“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。
上面给大家介绍完了我们想要达到设备、系统的效果。具体是怎么方案设计的呢？这是从四个方向描述我们的方案设计，首先是设备和算法的模型，从这个角度看，一说到这个模型大家可能会觉得比较烦，我相信物理模型大家一定不陌生，就是我们设备的机理模型，用我们比较通俗的话来讲，实际上就是我们生产工艺流程怎么设计，我们控制的时候目标信号该怎么设计，什么样的信号是追随信号，他们上下游配合是什么关系。什么是数据模型呢？这个数据模型一说起来大家可能会觉得很抽象，我给大家简单举几个例子，这个数据模型就是我们把物理模型各种各样的信号关系、错综复杂的关系定性定量的刻画出来，假如我们拿三个信号来说事，一个是负荷信号、一个是给煤记的信号，一个是温度信号，这三个信号都是正面比的关系，实际上是不是这样的关系呢？我们不能简单的说成正比还是反比的，应该在综合的生产流程基础之上，在某种具体的工况下我们再评估关系是正比还是反不，是正比比例是多大，所以我们数学模型就是定性、定量的刻画这种关系设计的。这里就是我们说的概率图模型和复杂理论，这个用学术的话来讲其实比较简单、好理解，他就是贝叶斯网络这套东西，我们讲完数据模型和物理模型之后，我们需要用计算的方法训练，这就是我们所说的定制化模型的训练，纵隔起来讲数据模型、物理模型加定制化训练模型，最后得出来的是针对于某一个设备的精细化模型，就是我们去做这些在线分析的核心基础，可能简单几句话可以把我们的原理讲清楚，但是背后原理是相当复杂的，还有千万次的假设，这些假设如果每年推导我们需要调整模型，需要结合属性模型和物理模型调整，这块也是我们整个团队的核心竞争力所在。
我们再来看看行为识别的技术。毫无疑问我们也用到了深度学习，我们也用到了深度学习当中的卷积神经网络就是CNN，这个CNN不是一个具体的模型，只是一项技术的统称，相对于我们现在在互联网行业所看到的CNN有什么区别呢？我们是区别于那种人脸识别或者是这种美颜技术或者是一些互联网的图片搜索技术，这些技术我们是跟它在两方面有区别的，这个区别一个就是我们在模型的设计方面，因为我们的目标非常明确，针对的是智慧电厂人的行为的识别，所以在模型的设计上是有区别的。第二个，在CNN的网站结构上，它也是有区别的，针对这两者区别都是定制化的方式，这两点也是我们在行为识别上的核心竞争力。
讲完我们设计的理论基础，再看看我们IT的技术框架。总的来说，我们用的比较前卫，也比较主流的一些IT技术框架，比如大数据框架，用的是Hadoop+Spark，数据流框架，实时数据库，机器学习引擎，前端渲染，后台控制用的大型的，在互联网行业是相对强劲一些，但是在我们的工业领域我们也是一直在尝试、在探索，目前来讲还是非常稳定的技术框架，效果也非常不错。
下面看具体方案的解构设计。左边是电厂已经有的DCS到SIS以及到实时数据库的生产数据，我们把生产数据接入到我们在电厂部署的私有云的服务，在接入生产数据的同时，我们也接入电厂的视频数据、声音数据以及电厂周边的环境数据，加上一些社会的实施数据，把这些综合的数据送到我们的计算引擎去做在线的技术分析，最后就形成了我们上面所提到的经验化的模型，就是数字镜像，数据镜像通过分析实时的数据，最后达到的就是对设备健康的管理。
作为管理是PC端的和手机端的界面，当然这套界面是基于强大的应进计算能力背后的，而且我们这套IT的硬件、软件解决方案区别于传统的IT解决方案，因为用到了显卡、用到了GPS，计算能力是超强的，而且嵌入了很多机器学习可定制化的模块，总的来讲我们分为三个部分，第一，需要用到电厂数据，第二，我们团队已经潜心研究多年的机器学习的算法以及各种框架，第三类就是我们刚刚所说的数学模型和物理模型所形成的一个团队能够对这个项目进行个性化配置的能力。第三，电厂监测智慧化转型的效果。
跟大家聊了那么多监测，其实监测的目的还是为了理解电厂里面人、设备、系统所发生的事情，为什么理解这些事情呢，我们就想达到稍微中长点的目的，这三个目的原则上还是通过机器学习和数据驱动来实现的？我们做监测还是为了反作用于系统，区别于传统的机理的控制，我们用的机器学习和数据驱动实现的生产优化配置，包括局部的控制和全局的控制，局部的控制比如说磨煤机系统优化、锅炉的燃烧优化，都是非常贴近于生产的，而不是基于模型的优化，做完局部优化之后我们下一步就会做整体的生产工艺流程的优化，这里就是我们所说的生产优化控制，我们看到这个监测之后理解了这些数据，实际上还有一个很重要的目的，就是为了做精准的状态检修。说到精准的状态检修，区别于传统所说的状态检修，传统的状态检修应该是定期维修、计划维修或者事后维修，就是这个设备坏了再去修它这么一个理念，精准的状态检修，就是通过上面提到的对设备和系统进行多维度、多尺度的刻画，提高按需维修和设备维护的理念。
我们提出对人的主动检测。刚刚提到对人行为的识别还停留在我们仅仅是监测阶段，去理解人在做什么，形成一些我们的汇报。这里所说的主动的行为监测是什么呢？说的主要是辅助工程师指导他怎么样更好、更快、更合理、更科学、更加安全的完成他所在的任务场景，这里和大家聊的都是一些我们基于现在的功能想做的未来三个方面。
以上就是我想向大家汇报的所有内容，这些都是个人观点，如果大家有觉得讲的不对的地方请多多包含，如果大家有新的观点和意见，也非常欢迎大家会后和我讨论。
谢谢大家!
今天参加这个会议我们也会积极借鉴兄弟单位一些好的经验和做法，为后续我们智能电厂的建设提供帮助和支持，我们也会在智慧电厂的建设道路上坚定的走下去。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）
