AI 在風(fēng)電領(lǐng)域落地的四要素：數(shù)據(jù)、人才、模型、場(chǎng)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?cè)陲L(fēng)電行業(yè)場(chǎng)景落地過(guò)程中，總結(jié)的一些具有共性和特性的問(wèn)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(kāi)：首先縱觀整個(gè)風(fēng)電市場(chǎng)的發(fā)展現(xiàn)狀，其次展開(kāi) AI 在風(fēng)電領(lǐng)域的主要應(yīng)用場(chǎng)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(chǎng)發(fā)展情況

今年的風(fēng)能市場(chǎng)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(guò)了 100GW，同比增長(zhǎng)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(lái)看，在未來(lái)幾年風(fēng)電裝機(jī)量依舊是一個(gè)線性增長(zhǎng)的勢(shì)頭，從另外一個(gè)視角來(lái)看，它發(fā)展的如此迅速，那性價(jià)比是怎么樣的呢？

無(wú)論是國(guó)內(nèi)還是全球，大家都有一個(gè)比較驚喜的共識(shí)：目前風(fēng)電的競(jìng)標(biāo)價(jià)已經(jīng)低于傳統(tǒng)能源的價(jià)格，所以相比于傳統(tǒng)能源，風(fēng)電其實(shí)是更具性價(jià)比的一種模式。那在風(fēng)電快速發(fā)展的過(guò)程中，會(huì)遇到哪些問(wèn)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(dòng)力的限制”這個(gè)因素。

在新能源領(lǐng)域中有眾多的上下游，需要許多的勞動(dòng)力在上下游中去推進(jìn)工作，之前也跟國(guó)內(nèi)的相關(guān)運(yùn)營(yíng)商合作中討論到目前每臺(tái)風(fēng)機(jī)每年的運(yùn)營(yíng)成本都是上百萬(wàn)的，所以如何利用 AI 相關(guān)的算法，對(duì)供應(yīng)鏈峰值管理、勞動(dòng)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(chǎng)景之一。

同時(shí)我們可以看到，中國(guó)在風(fēng)電領(lǐng)域的占有量是世界第一，截止2022年共有3782個(gè)風(fēng)電場(chǎng)，國(guó)內(nèi)排名前10的風(fēng)電運(yùn)營(yíng)商中，運(yùn)營(yíng)的風(fēng)電場(chǎng)數(shù)量都是超過(guò)100個(gè)。而超過(guò) 500 個(gè)風(fēng)電場(chǎng)的運(yùn)營(yíng)商就包括國(guó)家能源集團(tuán)、國(guó)家電投、中國(guó)大唐。其實(shí)就現(xiàn)階段而言，整個(gè)風(fēng)電存量市場(chǎng)非常龐大，存量市場(chǎng)的運(yùn)營(yíng)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(chǎng)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(yíng)，是影響整個(gè)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(lèi)場(chǎng)景。

第一類(lèi)場(chǎng)景：風(fēng)電場(chǎng)功率預(yù)測(cè)

風(fēng)電作為可再生新能源，風(fēng)能的預(yù)估會(huì)影響到風(fēng)電場(chǎng)的發(fā)電功率，包括光伏也是會(huì)有同樣的問(wèn)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(zhǎng)期預(yù)測(cè)。

在做超短期預(yù)測(cè)時(shí)，預(yù)測(cè)單位是分鐘級(jí)跟小時(shí)級(jí)的風(fēng)能預(yù)測(cè)，可以對(duì)整個(gè)風(fēng)電場(chǎng)的電能質(zhì)量進(jìn)行有效控制。在做短期預(yù)測(cè)時(shí)，是做小時(shí)到天級(jí)別的發(fā)電量精準(zhǔn)預(yù)測(cè)，對(duì)于風(fēng)力發(fā)電功率如何做競(jìng)價(jià)上網(wǎng)，以及電網(wǎng)調(diào)度等方面會(huì)是比較重要的價(jià)值。

在做中期預(yù)測(cè)時(shí)，做的是周跟月級(jí)別的預(yù)測(cè)，也被稱為周期預(yù)測(cè)，這樣能用于指導(dǎo)風(fēng)電機(jī)組的檢修或調(diào)試。在做長(zhǎng)期預(yù)測(cè)時(shí)，一般是服務(wù)于如何做風(fēng)電場(chǎng)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(duì)風(fēng)能在不同階段的預(yù)測(cè)結(jié)果都會(huì)比較大的影響整個(gè)風(fēng)電場(chǎng)的運(yùn)營(yíng)跟運(yùn)維。具體怎么做預(yù)測(cè)，也被分成了兩塊。

1、提升對(duì)于風(fēng)資源預(yù)報(bào)的準(zhǔn)確性。有些人會(huì)提出疑問(wèn)，為什么不直接用氣象局的數(shù)據(jù)預(yù)報(bào)結(jié)果呢？中國(guó)氣象局也是我們的客戶，我們和氣象局的專家做過(guò)交流，以及結(jié)合過(guò)往的實(shí)施經(jīng)驗(yàn)來(lái)看，如果直接用氣象局相關(guān)的預(yù)報(bào)結(jié)果，會(huì)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(bào)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(huì)導(dǎo)致建設(shè)的風(fēng)機(jī)不在預(yù)報(bào)的網(wǎng)格內(nèi)，這就會(huì)很難精確描述風(fēng)電場(chǎng)所在的局部地形和微氣象的特征。

第二是時(shí)間分辨率的限制，例如前面提到的超短期預(yù)測(cè)，對(duì)于風(fēng)電場(chǎng)的影響是分鐘級(jí)的，但能從氣象局直接獲取到的只是小時(shí)級(jí)的預(yù)測(cè)結(jié)果，不一定滿足實(shí)際的業(yè)務(wù)訴求。

第三是預(yù)報(bào)高度的偏差，現(xiàn)在國(guó)內(nèi)氣象業(yè)務(wù)化的預(yù)報(bào)主要是 10 米風(fēng)，也就是高于地面 10 米的風(fēng)速，而實(shí)際的風(fēng)機(jī)高度會(huì)更高，這就會(huì)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(huì)受地形的影響，所以單獨(dú)拿氣象局的風(fēng)資源預(yù)報(bào)數(shù)據(jù)，是不夠準(zhǔn)確的。針對(duì)以上問(wèn)題能如何解決呢？首先中國(guó)氣象局近兩年也在與風(fēng)電運(yùn)營(yíng)商開(kāi)展一些聯(lián)合合作，進(jìn)一步提高風(fēng)電場(chǎng)的預(yù)報(bào)準(zhǔn)確度；其次近些年風(fēng)電場(chǎng)商以及運(yùn)營(yíng)商正在提升和優(yōu)化這些偏差，包括在風(fēng)機(jī)上裝測(cè)速儀等方式，根據(jù)其預(yù)報(bào)結(jié)果，可擬合出數(shù)據(jù)以提升對(duì)應(yīng)風(fēng)電場(chǎng)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(cè)。這塊相關(guān)模型方法的討論非常多，比如歐洲的一些國(guó)家，在早些年基于統(tǒng)計(jì)學(xué)模型做的是比較成熟的。近些年來(lái)國(guó)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(jì)學(xué)模型進(jìn)行結(jié)合，來(lái)提升準(zhǔn)確率。例如三峽、國(guó)電投單獨(dú)成立了氣象研究團(tuán)隊(duì)，專門(mén)來(lái)解決這個(gè)問(wèn)題。如果能夠達(dá)到更好的功率預(yù)測(cè)，整個(gè)運(yùn)營(yíng)運(yùn)維成本會(huì)起到質(zhì)變的飛躍。

第二類(lèi)場(chǎng)景：工業(yè)設(shè)備異常檢測(cè)

現(xiàn)在每臺(tái)風(fēng)機(jī)每年的運(yùn)維成本已經(jīng)達(dá)到百萬(wàn)級(jí)，一個(gè)風(fēng)電場(chǎng)可能有多個(gè)風(fēng)機(jī)，如果能實(shí)現(xiàn)整個(gè)風(fēng)電機(jī)組關(guān)鍵部件的實(shí)時(shí)檢測(cè)、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(lèi)手段。

1、基于圖像的檢測(cè)手段。針對(duì)陸上風(fēng)機(jī)，可以做無(wú)人機(jī)的巡檢；而海上風(fēng)機(jī)，現(xiàn)在也有做無(wú)人船的巡檢等。可以通過(guò)不同的監(jiān)測(cè)手段去獲得相應(yīng)的檢測(cè)圖片，然后利用視覺(jué)算法進(jìn)行信息識(shí)別，例如識(shí)別砂眼、剝落、裂紋、結(jié)冰等等不同場(chǎng)景的問(wèn)題。

2、結(jié)合現(xiàn)有數(shù)字化基礎(chǔ)，進(jìn)行數(shù)據(jù)檢測(cè)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(gè)風(fēng)電設(shè)備運(yùn)行時(shí)，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(cè)。利用相關(guān)的 AI 方法做對(duì)應(yīng)的檢測(cè)、預(yù)警，包括功率狀態(tài)識(shí)別、振動(dòng)狀態(tài)識(shí)別、運(yùn)維工況識(shí)別等等。

03落地挑戰(zhàn)與實(shí)踐案例

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

首先是數(shù)據(jù)孤島問(wèn)題。

其實(shí)在新能源、風(fēng)能甚至整個(gè)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(tái)可能是為單一應(yīng)用場(chǎng)景設(shè)計(jì)的，數(shù)據(jù)的流動(dòng)更多是在審批流中，但在去用一些更大的模型時(shí)，需要的是跨不同應(yīng)用的數(shù)據(jù)流動(dòng)。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(wèn)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(lái)使用方法去解決問(wèn)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(chǎng)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(shí)際落地中會(huì)有許多的創(chuàng)新阻力。比如之前獲得一個(gè)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(shí)現(xiàn)相關(guān)的推理、實(shí)現(xiàn)模型驅(qū)動(dòng)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(shí)是缺乏對(duì) 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(shí)候，會(huì)同時(shí)面臨信息化、數(shù)字化跟智能化三級(jí)跳的問(wèn)題，并不是等信息化完成了再去做 AI 。

從整體規(guī)劃來(lái)看，這將變成集團(tuán)級(jí)的能力升級(jí)的問(wèn)題，需要系統(tǒng)的考慮是否有辦法驅(qū)動(dòng)一些模型、驅(qū)動(dòng)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(gè)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(chǎng)景做落地？答案肯定不是的。站在 PMF 方法論的角度來(lái)說(shuō)，找到一個(gè) MVP 場(chǎng)景去實(shí)現(xiàn)第一個(gè)價(jià)值閉環(huán)才是最重要的。只有把 MVP 跑通，再去爭(zhēng)取更大的資源來(lái)推動(dòng)完成。

我們?cè)谂c客戶合作中發(fā)現(xiàn)跑通 MVP 有幾個(gè)關(guān)鍵點(diǎn)。第一，第一個(gè)落地場(chǎng)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(chǎng)景要足夠典型，或者價(jià)值更大。需要花時(shí)間做數(shù)據(jù)、人才、模型三要素盤(pán)點(diǎn)。盤(pán)數(shù)據(jù)需重點(diǎn)關(guān)注實(shí)際數(shù)據(jù)質(zhì)量和數(shù)據(jù)的可獲得性，否則在落地過(guò)程會(huì)需要花大量時(shí)間去清理、或者花大量時(shí)間抵抗歷史已有數(shù)據(jù)的獲取流程；盤(pán)人才需要針對(duì)業(yè)務(wù)場(chǎng)景配備算法人員以及調(diào)動(dòng)業(yè)務(wù)人員一起探索新的業(yè)務(wù)流程；盤(pán)模型就是優(yōu)先選擇有小模型驅(qū)動(dòng)過(guò)的場(chǎng)景，這樣會(huì)在落地過(guò)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(guó)內(nèi)某風(fēng)電場(chǎng)運(yùn)營(yíng)商落地 AI 的過(guò)程與一些探索經(jīng)驗(yàn)。

冷啟動(dòng)階段主要是做 MVP 的過(guò)程，直接去做 AI 落地是很難的，因?yàn)橹?AI 落地是需要構(gòu)建一個(gè)平臺(tái)來(lái)驅(qū)動(dòng)各個(gè)流程的。當(dāng)建立起一個(gè)新的平臺(tái)并結(jié)合相關(guān) AI 算法，就會(huì)發(fā)現(xiàn)所有要做的事情都是新的，平臺(tái)是新的、流程是新的、模型是新的、人也是新的，這是一個(gè)巨大的轉(zhuǎn)變，也就意味著會(huì)有很多困難。所以在冷啟動(dòng)期，選擇大家最熟悉的一個(gè)場(chǎng)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(dòng)鏈振動(dòng)故障分析以及風(fēng)電設(shè)備特征分析等等。

通過(guò)偏數(shù)據(jù)分析的場(chǎng)景，先把這些數(shù)據(jù)接入 AI 平臺(tái)上，再做一個(gè)小模型生成結(jié)果，最后讓業(yè)務(wù)人員直接應(yīng)用這個(gè)流程。通過(guò)這個(gè) MVP 我們同時(shí)解決了數(shù)據(jù)接入平臺(tái)、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(jià)值閉環(huán)。

跑通第一個(gè) MVP 場(chǎng)景之后如何擴(kuò)大場(chǎng)景？如何向領(lǐng)導(dǎo)匯報(bào)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(dòng)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(yíng)、開(kāi)展企業(yè)數(shù)據(jù)競(jìng)賽，要能夠把人才調(diào)動(dòng)起來(lái)，同時(shí)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(mén)戶中，這樣在推進(jìn)公司內(nèi)的數(shù)字化或AI工作就會(huì)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(lái)就可以用相同的方式來(lái)發(fā)展AI應(yīng)用，但很重要的一點(diǎn)是能夠?yàn)槠脚_(tái)爭(zhēng)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(gè)平臺(tái)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(shí)資產(chǎn)。

有許多客戶同時(shí)也在關(guān)心大模型如何落地的問(wèn)題，風(fēng)電場(chǎng)景的許多業(yè)務(wù)決策涉及到時(shí)序數(shù)據(jù)以及因果鏈，對(duì)目前國(guó)內(nèi)基座大模型的能力來(lái)說(shuō)還是比較挑戰(zhàn)，所以目前整體大模型在新能源場(chǎng)景的落地進(jìn)展還比較早期，更多是冷啟動(dòng)的探索階段。但這種冷啟動(dòng)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(dòng)起來(lái)，是否能夠讓人才被調(diào)動(dòng)起來(lái)，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(wèn)題。以風(fēng)電運(yùn)維場(chǎng)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(lái)希望發(fā)展的大模型當(dāng)中，和鯨整理了以上6個(gè)落地步驟，希望對(duì)大家能有所幫助。以上是本次分享的全部?jī)?nèi)容。