华北电力大学鲍镇：用机器学习助力电厂智慧化转型——2018年智慧电厂论坛（二期）

“用机器学习助力电厂智慧化转型。对于整个电厂实际上我们就是通过一个一个点的方式，最后形成面，我们把这个电厂里所有的不同机组的信号通过重要等级划分为五个等级，里面任何一个系统立面的任何一个信号如果出现异常的话，我们都会推送到这个页面上来，管理人员通过这个页面就能看到具体哪个系统、哪个信号、出了什么问题、我应该怎样调整，能够把这个调整为正常的状态。这个就是我们所理解的智慧电厂监测的系统生态。”华北电力大学科技园人工智能实验室鲍镇博士在2018年智慧电厂智慧论坛（第二期）上发表了《智慧电厂运营解决方案》时表示。北极星电力网全程对会议进行直播，如需了解更多的会议直播，请联系微信号：13693626116

鲍镇：各位专家、领导，大家好！非常荣幸在这里和大家汇报我们的电厂智慧监测方案研究与设计这个课题，我是鲍镇。

直播地址：2018年智慧电厂（第二期）

这次汇报大致分为五个部分：

第一，这个研究和设计的背景介绍。

第二，我们做这套方案的设计理念

第三，我们认为为了达到这个方案的效果传统的电厂要必经的转型过程。

第四，方案设计的详细内容。

第五，我们对未来的展望，当然这个展望是基于我们方案设计的基础之上。

首先请允许我做一下简单的自我介绍，我是鲍镇，目前在华北电力大学科技园电力人工智能实验室任负责任，同时我也是美国ELOT大数据实验室研发负责任，2016年的时候非常有幸参加了中国的留学生创业大赛，也是国内最重量级的留学生创业大赛，我当时是团队的技术负责人，我们拿到了一项非常重要的奖项。

目前我的研究方向主要是在电力市场博弈策略、工业在线异常监测、用户级负荷预测、需求侧响应、非侵入是符合检测、数据中心用电优化。总结起来一句话，其实我的方向就是机器学习在电力工业中的应用。

目前本人正在研究的就是前两个，第一，电力市场博弈策略；第二，工业在线异常监测。这两个方向正好和我们智慧电厂是息息相关的。简单聊一下这两个方向，第一件事情，电力市场博弈策略，就是目前的市场中我们怎样帮助电力市场的参与者，比如发电集团、售电公司或者发售一体的公司帮助他们在竞价中获取最大的经济利益，我们实验室这块是传统强的、在美国是能排上号的，以前我们只能在11个节点或者30个节点范围内做实验，接下来我们要做的是在北京市、乃至于河北省、乃至于整个经济基地区做这样的研究，帮助电力市场的参与者利益最大化。

第二件事情，工业在线异常监测。说到这个大家应该不陌生，刚刚李总也讲到，我们电厂数据非常庞大了，有可能想找都找不到，实际上我们在电厂的信息化建设当中已经非常健全、非常完善了。我为什么这么说呢？因为目前电厂有DCS、有PLC，到最后报表CSASS系统，所有数据已经搜集上来了，这个数据在DCS也好、在CSASS也好，在日常监测这块目前只是煎蛋的设了一个警戒值，就是当我们的实际值超出这个警戒值的时候就让系统报警。这样是否合理呢？电厂工况是非常复杂的，这个警戒值应该是动态的。

接下来详细描述我们的异常监测是什么样的概念。首先我们先聊一聊，我们为什么做这件事情？这件事情到底是什么样的事情呢？这件事情就是电厂监测的智慧化。上面讲到我们实际上是有很多数据的，我们这里提到的监测智慧化实际上是去帮助电厂的运行人员、管理人员去理解这个数据，因为这个数据量实在太庞大了，仅靠现在现有的运行人员也好、管理人员也好，很难去捕捉几万个DCS策略的信息，我们怎样帮助电厂理解这些数据呢？首先从覆盖面的情况，我们这个算法以及我们整套系统是覆盖整套DCS所采集的信号的，第二，我们从算法的深入上，深入理解我们不管温度信号、压力信号，结合它的用户背景去利用这些数值的概念。怎么样理解呢？这里我们用到的就是机器学习的方法，所以我们这里说的是用机器学习助力电厂智慧化转型。

我们做这件事情是从三个角度做这样一个设计的。说到设备大家一定不陌生，电厂里的设备太了多，电气的、工艺的、电气柜、锅炉、电机、水泵、风机各种各样的设备很多，目前我们就是在这个设备上加装了很多传感器，DCS通过采集这些传感器的信息，把这些信息送到我们的系统中来做一个集控运行。这个系统可以是单个设备成自我的系统，比如磨煤机会存在上下游关系的问题，比如这个磨煤机上下是煤斗，这就是多个设备之间构成的系统，制粉系统加上锅炉系统、风烟系统，加上气水、气机以及脱硫脱销等等系统，就构成我们整个电厂的生产运行最大的系统。这个最大系统上面实际上是需要人员对它进行监测、维护和运维管理的，所以我们这里的设计理念是对三个层面进行监测，首先是设备层面，其次是系统层面，最后就是人员行为的层面。我们看一下具体是怎么做的。

对于设备监测，我们刚刚讲到，已经把设备的数据通过DCS已经采集到了数据中心，我们数据中心拿到这个数据之后现在只是把数据通过DCS的方式展现在电脑的屏幕上，我们希望做的是理解这些数据的数值，把这几个参数的数值综合起来告诉我们的运行管理人员现在到底发生了什么事情。这么说可能比较抽象，给大家看一个具体的案例。这里有一条色带，这个色带就表示的是一次风机能耗指标的状态感知，可以看这个色带的左边到右边，是代表了一年这个指标数据的变化，最左边是从非常健康的绿色到中间的大概年尾的时候会变成红色，到了不健康的状态。这个时候我们的系统会提示他，您需要进行一个简单的维护，经过一段灰色的检修期，当它再运行起来的时候就变成了绿色，就是健康的状态，这就是我们所说的对设备的指标做一个状态感知的效果。我们是怎么样实现这个效果的呢？

首先，我们要对这个指标进行定义，这个指标含有哪些信号参数，这些信号参数之间以什么样的形式、什么样的关系构成了这么一个指标。对于这个指标我们形成了之后，利用机器学习的方法把这个指标的实际值和机器学习算出来的对比值进行比较，大家可以看到，左边的时候这个实际值和对比值是非常靠近的，就是对应到我们色带左边的部分，是健康的情况。随着时间的运行，它就慢慢变成一个实际值远超出对比值的情况，这个时候可以看到他们两个线是分杈开来的，经过一段时间它又变成了综合状态，就是又变到了健康水平，这就是设备指标的状态感知。

我们再来看看系统运行的监测是什么意思呢？刚刚谈到DCS系统，DCS实际上是非常强大的，因为它已经把设备的信号采集到了集控中心，并且它把这个信号通过组态的方式展示出来了，当然这个组态有可能是单个设备的，也有可能是多个设备之间构成的组态，但是它有一定的局限性，为什么这么说呢？因为DCS展示的是一个独立的系统，比如说这里如果是磨煤机系统，展示的仅仅只是给煤系统、磨煤系统，可能没有办法展示整个锅炉系统。实际上我们知道，这个给煤量直接影响到负荷，我们不能独立的看这么一个系统，所以我们形成一个概念，它应该是一个全局的生态，我们不应该用物理的方法去隔离它。它是什么样的效果呢？我们看一个简单的DAMO，这里展示的是一个机组的所有系统，任意一个系统上面有很多信号，我们打开制粉系统重点关注的是这三个信号，混合温度、一氧化碳浓度、电流，这个复合信号中加入了来自于其他系统的信号，这里典型的就是发电机出力。系统中我们做了什么事情呢？上面的蓝色区域是我们通过机器学习的方法算出来安全色带，是有上下限值的，是根据我们工况变化动态去变化的，就是说随着负荷的变化、随着工况的变化，安全区域是变化的，当立面的那条线超过我们的安全区域的时候，有一个红色的点，这个时候我们就理解为一次异常点，也可以说一次异动，当然可能来自于系统外的扰动，也有可能来自于真的异常。

我们点开这个红色的点之后，可以看到一张辅助决策画面，就非常详细的告诉我们这个电流到底是一次扰动还是一次异常，如果是一次异常的话，它是偏高了还是偏低了，如果偏高、偏低我们如何调整相关参数，让它回到正常水平内，这也是对于某一个系统非常细节的操作以及应用功能介绍。

对于整个电厂实际上我们就是通过一个一个点的方式，最后形成面，我们把这个电厂里所有的不同机组的信号通过重要等级划分为五个等级，里面任何一个系统立面的任何一个信号如果出现异常的话，我们都会推送到这个页面上来，管理人员通过这个页面就能看到具体哪个系统、哪个信号、出了什么问题、我应该怎样调整，能够把这个调整为正常的状态。这个就是我们所理解的智慧电厂监测的系统生态。

大家聊完设备和系统之后再看来源看看对于人行为的识别和监测是怎么回事。在目前的工业生产中我相信会有大量的图片资料、视频资料，这些仅仅是资料而已，不是有价值的信息，当然有可能会根据这些视频或者图片写一些报告或者是记录一些东西，这只是人记录的，我们提出来是主动的识别和记录。

比如这里有一张图片，我们通过我们的算法可以识别到，有些人是存在一些安全上的违规操作的，比如这里有人戴了安全帽，用蓝色的框框画出来了，但是是没有安全风险的行为。但是有些人头上会出现红色的框框，她虽然戴了安全帽，但是留了长头发，是安全违规的，这些都是我们通过后台算法记录下来。也只是一个缩影，不管安全方面、业务操作、作业的管控质量方面，我们都可以通过图象和视频的处理达到我们想要达到的目的的。

具体业务上是怎么操作的呢？首先我们利用图象识别技术，对人的身份、人员定位技术处理，这个是一个前提条件，他做的事情是什么，判断是不是这个人在正确的时间段内出现在了正确的场合，是不是他在做自己应该做的事情。基于这个条件下我们再做下一步的事情，如果他进行作业的话，我们对作业任务进行视频分析或者图片分析，对他作业质量进行评估和监控，同时这个作业过程中我们对他实施安全风险的管控，这里就是我们理解的对人行为的监测和行为识别。