很多的復雜設備；第四是小應用，每個應用針對具體的核心點去解決。方法上，強化學習，如果難以表現如何進行優化？深度學習，如何做特征的深度擬合；半監督和無監督式學習，一部分數據有標簽，一部分數據沒標簽，可以優化算法輸出；遷移學習是對象狀態發生變化，樣本模型如何更好的擬合？在數據和方法上存在這些機遇和挑戰，只有不斷克服挑戰，才能達到更準確、更穩健、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智能系統的核心，我們做了這么長時間的風電和工業智能化，希望把工業智能化的方法應用在實際當中，用正確的方法去解決工業問題！