国家能源集团张勇：煤电为可再生能源提供灵活性服务 支撑规模上网消纳——2018年智慧电厂论坛（二期）

我们也进行了大数据方面的探索，形成了总的大数据平台之后，有效利用大数据分析，因为火电机组受外界边界条件，负荷、气温等等影响，对机组经济性能、安全性各方面影响比较大，我们利用大数据的特点，有效的把同类机组的同类边界条件进行筛选之后，进行同一边界条件下的深度对标，有效解决了同类机组不同边界条件管理的问题，通过这样的大数据应用，在安全性、可靠性、经济性方面做了很多管理方面的分析，最终能够将相关问题重新反馈到业务系统中进行有效的解决。

通过这些实践，我找了几个典型案例，把我们在智能燃煤发电方面的工作做了点式的串联梳理，通过这些成功的应用，我个人感觉如果说有些经验的话，一个是要注重一定是业务驱动，要由业务部门提出问题、提出方案、主导整个过程，特别是智能技术发现问题之后，有效的和既有的生产管理模式、生产管理制度体系结合起来，有效实现管理的闭环产生真正的价值和效率。

经过这样的过程，我个人感觉还是有比较大的收益的，同时在近一两年我们也在思考，随着大数据的数据量越来越大，这些数据资源如何进行有效的利用成为我们目前关键思考的问题。数据量非常大，如何进行有效的价值应用和提取，确实是我们需要深度思考的问题。同时要进行智能燃煤发电，我们更多分析的还是辅助的分析手段，真正实现对机组进行闭环控制的有效的智能手段现在相对来讲还比较薄弱。

著名的IT界咨询公司加德纳，它定期会发布一个IT领域的技术成熟度的曲线，它也敏感的注意到了目前相关技术方面的瓶颈问题，比如以大数据为代表的智能技术，把它定义在经历了初创的起步期、经历了整个业内对它过热的追捧期，实际上即将进入到技术的低谷和幻想破灭的交界点，实际上智能技术确实在这个领域面临了下一步发展需要解决的实际问题，面临这样一个时间节点。

我做了一张片子，2017年12月份，在国内机器学习的顶级会议NIPS会议上，一个著名的专家JudeaPearl，图灵奖的得主，他在这个会上做了《机器学习的理论障碍》的报告，在整个业内引起了非常大的影响，他在报告里提出对机器学习特别是深度学习背后目前碰到的理论上的困扰，特别是他在最后的结论中提出了一个非常重要的“无理论模型指导的AI也就是说人工智能实践在处理认知任务时是存在天然局限的。”“背后确实到现实世界合理建模的数据科学，我们姑且只能称为统计，但不可能成为一门科学。”“毫无理论模型指导的机器学习，在这条道路上是不可能创造出同等于人类的人工智能的。”这是机器学习领域的顶级专家，他做出的这样的思考。

实际上结合我刚才提到的两方面问题，一个是如何利用我们现有的技术，推动技术的发展真正实现智能燃煤发电两个方面的重大需求，如何解决我们在技术发展方面遇到的瓶颈问题。我想提出另外一个主题，在中央财经二次会议上提出的基础研究，同样我们要在基础研究方面下大力气做一些工作。

如图是我们在智能发电非常重要的过程图，我们把智能发电建模优化的过程可以分为5个层次：智能连接、智能分析、智能网络、智能认知、智能配置执行。这5个层次构成了从海量数据到实现真正企业价值的完整过程。通过这5个过程，能够实现从海量数据，从数据到信息、从信息到模型、从模型到决策、从决策到实现真正价值完整的研究和应用的过程。整个过程中，每个层次都有每个层次的目标，每个层次都有每个层次的关键技术。

首先毋庸置疑最基础的技术就是数据的测量和数据的采集，在这个领域实际上是基本功，没有数据就谈不上后续的智能发电等等相关的一系列工作，在这个领域可以看到，技术也在不断发展，但是仍然面临着很多瓶颈，业内的同志都非常清楚，至少现在煤质是不可在线测量的，这是一个最大的需求，我们还没有真正有效的解决这个问题。同时现在一些基础的环保系统比如仪表还有这样那样的问题，包括准确性和数据代表性的问题，都需要我们解决。

第二在数据处理和数据质量提升方面，也是围绕智能分析和智能应用方面的关键环节，数据质量问题，通过在线测量存到数据库里的数据是奇异点的数据有很多噪点和错的数据，如何保证数据的质量，如何对海量数据进行时效性的验证，我们提出了很多数据协调进行系统验证的方法，包括对于传感器故障测量的方法，对数据采集测量之后如何选择对系统智能化应用有关的，最关键的那部分特征变量的数据，以及数据采集完之后，特征变量数据有效的分类存储也是需要我们下一步进行系统研究的内容。

基础研究三也是中间最关键的环节，智能应用的基础。我们经常可以看到这张图，蓝线是正常机组标准的曲线，我们称他为正常值或者基准状态值，而红线是我们采集来的实时值，当判断到这个趋势发生重大改变的时候就是我们进行提前干预以及故障诊断的基本要点，原理性的东西。实际上我们确定基准值，无论是能效还是安全的基准值，都是我们几十年来智能应用最核心的问题，它可用的数据来源有如图这些，有些还是非结构化的数据，通过这些数据一般传统的确定基准状态的方法有系统设计值、试验值，传统在十年之前采用的是变工况通过简化理论模型进行研究，近十年我们通过大数据的方法、数据建模的方法，特别是在大数据应用出现刚才谈到出现瓶颈之后，业内出现了基于基理模型+大数据整个状态值确认的理论方法，在这一块的工作也和业内特别是华北电力大学在做相关的合作。

第四个方面是基准状态之后，我们对于整个设备级及系统级的整个设备特性模型建模的过程，这是需要我们沉下心来做的非常基础的研究工作，包括关键设备、系统、静态模型、控制的动态模型，这个工作来讲，应该说开展了几十年时间，我觉得仍然有大量的基础研究工作，临门一脚的工作，还需要我们在这样一个大数据时代沉下心去认真的把相关工作做下去。

在这个基础之上有了前面几步的基础才能谈到通过智能化在线的监测和控制的前期准备工作，需要通过离线数据、离线建模形成我们应用于在线识别的基础，理论建模的过程。也是我们整个信息特征形成的过程，根据这个基准状态值通过在线数据的测量，比对相关的模型库，标准状态库数据进行相关的分析判断，提出我们决策优化的建议。

在线监控未来目标的框图，说简单一点，我们将来能够建立起一个机组的“双胞胎模型”，也就是说和现场的实机组一样，最终能够建设和实体机组完全数据一致的数学模型，这台数学模型能够模拟机组的所有过程、所有参数、正常状态的关键参数和正常机组一起按照同样边界条件下运行，比对他们输出参数的变化，最终判断机组运行的安全、经济、环保等等状态，进行优化建议。这个工作我们也在不断的努力去做，往这个方向进行前进。

我们近期在做的功能机组空冷岛方面的应用，因为空冷机组也是非常复杂的边界条件也是有效的运用大数据的方法去解决目前存在的优化问题非常好的应用案例，时间关系如果有感兴趣的同志可以会后进行详细交流。

最后再总结一下我报告的几个点：1、从高度维度上，整个行业来讲，不管是主业还是相关技术开发领域的专家，我们应该聚焦我们国家的重大需求，一是燃煤机组本身，一是灵活性，还有和可再生能源耦合机组对象研究的工作。我引用了一段集团智能发电指导意见里面对于智能发电的定义，这个定义信息量是非常大的，也希望我们能够认真体会。“以发电过程的数字化、自动化、信息化、标准化为基础，以管控一体化、大数据、云计算、物联网为平台，集成智能传感与执行，智能控制和优化，智能管理与决策等技术，形成一种具备自学习、自适应、自趋优、自恢复、自组织的智能发电的运行管理模式，实现更加安全、高效、清洁、低碳、灵活的这样一个生产目标。”这里面既有路径也有关键技术，信息量还是非常大的，值得我们认真思考研究。

另一方面我们通过整个典型的智能燃煤发电技术在近20年的一些典型的应用总结了相关取得的经验，和应当继续遵循的原则，包括坚持业务驱动的原则，坚持标准化驱动的原则，坚持核心人员驱动以及坚持目标驱动的原则，任何一个应用一定坚持问题导向需求导向，坚持解决实际问题取得实际效果，而不是炒作一个风口的概念。

最后，我们提了一些关键基础技术的应用思考，不再赘述了，在我报告的最后想把上一次第一届论坛的时候，我的博士老师倪维斗院士他报告中的一句话作为我报告的结尾，我们在做智能发电、智能燃煤发电这个领域的工作和研究，一定少一些概念的炒作，多一些基础的研究，加上产学研用深度合作，踏踏实实的开展信息控制技术和电站设备特性的基础研发和工程示范，努力将工作做到底层去。作为我报告的结尾，另外我留了联系方式，如果有需要深度交流的内容欢迎大家再继续交流。谢谢大家!

(发言为电力头条App根据速记整理，未经本人审核)

直播地址：2018年智慧电厂（第二期）