AI 在風(fēng)電領(lǐng)域落地的四要素：數(shù)據(jù)、人才、模型、場景

AI 已經(jīng)在風(fēng)電領(lǐng)域中有所應(yīng)用，今天將分享我們在風(fēng)電行業(yè)場景落地過程中，總結(jié)的一些具有共性和特性的問題，以及相應(yīng)的 AI 和大模型落地的建議。今天主要分三部分展開：首先縱觀整個風(fēng)電市場的發(fā)展現(xiàn)狀，其次展開 AI 在風(fēng)電領(lǐng)域的主要應(yīng)用場景，最后根據(jù)風(fēng)電企業(yè)在落地 AI 應(yīng)用中遇到的挑戰(zhàn)和解決建議。

分享嘉賓｜殷自強(qiáng) 和鯨科技聯(lián)合創(chuàng)始人、執(zhí)行總裁&首席產(chǎn)品官

01、風(fēng)電市場發(fā)展情況

今年的風(fēng)能市場是全球發(fā)展最好的一年。在 2023 年，陸上風(fēng)機(jī)的裝機(jī)容量已經(jīng)超過了 100GW，同比增長54%。海上風(fēng)機(jī)裝機(jī)量也達(dá)到歷史第二好的一年。預(yù)估 2030 年全球風(fēng)電裝機(jī)容量將提高到三倍。

從整體發(fā)展來看，在未來幾年風(fēng)電裝機(jī)量依舊是一個線性增長的勢頭，從另外一個視角來看，它發(fā)展的如此迅速，那性價比是怎么樣的呢？

無論是國內(nèi)還是全球，大家都有一個比較驚喜的共識：目前風(fēng)電的競標(biāo)價已經(jīng)低于傳統(tǒng)能源的價格，所以相比于傳統(tǒng)能源，風(fēng)電其實是更具性價比的一種模式。那在風(fēng)電快速發(fā)展的過程中，會遇到哪些問題呢？上圖黃色區(qū)域中提出了許多相關(guān)的影響因素，我們重點(diǎn)看一下“供應(yīng)鏈與勞動力的限制”這個因素。

在新能源領(lǐng)域中有眾多的上下游，需要許多的勞動力在上下游中去推進(jìn)工作，之前也跟國內(nèi)的相關(guān)運(yùn)營商合作中討論到目前每臺風(fēng)機(jī)每年的運(yùn)營成本都是上百萬的，所以如何利用 AI 相關(guān)的算法，對供應(yīng)鏈峰值管理、勞動力結(jié)構(gòu)等方面做一些調(diào)整，是我們核心考慮讓 AI 發(fā)揮非常重要角色的場景之一。

同時我們可以看到，中國在風(fēng)電領(lǐng)域的占有量是世界第一，截止2022年共有3782個風(fēng)電場，國內(nèi)排名前10的風(fēng)電運(yùn)營商中，運(yùn)營的風(fēng)電場數(shù)量都是超過100個。而超過 500 個風(fēng)電場的運(yùn)營商就包括國家能源集團(tuán)、國家電投、中國大唐。其實就現(xiàn)階段而言，整個風(fēng)電存量市場非常龐大，存量市場的運(yùn)營提效已經(jīng)是一件非常重要的工作。

02、AI 在風(fēng)電領(lǐng)域的主要應(yīng)用場景

如何借助數(shù)字化與 AI 能力進(jìn)行整體的精細(xì)化運(yùn)營，是影響整個行業(yè)持續(xù)發(fā)展的關(guān)鍵因素。目前AI 在風(fēng)電領(lǐng)域比較普遍在應(yīng)用的主要有兩類場景。

第一類場景：風(fēng)電場功率預(yù)測

風(fēng)電作為可再生新能源，風(fēng)能的預(yù)估會影響到風(fēng)電場的發(fā)電功率，包括光伏也是會有同樣的問題，這是屬于新能源跟其他能源不一樣的關(guān)注視角。一般可以分為超短期、短期、中期、長期預(yù)測。

在做超短期預(yù)測時，預(yù)測單位是分鐘級跟小時級的風(fēng)能預(yù)測，可以對整個風(fēng)電場的電能質(zhì)量進(jìn)行有效控制。在做短期預(yù)測時，是做小時到天級別的發(fā)電量精準(zhǔn)預(yù)測，對于風(fēng)力發(fā)電功率如何做競價上網(wǎng)，以及電網(wǎng)調(diào)度等方面會是比較重要的價值。

在做中期預(yù)測時，做的是周跟月級別的預(yù)測，也被稱為周期預(yù)測，這樣能用于指導(dǎo)風(fēng)電機(jī)組的檢修或調(diào)試。在做長期預(yù)測時，一般是服務(wù)于如何做風(fēng)電場的選址，也就是當(dāng)前區(qū)域中，每年的風(fēng)資源規(guī)模，是否適合建設(shè)風(fēng)機(jī)。所以單獨(dú)對風(fēng)能在不同階段的預(yù)測結(jié)果都會比較大的影響整個風(fēng)電場的運(yùn)營跟運(yùn)維。具體怎么做預(yù)測，也被分成了兩塊。

1、提升對于風(fēng)資源預(yù)報的準(zhǔn)確性。有些人會提出疑問，為什么不直接用氣象局的數(shù)據(jù)預(yù)報結(jié)果呢？中國氣象局也是我們的客戶，我們和氣象局的專家做過交流，以及結(jié)合過往的實施經(jīng)驗來看，如果直接用氣象局相關(guān)的預(yù)報結(jié)果，會有一些限制。

第一是空間分辨率不足，一般氣象局直接提供的較高分辨率預(yù)報網(wǎng)格是 1公里的網(wǎng)格大小，和風(fēng)機(jī)的距離并不一致，可能會導(dǎo)致建設(shè)的風(fēng)機(jī)不在預(yù)報的網(wǎng)格內(nèi)，這就會很難精確描述風(fēng)電場所在的局部地形和微氣象的特征。

第二是時間分辨率的限制，例如前面提到的超短期預(yù)測，對于風(fēng)電場的影響是分鐘級的，但能從氣象局直接獲取到的只是小時級的預(yù)測結(jié)果，不一定滿足實際的業(yè)務(wù)訴求。

第三是預(yù)報高度的偏差，現(xiàn)在國內(nèi)氣象業(yè)務(wù)化的預(yù)報主要是 10 米風(fēng)，也就是高于地面 10 米的風(fēng)速，而實際的風(fēng)機(jī)高度會更高，這就會存在風(fēng)差。

第四是局地效應(yīng)未充分考慮，風(fēng)機(jī)的風(fēng)速可能會受地形的影響，所以單獨(dú)拿氣象局的風(fēng)資源預(yù)報數(shù)據(jù)，是不夠準(zhǔn)確的。針對以上問題能如何解決呢？首先中國氣象局近兩年也在與風(fēng)電運(yùn)營商開展一些聯(lián)合合作，進(jìn)一步提高風(fēng)電場的預(yù)報準(zhǔn)確度；其次近些年風(fēng)電場商以及運(yùn)營商正在提升和優(yōu)化這些偏差，包括在風(fēng)機(jī)上裝測速儀等方式，根據(jù)其預(yù)報結(jié)果，可擬合出數(shù)據(jù)以提升對應(yīng)風(fēng)電場的數(shù)據(jù)。

2、如何基于風(fēng)的數(shù)據(jù)，進(jìn)行輸出功率的預(yù)測。這塊相關(guān)模型方法的討論非常多，比如歐洲的一些國家，在早些年基于統(tǒng)計學(xué)模型做的是比較成熟的。近些年來國內(nèi)的公司正在探討和考慮如何利用 AI 模型將傳統(tǒng)成熟的統(tǒng)計學(xué)模型進(jìn)行結(jié)合，來提升準(zhǔn)確率。例如三峽、國電投單獨(dú)成立了氣象研究團(tuán)隊，專門來解決這個問題。如果能夠達(dá)到更好的功率預(yù)測，整個運(yùn)營運(yùn)維成本會起到質(zhì)變的飛躍。

第二類場景：工業(yè)設(shè)備異常檢測

現(xiàn)在每臺風(fēng)機(jī)每年的運(yùn)維成本已經(jīng)達(dá)到百萬級，一個風(fēng)電場可能有多個風(fēng)機(jī)，如果能實現(xiàn)整個風(fēng)電機(jī)組關(guān)鍵部件的實時檢測、可以提前去排查相關(guān)的故障隱患，就能進(jìn)一步降低運(yùn)維成本。包含以下兩類手段。

1、基于圖像的檢測手段。針對陸上風(fēng)機(jī)，可以做無人機(jī)的巡檢；而海上風(fēng)機(jī)，現(xiàn)在也有做無人船的巡檢等。可以通過不同的監(jiān)測手段去獲得相應(yīng)的檢測圖片，然后利用視覺算法進(jìn)行信息識別，例如識別砂眼、剝落、裂紋、結(jié)冰等等不同場景的問題。

2、結(jié)合現(xiàn)有數(shù)字化基礎(chǔ)，進(jìn)行數(shù)據(jù)檢測和預(yù)警。這部分主要是以 SCADA 的設(shè)備運(yùn)行數(shù)據(jù)，當(dāng)每個風(fēng)電設(shè)備運(yùn)行時，它輸入的相關(guān)采集，或者是 MRO 運(yùn)維數(shù)據(jù)，以這些設(shè)備數(shù)據(jù)進(jìn)行相關(guān)的異常情況監(jiān)測。利用相關(guān)的 AI 方法做對應(yīng)的檢測、預(yù)警，包括功率狀態(tài)識別、振動狀態(tài)識別、運(yùn)維工況識別等等。

03落地挑戰(zhàn)與實踐案例

當(dāng)企業(yè)真的要去落地 AI 的時候，要解決的核心問題是圍繞一系列的決策流程，形成模型驅(qū)動的集團(tuán)能力升級。

首先是數(shù)據(jù)孤島問題。

其實在新能源、風(fēng)能甚至整個大工業(yè)領(lǐng)域中不缺乏數(shù)據(jù)，缺的是可以被模型批量獲取的高質(zhì)量數(shù)據(jù)。以往搭建數(shù)據(jù)平臺可能是為單一應(yīng)用場景設(shè)計的，數(shù)據(jù)的流動更多是在審批流中，但在去用一些更大的模型時，需要的是跨不同應(yīng)用的數(shù)據(jù)流動。所以要先解決的是“模型如何去獲得不同數(shù)據(jù)源”，打破數(shù)據(jù)孤島的問題。

其次是相關(guān)人才缺乏。不僅是懂 AI 算法的人員也需要一線的技術(shù)人員。雙方應(yīng)該配合來使用方法去解決問題，以及一線的人員如何去更好地理解數(shù)字化跟 AI 智能，愿意把這些模型應(yīng)用到相關(guān)的場景中，改變一些傳統(tǒng)的工作方式。

最后是創(chuàng)新阻力。能源所在的還是偏傳統(tǒng)的行業(yè)，在實際落地中會有許多的創(chuàng)新阻力。比如之前獲得一個數(shù)據(jù)需要走審批，但現(xiàn)在要做到讓模型持續(xù)的去讀、實現(xiàn)相關(guān)的推理、實現(xiàn)模型驅(qū)動的決策等等。而現(xiàn)有的流程系統(tǒng)及相關(guān)基礎(chǔ)設(shè)施其實是缺乏對 AI 模型全生命周期的支撐。所以企業(yè)在準(zhǔn)備 AI 落地的時候，會同時面臨信息化、數(shù)字化跟智能化三級跳的問題，并不是等信息化完成了再去做 AI 。

從整體規(guī)劃來看，這將變成集團(tuán)級的能力升級的問題，需要系統(tǒng)的考慮是否有辦法驅(qū)動一些模型、驅(qū)動流程在業(yè)務(wù)當(dāng)中做落地。

以這樣的出發(fā)點(diǎn)該怎么具體落地 AI 呢？是不是要等集團(tuán)的能力去解決？或者把整個集團(tuán)所有的業(yè)務(wù)梳理完再去落地？到底要找什么樣的場景做落地？答案肯定不是的。站在 PMF 方法論的角度來說，找到一個 MVP 場景去實現(xiàn)第一個價值閉環(huán)才是最重要的。只有把 MVP 跑通，再去爭取更大的資源來推動完成。

我們在與客戶合作中發(fā)現(xiàn)跑通 MVP 有幾個關(guān)鍵點(diǎn)。第一，第一個落地場景盡量減少跟歷史技術(shù)?；蛘邚?fù)雜業(yè)務(wù)流去耦合。第二，場景要足夠典型，或者價值更大。需要花時間做數(shù)據(jù)、人才、模型三要素盤點(diǎn)。盤數(shù)據(jù)需重點(diǎn)關(guān)注實際數(shù)據(jù)質(zhì)量和數(shù)據(jù)的可獲得性，否則在落地過程會需要花大量時間去清理、或者花大量時間抵抗歷史已有數(shù)據(jù)的獲取流程；盤人才需要針對業(yè)務(wù)場景配備算法人員以及調(diào)動業(yè)務(wù)人員一起探索新的業(yè)務(wù)流程；盤模型就是優(yōu)先選擇有小模型驅(qū)動過的場景，這樣會在落地過程中減少很多上下游的流程和阻力。

下面分享一下我們和國內(nèi)某風(fēng)電場運(yùn)營商落地 AI 的過程與一些探索經(jīng)驗。

冷啟動階段主要是做 MVP 的過程，直接去做 AI 落地是很難的，因為支撐 AI 落地是需要構(gòu)建一個平臺來驅(qū)動各個流程的。當(dāng)建立起一個新的平臺并結(jié)合相關(guān) AI 算法，就會發(fā)現(xiàn)所有要做的事情都是新的，平臺是新的、流程是新的、模型是新的、人也是新的，這是一個巨大的轉(zhuǎn)變，也就意味著會有很多困難。所以在冷啟動期，選擇大家最熟悉的一個場景——風(fēng)機(jī)運(yùn)維，先用小模型跑通相關(guān)的數(shù)據(jù)流跟業(yè)務(wù)流，去做風(fēng)機(jī)功率特性分析、傳動鏈振動故障分析以及風(fēng)電設(shè)備特征分析等等。

通過偏數(shù)據(jù)分析的場景，先把這些數(shù)據(jù)接入 AI 平臺上，再做一個小模型生成結(jié)果，最后讓業(yè)務(wù)人員直接應(yīng)用這個流程。通過這個 MVP 我們同時解決了數(shù)據(jù)接入平臺、數(shù)據(jù)模型決策的業(yè)務(wù)流程、算法與領(lǐng)域?qū)＜覅f(xié)同的基礎(chǔ)價值閉環(huán)。

跑通第一個 MVP 場景之后如何擴(kuò)大場景？如何向領(lǐng)導(dǎo)匯報當(dāng)前成果？如何得到內(nèi)部足夠支持？建議的切入點(diǎn)是把在冷啟動階段的成果做成內(nèi)部的文化建設(shè)，舉辦企業(yè)數(shù)據(jù)分析訓(xùn)練營、開展企業(yè)數(shù)據(jù)競賽，要能夠把人才調(diào)動起來，同時可以把相關(guān)的成果聚合到內(nèi)部的數(shù)據(jù)模型生態(tài)門戶中，這樣在推進(jìn)公司內(nèi)的數(shù)字化或AI工作就會獲得更多一線人員的“擁護(hù)者”，以及更能幫決策層獲得業(yè)務(wù)成果被進(jìn)一步放大后的想象。

接下來就可以用相同的方式來發(fā)展AI應(yīng)用，但很重要的一點(diǎn)是能夠為平臺爭取更多的 AI 基建資源。擴(kuò)大數(shù)據(jù)跟算力的接入體量，解決數(shù)據(jù)的可獲得性跟 AI 所需要的一些算力基礎(chǔ)設(shè)施。進(jìn)而可以在同一個平臺之上，再去做小步快跑的 AI 應(yīng)用，不斷的沉淀相關(guān)的AI能力，形成內(nèi)部的模型資產(chǎn)和知識資產(chǎn)。

有許多客戶同時也在關(guān)心大模型如何落地的問題，風(fēng)電場景的許多業(yè)務(wù)決策涉及到時序數(shù)據(jù)以及因果鏈，對目前國內(nèi)基座大模型的能力來說還是比較挑戰(zhàn)，所以目前整體大模型在新能源場景的落地進(jìn)展還比較早期，更多是冷啟動的探索階段。但這種冷啟動探索要跑通，需要依賴的遠(yuǎn)不止是大模型技術(shù)本身，更重要的是企業(yè)是否建立起了這種創(chuàng)新流程與創(chuàng)新文化，是否能夠讓數(shù)據(jù)流動起來，是否能夠讓人才被調(diào)動起來，是否能夠形成孵化模型落地的土壤，這些是前期數(shù)字化建設(shè)與發(fā)展最需要考慮的問題。以風(fēng)電運(yùn)維場景的 AI落地流程為例，如何將原本的數(shù)字化系統(tǒng)和 AI 模型接入到未來希望發(fā)展的大模型當(dāng)中，和鯨整理了以上6個落地步驟，希望對大家能有所幫助。以上是本次分享的全部內(nèi)容。