江行智能CTO樊小毅:AI边缘计算驱动能源产业变革

视点 发自 凹非寺
量子位 公众号 QbitAI

人工智能、云计算、物联网等技术为能源电力行业从数字化到智能化转型提供了强大的驱动力。

据机构调研,2020年中国能源电力数字化市场规模超过2200亿元人民币,能源电力数字化升级约占18%,包括大数据、人工智能、云计算、区块链等技术应用改造。

随着数字化转型、双碳目标、十四五规划和构建新型电力系统等相关指导政策的发布,能源电力智慧化变革正式拉开序幕。目前,人工智能技术在能源电力行业已有应用,但仍然面临诸多挑战与机遇。

在产业转型和双碳目标的大背景下,人工智能落地能源电力行业遇到了哪些新挑战?为什么边缘计算能成为解决这些挑战的关键基础服务?AI+边缘计算技术在行业应用的框架、案例和未来展望有哪些?

就这些话题,江行智能联合创始人、CTO樊小毅博士在「量子位·视点」直播中以能源电力行业为例展开了系统阐述。

以下根据分享内容整理:

人工智能在能源互联网中面临的挑战与机遇

首先,由于边端设备的异构性,在能源行业中,端侧设备主要是指各种各样的传感设备,功能各异、系统各异、样式各异,例如,它可以是安装在挖掘机上的振动传感器,也可以是输电线路监控中使用的无人机设备,也可以是储能电站中的一些电力计量模块。

此外,在一些行业中,特别是在电力行业,规约协议的种类非常多,大概有近百种的通讯协议,还有非常多的各厂商自己定制的协议,这就导致在协议中也存在大量的异构,而设备和协议的异构进一步导致了数据传送方式的差别和数据的多模态。

其次,在很多行业虽然每日产生的数据量非常大,持续时间也非常长,但有效数据却非常少,这就导致对特殊数据的获取困难非常大。同时由于这种协议隔离、设备隔离和安全控制等因素的影响,导致各类数据之间的连通和处理都非常困难,无法对多维度的数据进行融合使用。

此外就是AI推理的时耗,需要保证在人工智能决策的同时,也能满足响应时间的要求,同时实现控制指令的下发和反馈。

最后,成本控制问题,在需要大数据量传输和人工智能训练推理中实现最优解,也就是说对云端和边端的这种计算、存储、带宽的成本进行有效控制。

以上这些都是人工智能技术在实际的工业互联网场景中,包括在能源产业变革中存在的一些困难和阻碍。通过我们在过去这些年,在研发和落地方面积攒的丰富经验,我们可以看到人工智能与边缘计算技术的融合是解决这些阻碍的一个关键。

下面,我就以能源电力行业为例,看AI和边缘计算在该行业中是如何发挥作用的?

AI+边缘计算在实现“碳中和”目标中的关键作用

在实现碳中和目标的过程中,第一阶段的目标其实是实现碳达峰,也就是碳排放的量达到一个峰值。据相关数据分析,能源行业中的碳排放其实占到总排放量的近75%,主要是化石燃料和煤炭的使用。

这其中电力行业是一个重点,因此国家层面提出了电力系统源网荷储一体化建设和多能互补的战略。

需要综合利用云、云计算、人工智能、边缘计算、大数据、物联网、移动通信、区块链等技术来达成这个战略,建设新型电力系统,拥有包括自学习、自适应、自驱优、自恢复和自组织等特征,最终建成推动双碳目标实现的这样一个综合能源系统。

下面我举一个典型的源网荷储的例子来看一下:

这个图的完整的展现了源网荷储的各个部分,单向的,起点是发电侧,这就是所谓的源,终点是复合测,然后是用电测,大电网;双向的是储能站点,储能站既能够存储能源,也能够向外输出能源。目前源测的风电等新能源的占比越来越多,对于整个电力系统而言就出现一个问题,因为新能源发电的输出功率是动态的,不如火电、水电那么稳定,在无法对这些新能源进行消纳的时候,就要求有一个储能系统,对能源进行储。

但在实际落地的过程中,在需求侧,用电设备总体呈现出的是时间碎片化的状态,想要实现电力的削峰填谷,需要大量的用户同意纳入电力系统,在这个过程中,负荷预测的边缘数据就要被纳入到调度平台,包括储能侧、电网侧、电源侧和用户侧等几大部分,这个过程中,每个参与者都需要用到人工智能和边缘计算技术。例如在用户侧,需要对南向的数据接入和设备接入,来实现负荷数据的上传,使用负荷识别算法,对用电设备进行监测来满足负荷调度需求。

对于管控系统来说,更多的是体现在电力调度和辅助决策上。数据上传以后,要从数据回收、清洗、标注、训练,包括封装测试来实现一个新的闭环;再有云边协同方案,来形成第二个闭环。

利用云边协同的智能算法,在边侧设备上实现混合机理模型和机器学习的算法推理应用,给出度电成本最优的可调负荷和储能协同调控指令,实现低碳用能。同时,通过碳智能控制器,应用边缘智能算法和区块链技术,可实现精确可信监测各类用能终端的碳排放数据,为开展碳排放趋势分析和碳交易等提供可信的监测数据。

企业智慧化如何借力边缘计算技术

从框架设计和应用落地的角度,我来对企业智慧化过程中如何借力边缘计算技术进行分析:

首先是云边协同,涉及到云、边、端这样一个三层的考量,主要考虑的就是快速构建AI产品的能力,然后能够快速构建这种软硬件系统。

我们可以看到在边缘计算落地过程中,包括从传感器、设备协议这些都需要尽可能解耦。因此从下往上看的话,一方面需要硬件实现快速适配,利用边缘计算的软件框架,对设备接入和协议进行规范化,从而减少硬件接入适配的成本。

其次是AI+边缘计算可以实现数据和模型的闭环。比如在一些变电站场景中,我们需要一些特殊的开关控制器的识别,但是这种控制设备使用量会非常少,也就意味着我们在平时的迭代过程中,预训练的模型,识别的数据的量不会很多,那么我们就需要有一套系统能够实现从前端数据采集、标注到训练过程可以进行自动迭代,我们就可以更好的去实现自动调优,这样最终能够实现整个环路与模型管理相结合,实现数据的和告警的自动上传分析以及模型部署的自动调优下发。这样会充分用到云边协同和边缘推理的能力。

再次是组装式应用,我们看到在工业互联网领域,因为每套系统的定制化要求非常高,这就会导致在工业场景中出现我们业内所说的烟囱林立现象,比如在电网业务的场景中,需要在人工智能应用的输出上去叠加一层跟OA业务系统的联通,同时又要去做数字孪生的呈现。

从传统的方案上来说,这需要接口对齐、前端开发等等流程上面打通,它耗费的成本是非常高的。但如果有种组合式的应用,可以在业务线上通过少量配置和开发来实现这种需求。我们先把它拆分成基础设施能力、数据能力、分析能力和业务能力4大类,通过边缘原生代码的开发支撑,来实现可配置的AI,快速的部署到业务应用中。

AI+边缘计算的典型应用和未来展望

目前AI+边缘计算,从能源电力领域的风光水火的发电侧,到输电变电配电用电的整个场景,应用落地的场景是非常丰富的。

我们以变电站场景为例,变电站中外接的设备和传感器是比较复杂的,包括高清摄像头,红外的热成像摄像头,还有环境传感器,也包括一些反馈控制设备,比如巡检机器人,智能感知设备和边缘物联代理等智能设备。此外,根据变电站的不同等级,针对升压和降压的不同需求,还有各种相应设备,在不同的变电站中间,用到的一次和二次设备也有差别。

我们可以看到这其中包含了近百种不同的表记、读数、识别设备,以及户外的一些巡检设备,监测像油污泄漏、烟火、高温等等情况。不但设备种类多,对于数据的处理的要求也非常高,包括上传、分析的低延时的要求,诊断跟预测的要求,可能还涉及到对原有系统的一些OA的联动需求,包括人工巡检的一些智能设备的排班以及一些设备的引导。

在这样一个复杂场景中,实现智能运维需要依赖人工智能和边缘计算协同。

另外再举一个场景,比方说在火力发电厂场景,需要大量使用煤炭,煤炭的运输主要通过输煤皮带来实现,那么对输煤皮带的安全管控就非常重要,皮带撕裂,洒煤漏煤,还有堵煤断煤等情况如不能及时发现和处理即会导致严重的生产事故。

通过AI加边缘计算的方式就可以有效解决这个问题,利用边缘计算技术,通过摄像头、激光器、震动传感器、环境的传感器等端侧设备就可以构建一套本质安全方案。

最后,结合我们的业务经验,聊一下 AI加边缘计算应用的发展方向:

1、工业智能安监:也就是对应用场景中设备状态和人员行为的监测,包括在此基础上衍生出来的各种异构数据进行的合规管理。

2、AI的工程化:包括AI模型开发, AI加边缘计算的自学习方式,可以极大的降低AI的开发门槛,规模化的构建AI应用来满足终端用户的需求。

3、边缘安全:在关系到国计民生的核心领域,边缘设备的安全,边缘数据的安全,都是非常重要的。

4、边缘协同的基础设施:工业级的基础设施,它是可以为各种业务模块提供快速的管理方法的。

5、工业边缘系统:构建自主研发的实时工业边缘系统,需要完成国产化要求,同时提供实时的边缘计算服务,实现实时反馈、辅助决策,直至自主决策。

6、组装式的智能应用:包括最近流行的一些低代码的这样一些设想,可以帮助企业或开发者以低成本的形式来形成各种解决方案。

文章只代表原作者观点,边缘云致力于打造独立、客观的资讯信息平台,转载请注明来源于边缘云信息平台。
分享到
长按二维码关注

参与讨论 抢沙发

评论前必须登录!

立即登录   注册

边缘云生态研究

关于我们关注我们