人工智能前来助力,让电厂更智慧,显著提升机组运行效率.docxVIP

人工智能前来助力，让电厂更智慧，显著提升机组运行效率 能源一向是世界 的重要 。 自今年以来， 欧佩克达成减 ， 美国 委 内瑞拉持 施 ，伊朗遭遇“禁油令”，俄 斯 政部也宣布将石油出口税自 6 月 1 日起上 5.8 美元，能源表 出越来越 的 。 然而在中国，一 另辟 蹊径的能源利用 新却正在悄悄 行?? 首先，我 来做一道数学 ： 2017 ，中国用掉了近 6.3 万 度 ， 其中 4 万 度 来自燃煤 ， 此中国每年都要 掉 17 吨煤。 全国有超 1000 家火 厂， 如果把 些火 厂的 炉 效率提升， 一年可以 省多少煤？ 可以 子 后代多 多少度 ？ 在，人工智能已 告 我 答案。 2019 年 3 月 14 日，国能集 厂的集控室里来了很多人，有前来 收 目成 果的 家 定 ， 有 力控制技 有限公司和国 公司的 ， 厂的多位 及 工， 有心情 的科技 Alpha 目 成 ?? 在 家的 下， 厂集控室操作人 按照科技 Alpha 算法的推荐 行操 作，一段 后， 炉 效率有所提高。 定 的一位 家表示 果超出了 期，建 向全国范 内推广。 不能小看 0.3%-0.5% 的提升， 是在火力 技 高度成熟的基 上 的 新提升。 0.5% 的效率提升可以帮助一台 60 万千瓦火 机 一年 省燃煤 3600 吨，如果全国推广，每年可以 国家 70 元 的燃煤消耗和 染治理 。 站在一旁的科技 Alpha 目 品 理亮亮抑制不住内心的激 ， 海中浮 着 去一年：往返北多次的漫 路途，无数次客 需求的沟通，在 厂一天 小 的 守，从零开始搭建的算法模型?? 火力 是我国主要的 力来源。 前无古人的 ：他 想用 AI 改造 在我国，火力 量占据 量的 70% 以上，如何用更少的煤， 更多的 ， 同 排放更少的 染物， 火力 效率的 化， 是 力行 期以来的需求。 但 件事，很少有人用大数据和人工智能的方法去做， 也不知道 套系 怎么 ，更何况，在已 十分成熟的 控制系 基 上做到 化， 是一个令人 的 。 “无论如何， 咱们得先理解火力发电的原理不是？” Alpha 电项目组团队在电厂 蹲了两个月，每天住在电厂宿舍里，一出门就是烟囱，条件很艰苦。 “一天要和电厂不同部门、不同职能的 10 多个工作人员沟通”，亮亮说，他们 嘴里说的都是磨煤机、 锅炉、阀门这些专业用语， 我们需要翻译成算法工程师能 听得懂的话，方便他们了解行业，建立模型。 Alpha 电项目组和科技副总裁反复讨论，结论是可不可以借助大数据和 AI 控制 锅炉运行操作， 进一步精细化燃煤发电的燃烧过程？根据锅炉工况， 送入合适的 煤、风，让锅炉自动调节温度和状态，实现提高运行效率、降低污染排放。 这种方法，真的是前无古人，每个人心里其实都在打鼓。 “没想到，锅炉优化问题比 Alpha Go 围棋问题还复杂” 与 AlphaGo 解决的围棋问题相比， 火电燃烧优化问题更难。 AlphaGo 解决的围棋问题中涉及优化 361 个离散变量（白子、黑子、无子三个状态），然而火电 锅炉燃烧优化问题中涉及上百个风门阀门的开度控制，例如某个阀门开度 20% 和开度 22% 都可能对机组运行带来非常不同的影响。 再加上锅炉不停运转磨损， 运行一段时间的锅炉和之前的状态也不一样， 数据也 就不一样。如何在连续变量存在的情况下，精准控制锅炉运行，这是一大难点。 另一个难点，就是数据。 “ Alpha Go 在做第一版的时候，买了上千万的棋谱来学习，数据量十分庞大， 模型可以在这些数据中得到很好的训练。 但我们只能从电厂拿到两年的数据， 有些数据因为机组停机还无法使用”， Alpha 电项目组组长介绍说。 锅炉发电的状态监测点有数千个， 主要控制变量有上百个， 如何用仅两年的参考 数据来制定复杂的算法优化方案？需要根据真实数据构建锅炉燃烧模拟环境， 不 断优化。 电厂系统的专业度比较高， 数据量非常大， 有时候导出全量数据甚至需要花费数 周时间，必要的时候甚至要请电力领域的技术专家来帮忙。 几个月时间，数据终于完成了标准化和业务逻辑的梳理， 接下来，就是模型搭建、 反复改进测试的阶段， 这个阶段是最艰苦的。 因为锅炉是一个特种设备， 里面有 各种各样的安全限制条件，不是说下围棋，一个人下就行了，大不了输了，锅炉 有大量超温超压等安全限制条件。 对这段经历依然记忆犹新，在系统试验阶段，电厂的员工 24 小时 3 班倒，8 小 时换一批岗。技术人员跟踪调试，每天跟两个班， 16 小时扎在集控室里。 “电厂是要 24 小时正常发电的，不能影响人们的正常生活”，为了测试