江苏省能源研究会、东南大学王培红：“智慧+”在智慧电厂的认识与应用——2019年智慧电厂论坛（一期）

智慧+电厂，我的理解就是要集成运用物联网、大数据、人工智能的技术，实现机组安全高效运行，改善运行绩效。江苏省能源研究会常务副秘书长、东南大学能环学院教授王培红在2019年智慧电厂论坛(第一期)上分享《知识发现与学习及其在智慧电厂中的应用》时表示，北极星电力网、电力头条APP将对大会进行全程直播。

直播地址：2019年智慧电厂论坛（第一期）    

王培红：非常感谢！第一个，作为主办方之一，对大家的到来表示热烈的欢迎。同时作为参加这个会议的一个代表，我也发表一些想法，上午、下午的会议信息非常丰富，大家都从各个层次解读了智慧电厂的一些成就，特别是下午朗坤科技、华润电力，还有珠海优特都做了非常好的工作。

因为智慧电厂涉及的非常广泛，我们就想利用这样一个机会跟大家分享一下我所理解的和我们在这方面做的一些工作。

汇报三个问题，第一，智慧电厂我怎么理解的；第二，是我关心的特性知识、特性建模；第三，是火电厂的能效提升，我们关注的一些焦点；第四，我们目前在做的事情；第五，做一个总结。

智慧电厂，我的理解，是智慧+某某某，我可以理解我们优特是在做智慧+安全，我们的朗坤做了更加全面的工作，华润电力做了智慧+检修，都非常好。

智慧是什么？智慧的标志就是审时度势之后再择机行事，这是我们前辈说的这样一句话。我们现在理解，智慧就是基于强大学习能力的自适应的一种优化。

就智慧+而言，我自己理解有三个含义，第一个就是广泛感知。这个广泛感知，包含多信息的融合，这个需要借助于物联网，跟我们国电提出的泛在物联网，我觉得是非常重要。

第二，这些网络集成了大量的数据，大数据的分析、应用，数据很有价值。

第三个，就是我们知识的发现、知识的学习和知识的运用，这个就是广泛感知。

在广泛感知的基础上，我们跟以往传统的优化有什么不同的呢？我们需要资源协同，我们的资源更多了，因为我们的网络扩大了，我们的对象扩大了。所以我们需要关注内部的，比如说我们设备特性的变化；我们也要关心外部的，用户的需求；我们还要关心一些社会的，比如说我们这个环境，电力系统电力改革；我们现在两个细则、辅助服务，这些都会影响到运行、检修和优化。

第三个，就是全局的优化。这个优化跟以往也有所不同，表现在多尺度、多目标、多元利益主体。

我们走在街上可以看到很多的外卖小哥，他们隶属于不同的公司，到处奔波。如果我们把这些公司的信息全部集成起来，能够有一种机制，使得每一个公司能够得到收益，我们路上跑的外卖小哥的数量可能会减少，可能他们的效益也会提高，这就是我们所说的全局优化。

智慧+的特点，第一个是多种技术的集成；第二个，它是现在有的优化方法内涵外延的一个扩展；第三，智慧+要求兼顾多元的利益主体，以往我们的利益主体都是一个，我们站在电厂的角度、电网的角度，或者是用户的角度。我们现在能不能站在一个源网荷的角度，能够把各个利益都能够兼顾，这是我们值得思考的。

电厂的运维我们需要关心什么呢？一个是安全稳定，前面有很多关于安全的报告；也关心高效清洁，一是燃料，第二是排放。排放不仅仅是超低排放，更大的压力在于温室气体的减排，电厂高效清洁的运行还有很长的路要走。

智慧+电厂，我的理解就是要集成运用物联网、大数据、人工智能的技术，实现机组安全高效运行，改善运行绩效。不同目标的选择，我们的优化结果会有很大的差别。

智慧+现在的基础是什么？第一个信息化，电厂的信息化，朗坤做了很多的工作。我们现在有过程控制的，有厂级SIS，也有MIS的，这些信息化跟我们的智慧电厂有关联，可能我们还需要扩大。现在我们就觉得现在电厂的信息化基础还是非常好的，我们如何能够充分地发挥或者挖掘我们现有的信息化基础，这是我们想要做的工作。

第二，就是关于人工智能，一个是信息，一个是AI。我们一直在做数据挖掘，在做聚类，在做分类，在做关联，在做回归预测等等，取得了很好的成绩。这些工作，到了今天仍然是我们的基础。

第二，就是我们的机器学习。我们现在认为机器学习有一个定义，就是对这个信息的表征和处理。我们自己正在发展的，就是我们这儿说的证据理论，是一个处理不精确不确定信息的一种方法，而且它也有证据聚类，也有证据回归，它跟这个全部都能够匹配上。

第二，就是深度学习，我们的理解就是从人工神经网络从单隐层到多隐层，右边上面就是我们传统做的单隐层。随着深度学习的发展，我们现在由单隐层扩大到多隐层，多隐层的出现使我们的应用扩大了，它的基础是什么呢？我的计算能力大幅度提高，我除了单进程的计算，还有多核的并行计算，使得我们的深度学习得到很大的发展，目前在图像识别、语音识别，自然语言处理得到非常大的发展，在我们智慧电厂自然也有很好的应用前景。

前面讲的是我对智慧电厂的一些基础的一些概念和认识。

接下来就讲我们所说的知识是什么？因为今天想要讨论的主题是讲优化，在优化的基础上就是特性知识，这些特性知识是什么呢？实际上就是下面的框，比如说输入对应的一个对象的输出，这就是特性。在这个特性当中影响因素有很多，第一类的影响因素就是我们传统说的不可控的那些因素，比如说季检，春夏秋冬温度环境是在变化的。第二类，就是我们的运行参数跟我的控制系统的性能有关系，比如说主汽温度。我们在三类扰动的情况下，要关心输出的变化或者响应规律，这个就是我所说的特性知识。

为了获得特性知识，我们需要用到的传统方法，就是机理建模。更多的，比如说像我们的燃烧特性，我们有总风量，有燃料，我们有风煤比，有小风能的变化，这些在我们这样一个大空间的有复杂化学反应的和流动传热复杂规律的这样一个地方，我们要建立机理模型，比方说锅炉的燃烧模型，这些输入对应的是排烟温度、排烟氧量等等，我觉得现在建立机理模型非常困难，需要用到数据驱动的方法。

数据驱动的方法，我们为什么又关心证据理论呢？在数据驱动的建模方法当中，我们只要有样本，我只要有输入的样本集，有不同工况下输出的飞灰含碳的变化，我都可以建立它的预测模型。但是当没有这个可测量的无样本的那些特殊参量呢？比如说我们磨煤机的料位，它是有物理的意义，但是没有办法测量。像这些没有精确样本的特殊参量，怎样来做特性的认知和特性的建模呢？我们在发展用证据理论的方法，这个工作大概在2010年左右开始一直在持续发展。

接下来我们再说特性，为什么我们要了解特性？是为了关注能效。我们设备的能效是什么呢？传统的就是供电标煤耗。有一个模型，我们就可以分析基本的工况怎么样，锅炉效怎么样，汽机热耗率怎么样。集团要想降低供电标煤耗，需要分配这个指标到各个区域公司，分配到区域公司下面的各个电厂，凭什么呢？就是要的下一个问题，就是我们能效的时空分布规律。

前面已经说了，能效跟什么有影响呢？跟第一类的不可控因素，跟第二类的运行可控因素，跟第三类的检修可控因素有关系。这些关系在时空分布上有没有什么样的变化？对于我们的性能预测有什么影响？我们在这儿做了一些思考。比如说我们不同区域，国内的东西南北中，不同的季节，冬季、春季、夏季、秋季，气温都不同。假如说是一个水冷的气温，我们的环境温度就有影响；在东部地区的春夏秋冬，在西部地区的春夏秋冬，都不一样，都会影响到在不同地方能效的变化。

同样的，我的负荷和地域也有关系。在东北有供热的需求，在冬季就有采暖的需求。在南方可能只有制冷的需求，没有采暖的需求，这些就是地域、季节，不同季节典型日逐时，甚至24点、96点都可以。根据我们优化问题的需要，统计它的量，或者统计利用小时数。我们现在都在做全年的，比如4000小时、3800小时，实际上与其关心全年的，还不如关心逐季的，在春夏秋冬季节的利用小时数，这个更加能说明问题。

关于时空分布规律，最后我们想总结的是什么呢？就是能效的时空分布规律，在第一类不同地域不同类的，有环境变成，有参数的，是不同的机组，每个机组都有共性的。在这样一个影响下，我就可以知道在不同的区域，不同的时间段，机组的能效大概在什么样的一个范围内。

我们针对第一类扰动，主要采取提高能效的措施就是做优化调度。包括负荷优化调度，我们的负荷是外界来的，怎样使得煤耗更低能效更高。

第二个就是循环水的调度，在不同季节，不同的负荷需求下，到底要开什么样的一个组合，这些是传统的优化。实际上我们还想展开的是说什么呢？就是以往我们都是逐点的优化，现在我们更关心24点或者96点的优化。比如说现在要用循环水双出供，要切换发电机的时候有很多的操作，这个使得我不能实时操作，就要做一个整体规划。假如说我在这么长的时间段里都采用双高动，或者一高一低运行怎么样？所以我想单点优化和我考虑全天的甚至考虑不同季节的优化，得到的结果不一样。

这个就是关于第二类，我们主要在做一些参数的优化。

关于第三类扰动，实际上我们主要是在精细化检修方面要做一些工作。

我们再回头来总结一下，我们现在面对的是什么呢？第一个是复杂对象；第二个是有了多类型、高维度、大数据的基础；第三个，是我们要面对复杂的多目标约束的问题。在这个情况下，我们应该怎么做呢？现在我们的工作，就是在做基于证据理论的一个特性自学习建模的方法。

这个包括两个部分，一是证据库的自适应，第二是回归算法的自适应。第二个方面，就是我们在做多约束的优化，多目标就是复杂约束，除了上面以外，我们下面还有一些其他约束的。在这个情况下，我们现在在发展的是蜂群优化的方法，就是模拟蜂群，跟遗传优化算法来比，它的算法相对简单。

最后我们总结一下，一个是智慧电厂的必要性，就是我们有高参数大容量机组、负荷多变，我们的特性认知需求在扩大。

第二，是可能性。我们的信息化基础，我们的互联网基础，我们的人工智能基础有了支撑。

知识发现有新需求，处理不精确、不确定的属性。

最后我们这个知识用在哪里？既可以用在状态优化运行，优化分析，也可以用在诊断应用。

谢谢大家！