如果都做合规性系统，没有人做数据还有标准，对后续长期看是非常不利的。我们理念还是统一数据标准推动数据融合，用大数据AI模型改变模型通过可视化，通过移动互联可以提高我们交互性，这是我们整体的一个技术特点。
——深圳鹏锐信息技术股份有限公司董事长刘鹏
为快速适应新形势下发展要求，精准把握行业发展趋势，引领行业方向，促进新技术、新成果和新产品在智慧电厂领域的转化应用，华北电力大学技术转移转化中心与上海电力大学技术转移中心、中国华电集团有限公司生产技术部、中关村华电能源电力产业联盟等单位于2020年9月27-28日在上海联合举办“2020年智慧电厂论坛（第一期）”。北极星电力网、北极星电力APP对会议进行全程直播。
深圳鹏锐信息技术股份有限公司董事长刘鹏作主题为《论大数据技术在能源工业中的应用》的演讲。
以下为发言实录：
刘鹏：各位领导，各位专家，高校老师大家上午好！
我们今天演讲主题，在工业当中的应用，我们一些总结还有我们的一些感悟，包括发力发电目前整个生存困境这个不多讲，还有包括电力改革，还有调控电厂市场化改革也好，从发电十分钟报价到后面实时报价，我们要采取什么一些策略，我们离不开我们生存环境，行业发展的背景和时代的要求，还有包括我们总体来说，现在电力产能过剩还有大量新建机组还有新能源也好，让我们环境更加复杂和恶劣，我们生产经营这里很多是传统的模式，还有逐步可以剖析，我们逐步和分析。
对能源行业，发电企业来说:主要数据来源有四类
现在是第四次工业革命，无论是高校还有其他的科技公司，发电集团也好，我们在大量新建一些IT项目，IT系统。实际上整个IT系统缺乏统筹规划，还有我们多维异构数据增多，各种各样机器人、系统应用数据孤岛会越来越多，信息量增加带来价值量的增速，越来越多信息变成垃圾这个绝不不是危言耸听，对能源行业，发电企业来说，主要数据来源四类。
第一类多维信息源，异构数据源越来越多。我们可以想像信息系统越来越多，还有系统，设备，物联网，还有仪器仪表，这些数据来源非常多，包括工作的系统还有包括台式系统，所以对一线人员来说信息化、数字化，智能化也好不要让它成为一线人员的负担，我们应该怎么去检查，去进行统一访问平台，统一数据维持机制，整个能源工业随着整个设备大环境的时代变化，二三十年前，在电厂工作一线的员工收入非常在整个大环境是非常丰厚，现在我们一线人员，熟练工专家，有大量经验的人在流失我们新人很难补得进来，对我们来说经验怎么固化，经验间接回答了，对发生的一些问题以后这些特征，数据报警到底代表什么问题？原因问题的总结怎么固化在平台里面去？经验数据如何融合？
第二个状态评估。就刚才所说的问题，无论是发电还是电网还是实化企业也好，以前固定思路叫定时定点规定动作，到现场进行年检工作设备管理工作，但是华为有一位高级副总裁提出了一个理念疫情是咱们中国工业企业，能源类企业，数字化，智能化的重要推手。为什么？因为放假前疫情爆发封城，三分之二的人回到老家过年留下现场工作只有三分之一，劳动强度很大，回家过年这些同事，隔一个半月，两个半月回到现场又要被隔离14天，对一线来说疫情极大推动物联网之前在工业领域的应用。要把数据实现从采量数据到全量数据的转变，必须要靠机器人和物联网手段解决问题。
第三决策优化。对一线来说无论是运行人员还是具体某一个专业人员来说，需要考虑数据来源很多，需要判断预测的参数也多，几百上千可调参数，需要怎么样优化调整，完全靠经验吗？经验怎么传承？五个班组运行人员，水平就像手指一样，长短不一，水平不等，如何通过大数据帮助找到最佳运行策略，参数可调整的建议？我们在实际项目实践过，而且取得了成功。无法让AI大数据告诉人，人都做不到这样一种水平是不可能实现，但是通过历史数据寻优找到最佳策略，让五个班组达到最佳水平是可以实现。在改动前提下提高成本，提高我们的效益。
第四协调执行。因为看了很多厂，也容易被一些什么IT这些企业洗脑，对大数据或者智能算法也好及如果前面三个问题没有解决，下面上什么云平台，手机APP可以解决现场问题吗？是解决不了，像国家电网27个省都上阿里华为云平台也就是100多个系统集团上云，通过手机APP可以访问，但是解决什么问题呢？第一合一通过数据孪生来解决正来解决，第一阶段很多公司做运营就不说，第二是打通各个阶段数据可以汇聚一起，第三是可以进行分析和运作，分析和运作是有前提的我们稍微在讲
状态评估方面，通过工业总线，工业物联网，设成物联网组成部分，通过物联网，有很多仪器仪表，老厂可以通过关键点位，物联网进行相互普通，把现场点点的工作！零乱的工作通过自动化进行替代提高密度。
优化决策方面，因为很多厂都进行了很多小指标考核，但是每个月底只知道结论哪个好，但是并没有实时优化的支撑，怎么让运行不好的班组变成好的班组怎么进行提醒？这一块我们需要通过大数据人工智能方式，及时进行相关指导，随着才是云平台工业APP，讲的过程当中下面有很多熟人，有什么说的不对的地方私下可以再进行交流。
所以发电一体是数据孪生的一个阶段，但是现在根据要求，我们数据是单项往外出不能往里进，大数据平台之所以没有放在一区，后面也会接触到有一些具体原因，虽然从整个能源工业智能化路径图来说，包括大数据发展现状分五个阶段，最终智能化，因为现在是中石化的一些专家，把智慧看作比智能还高，智慧化智能化到底谁高谁底暂时把分歧放一边，从最终的目标来说，要实现无人职守，自主优化是终极的目标大数据云计算可以直接写到DCS，但是当前政策情况下把它分开，因为现在包括国际大环境中美贸易等等这些，包括南边和东边都不太平，所以国家还是严防死守边界不能直接控制，现在把大数据组主体计算框架放在二区甚至三区，我们是通过告诉人应该怎么调整和操作，它再进行相应策略。经过验证程度以后，这些策略下装到DCS这是一个比较靠谱实现的一个方式。
等到边界环境需要我们跟DCS厂家以及搞公共网络信息安全厂家协作，构建可信的机制，数据可以反写回去，意味着我们可以直接通向最终一段，现在很多流派，DCS，各部分协调这是基础工作，如果没有DCS点足够覆盖很多数据上不来，没有办法做后面大数据分析还有智慧化应用。
信息化是2000年前后现在一直在做，现在很多系统包装成大数据还有智慧化应用，后面介绍什么是大数据判断维度是什么，从信息化到数据化过程当中，我们公司更多做03，04这两个阶段，这些管理，从上到下，从集团公司，分公司以及业主公司，自身不同管理维度，设计很多IT系统这些IT系统实际上为满足管理需要，实现管理过程规范化透明化，对设计语言来说数据孤岛太多，需要一定标准下，把数据可以有机聚合融合一起，不然弊端就很明显
一个简单的例子，一个集团是不是可以做到五年内，十年内数据化报告互用？这个厂对应的数据特征是不是可以用下一个厂，如果数据编码不一致，对不齐，对数据模型来说用不到一个厂，一个分公司一个集团，所以不仅仅可视化，还有通过业务标准打通系统，提高数据化的可能性。同时还有很重要一点，通过机器人或者工业总线，物联网也好提高数据完整性，完备性，如果我们现场点检工作还是要靠人，一天去巡检几次，巡检几次数据进行实时分析和运策做不到，从数据到整体确保数据质量完备性，接下来可以进行多维度分析验证，以及趋势分析还有趋势预测，通过自主学习，还有通过经验模型的构建完成专家库的组成，同时为优化运行奠定基础。
现在最终分析验证得出来的结论，确认是有效的，再把它下装到DCS，现在有很多潮流是直接从DCS直接干到智慧化，智能化，但是分析和判断缺少数字化，标准化的过程容易导致大量新的数据孤岛的形式，对后续运维来说，运维我是指IT系统业务性系统运维难度更大，比我们一线人更缺乏大数据运行管理的人才。对我们数据库来说短板很明显，对于发电厂发电集团，对数据专家这些也好，新型人才就不能说这个厂就需要一个专家，你付不起这个薪酬，但是单独搞专业数据系统以后维持有很大的问题，把01-05整个过程定义为整个运营化的范畴。
大数据有4个标准
大数据背景，其实有一些概念大家很清晰，但是可以从不同角度解读。比如说我们上世纪八十年有这个数据库，二十世纪尤其是二十世纪末技术不成熟，按照准来说存储成本很高昂，有一些领先优化的算法是逻辑程序，扩考虑我人去分析问题，解决方案解决算法，然后变成程序，对复杂程序来说，这种运维还有优化来说不是某一个程序员可以解决的问题，一个熟悉的程序化解决不同问题，问题越大越复杂，现在一个手机可能是80年代超级运算能力更强，同时硬盘还有存储空间也越来越便宜就意味着可以用深度学习方法，用前量数据的获取，不遗漏任何一个缺陷点，任何一个瞬发情况，在长时间长周期轴里面可以训练出一个趋势。
这里包括当时很火的书，特伦斯 新诺夫斯基写的一本书就认为到2015年的时候，很多算法才可以变成现实，但是我们可以看到阿尔法出现以后这个短短时间的开发出结果，这是当时的技术背景。这是大数据的四个标准，还有很多公司说大数据，第一个标准数据量大很符合要求。
第一个数据完备性按照用户需求来说，要做上网电价实时报价要做营销，要知道上网报价成本利润是多少，上网报价决策平台需要有数据的完备性，如果很多分析的一些数据，你是一天抄一次表，一个星期抄一次表，甚至一个月有一些相关统计结论来支撑完备性是不够，不能胜任实时的需求。
第二多维度。大数据进行分析还有预测，一定要来自于不同多个数据源的数据，这个数据源以设备为例可以是点点数据，缺陷信息，工作票信息，DCS的数据如果单单看一个曲线永远不知道发生什么问题，发生什么故障，但是这个相关性是这个很大的特性，有很大的相关性，不光是设备内容，还有子系统之间，很多参数是高度相互的依存，相互关联，也意味着我们多个维度不同数据进行分析，是极其有效可以进行分析和预测，还有这个数据，用不到高阶分析框架，最后是分析的及时性像刚才所说，分析很有用及要实时进行分析，不能像以前一样刚才彭院长也提到，半个月一次一周一次领导催就做，这是以前的系统叫商业智能水晶报表，还真不是所谓的大数据。
大数据有四个标准这里有一些信息，回头APP也会分享出来，四个维度决定我们是不是真正意义上大数据。
能源行业数据模型经历的发展过程也不多讲，实际上我们是一直在从低维度向高维度进化，低维度实时单个测试曲线和报表，到二维度图纸还有一些记录，还有到3D空间，因为现在发电厂安全管理很重要，对三维空间内如何表达人的位置，还有工作和操作的位置，还有周围环境风险的一些传感器的信息，要进行全时空的数据运研，所以对时空数据很重要需要三维数据，还有多维对数据融合多个数据以后，这个维持纬度是脑海里面想象不出来，比如说二维一个线切分看，二维也可以切分开，四维五维六维越来越多，这些数据算法需要高度算法来解决，为什么大数据平台放二区三区而不是一区，有很多生产管理数据，还有既定模型的一些信息，以及物联网传导的信息不在DCS不在一区，如何让大数据发挥充分作用。
如何让大数据发挥充分作用
第一个想法一区构建大数据分区一个子集，三区通过人下分一区或者未来自动放到一区再进行受控受限检验再进行DCS执行，从系统融错性来说性能先进性，性能自向性来说，大数据目前根据传统数据化进行的系统，再进行分析和报表有很强技术优势，总结智慧能源内涵，实际上是数据加模型深度的融合，数据的话两种数据，一个是静态数据还有动态数据静态数据是长期不变的数据，除非大小进行修改，动态是时时刻刻的，通过DCS网络，还有物联网，摄像头，通过工业总线补货回来设备当前时时刻刻都会发生变化数据叫动态数据。模型有三种模型，第一种是激励模型，大数据模型还有经验模型第一个是考虑冷却水冷还是空冷还是水的温度是什么，环境温度是什么，我们在构建的时候，设计院设计的时间烧什么煤，煤种是什么，在设计发电厂的时间，整个设备也好设备选型，整个社会参数设立一个机理一些参数在里面，但是由于咱们整个工业，发电工业产能过剩，实际上运行起来的发电厂跟设计时的发电厂性能有比较大差异。
这个差异也是正好为什么就是西门子在中国都是熟土不符的重要原因，因为国外主要是发电，国外发电集团只有一个，总的发电量是总的发亮能力是实际需求，有安全预量，一个核电站退掉再进一个核电站是非常有续的发展，中国发电厂有一个不太好的比喻，可能是因为麦当劳跟肯德基的关系，现在拿车比喻，好比高速公路设计院激励模型这个发电厂跑一百都是最经济最可靠的，但是这条高速公路可能有很多车导致拥堵，只能跑三十，五十公里，跟设定的模型是有重大偏差，再打一个比方，中国发电厂还拿车尾比方，中国发电厂是合资车，老外发电厂是原装进口车都是有一个主体厂商来进行生产制造，供货，进行调试还有运维，我们合资车和进口车都差异，第四个保养维护水平，继续以车为比方，中国发电厂是在路边小电保养，国外是以长协形式，直接委托主体厂商来进行日常维护都放在4S店保养，维护水平也不一样，所以导致大数据的AI模型一定要建立，匹配发电厂当天设备机组实际运行状态，实际运行曲线是很有必要。
为什么以经验末模型为闭环，因为我们经验合集达到一定程度是要进行汇报，有大量的样本去进行汇报，发电集团和发电数据不通，甚至厂跟厂之间，分公司跟分公司很多信息不合，有的标准编码数据都可以对得上还有一些数据都可以分享，这些符合安全法律规定。
对于整个行业来说出现数据报警数据征兆不拆开不知道出现什么问题，那种有经验的这些专家，一线有经验的大拿是怎么分析和判断这个故障，因为看很走进科学还有很多技能比武，华能华电老专家温度就有，一比不五度，还有就是拿东西一听就知道哪里磨损，有什么经验模型有方式方法我们在学习过程当中也知道检测点哪里最适合，因为老工人听的位置一定是通过物联网检测的模式，只不过他脑海里面的经验怎么变成一个特征值，变成一个算法，在大数据发展过程当中，有很多经典案例，一个人把头发去掉，喉结的位置挡住怎么通过机器学习算法判断这个人是男人还是女人，其实肉眼一看很快可以分得清楚，但是我们说不出来，到底是我们怎么看出来的，你可以说这种算法吗？说不出来，可能老工人老师傅一听就知道是什么问题，但是有时候他说不出来，没有办法把这个量化变成算法，所以后面有一系列机制，跟后面老专家老工人一起构建经验算法变成特征值。
这个经验模型，不仅仅是有一个报警过来，更重要是要把问题分类初步有一些答案，一些原因的答案回复过来，一线人员进行确认，进行打分，这个序列如果有人监督辅助系列的过程，还允许一线专家在不写任何银行代码情况下，把他怎么判断问题的逻辑，物化下来，还有版本里面有一个一键申请发明专利，专利名称是说某某设备，开设水泵，跳闸的方法直接把发明专利申请书也申请好，有这样机制，这样软件单个链条可以积累很多发明专利出来，所以这里要配合上管理方式和激励手段让一线有经验的人，他可以不断在岗位上获得容易把经验贡献出来，才可以实现未来可实现的算法，这个经验可以赋予十个电厂，二十个电厂而不仅仅他的电厂。
技术路线简单说一下，包括通过我们WIZ Plant还有工业总线工业物联网，还有大数据人工智能实现区分式预测还有包括复杂参数寻优的过程，最后一个用不用公司产品都无所谓，因为最后发现合理，华为，这些浪潮都有自己的云平台，整个前面三样底层都可以嫁接在上面都没问题手机APP都做的很出色有一个壳可以快速访问这些系统，所以前面一起有一个solution有一个解决方案既解决数据的问题，最后目的是构建数字孪生体，大数据在于不仅仅把环境感知传感器，人员感知分为两个层面，一层是人的位置，一个是人的行为，通过工业视频捕捉回来，这个不是我们数据产品但是可以通过这标准去协调，这个修改一个曲线是SIS，通过大数据直接实现SIS基本功能还有DCS也好还有SCADA也好，还有可以通过无缝方式把数据读取出来，最终是要通过大数据监管所有的动态数据，有一些静态数据，基础信息也要回馈，不可能在这里面维持两个设备信息，在图谱范围之内可以快速把电厂每一个小的东西都可以聚合在大数据平台里面，为大数据数据分析服务提供精准规范数据。
最后经过虚拟现实进行交互，交换八大模块，有企业服务总线，把所有的物联网，静态数据都可以起来，对外提供对外数据服务还有数据服务接口，还有第三方做不好的应用进行一些数据接口。还有更重要一点，在做数据标准方面，3D方面展厅有相应的一些展示，我们目标在秒级时间以内要知道零部件上下游关系属于什么一些设备在哪些文档里面出现过，如果一个区域公司一个集团数据标准可以建立统一规范，可以把每个公司零部件，备件仓库进行检化，弱化，我们给华能公司还有其他集团都在提建议而且也在做明年相应的规划，把公司十几个二十个发电厂，统一构建区域级的备件中间，节省费用很大，可以知道怎么互用怎么通用，进行的一些核电治理，把七个核电厂每个备件仓库一到两个亿的占用怎么释放出来。
所以整个过程当中在参与国标的智能，ISO，还有这个最近一个GB38436在进行相应的规范，第一个规范是国家级标准，工业自动化系统流程工程，还有包括石油天然气设施，数据集成合规性标准！如果都做合规性系统，没有人做数据还有标准，对后续长期看是非常不利，所以我们公司底层逻辑，业务逻辑还是从治理开始着手，去进行各种数据分析，去做相应智慧化应用，我们才可以走得远，每个发电厂投资才可以进行陈列，而不是孤立系统，如果过几年系统没有钱维护就玩不转
最后总结一下。因为时间关系，包括以磨煤机为例还有一些故障定位，什么原因导致的故障还有设备建模方式，还有我们寻优怎么做到，每个厂可以大约节约多少成本可以私人进行汇报。
所以工况寻优方面找五个策略进行实施分析和指导的建议。
通过工业物联网是为按照大数据评判标准提升数据完整性，完备性，不能说靠人寻检，通过工业物联网，包括机械构建提升数据质量和完备性，人认定为这里也不多讲，人人定位包括技能项目上面，实际上通过UWB实现定位精度，可以确保全厂无死角，还有全范围的定位精度，还有这个定位摄像头这里不是我们公司，因为有没有戴安全帽，戴安全绳，有没有抽烟，这些算法很普遍通用，把这里放在大数据平台里面就可以进行实时监控，还有同时融合数据化平台里面对违章进行定位。
安防体系这里一个人工作票，还有有没有走对位置，因为现场人员不仅仅是本厂人员，还有外厂人员不一定很熟悉，随着有工作票，操作票，但是一个纸有小漏洞不一定防得住，要多个手段，多个系统相互交叉构建虚拟安全跟踪和实时管控环境，这里利润寻优，工况寻优还有成本分析，预算分析是实时一些做不到的。
最后一个目标是为构建数据孪生体系，很多厂商说有三维模型就是孪生体系其实不是，要数据打通，还有可以做仿真，预测，刚才彭教授说的很对，最难IT人员怎么把电厂专家揉在一起，这个CEO是之前中广核工程3D设计平台的负责人，还有就腾讯MIG大数据平台负责人，还有是英国AVEVA的创始人，主要在数据方面，还有就是全数据管控平台，还有硬件专家，还有3D引擎的专家，我们今年也会发关于设计平台还有设计方案，具体就不多说的。
我们理念还是统一数据标准推动数据融合，用大数据AI模型改变模型通过可视化，通过移动互联可以提高我们交互性，这是我们整体的一个技术特点。最后一个是说，我们还是坚持自主研发的产品各解决方案，但是我们欢迎可以希望跟各个高校研究院，设计院，各位同行充分讨论，大家共同建设这样一套完全独立自主可控的这么一个平台。谢谢大家！
（来源：北极星电力网，如需转载请完整转载全文不允许删减）
