和鲸科技执行总裁殷自强——AI 在风电领域落地的四要素：数据、人才、模型、场景

摘要：今天主要分三部分展开：首先纵观整个风电市场的发展现状，其次展开 AI 在风电领域的主要应用场景，最后根据风电企业在落地 AI 应用中遇到的挑战和解决建议。

AI 已经在风电领域中有所应用，今天将分享我们在风电行业场景落地过程中，总结的一些具有共性和特性的问题，以及相应的 AI 和大模型落地的建议。

今天主要分三部分展开：首先纵观整个风电市场的发展现状，其次展开 AI 在风电领域的主要应用场景，最后根据风电企业在落地 AI 应用中遇到的挑战和解决建议。

分享嘉宾｜殷自强和鲸科技联合创始人、执行总裁&首席产品官

风电市场发展情况

今年的风能市场是全球发展最好的一年。在 2023 年，陆上风机的装机容量已经超过了 100GW，同比增长54%。海上风机装机量也达到历史第二好的一年。预估 2030 年全球风电装机容量将提高到三倍。

从整体发展来看，在未来几年风电装机量依旧是一个线性增长的势头，从另外一个视角来看，它发展的如此迅速，那性价比是怎么样的呢？

无论是国内还是全球，大家都有一个比较惊喜的共识：目前风电的竞标价已经低于传统能源的价格，所以相比于传统能源，风电其实是更具性价比的一种模式。

那在风电快速发展的过程中，会遇到哪些问题呢？上图黄色区域中提出了许多相关的影响因素，我们重点看一下“供应链与劳动力的限制”这个因素。在新能源领域中有众多的上下游，需要许多的劳动力在上下游中去推进工作，之前也跟国内的相关运营商合作中讨论到目前每台风机每年的运营成本都是上百万的，所以如何利用 AI 相关的算法，对供应链峰值管理、劳动力结构等方面做一些调整，是我们核心考虑让 AI 发挥非常重要角色的场景之一。

同时我们可以看到，中国在风电领域的占有量是世界第一，截止2022年共有3782个风电场，国内排名前10的风电运营商中，运营的风电场数量都是超过100个。而超过 500 个风电场的运营商就包括国家能源集团、国家电投、中国大唐。其实就现阶段而言，整个风电存量市场非常庞大，存量市场的运营提效已经是一件非常重要的工作。

AI 在风电领域的主要应用场景

如何借助数字化与 AI 能力进行整体的精细化运营，是影响整个行业持续发展的关键因素。目前AI 在风电领域比较普遍在应用的主要有两类场景。

第一类场景：风电场功率预测

风电作为可再生新能源，风能的预估会影响到风电场的发电功率，包括光伏也是会有同样的问题，这是属于新能源跟其他能源不一样的关注视角。一般可以分为超短期、短期、中期、长期预测。

在做超短期预测时，预测单位是分钟级跟小时级的风能预测，可以对整个风电场的电能质量进行有效控制。

在做短期预测时，是做小时到天级别的发电量精准预测，对于风力发电功率如何做竞价上网，以及电网调度等方面会是比较重要的价值。在做中期预测时，做的是周跟月级别的预测，也被称为周期预测，这样能用于指导风电机组的检修或调试。

在做长期预测时，一般是服务于如何做风电场的选址，也就是当前区域中，每年的风资源规模，是否适合建设风机。

所以单独对风能在不同阶段的预测结果都会比较大的影响整个风电场的运营跟运维。具体怎么做预测，也被分成了两块。

1、提升对于风资源预报的准确性。

有些人会提出疑问，为什么不直接用气象局的数据预报结果呢？中国气象局也是我们的客户，我们和气象局的专家做过交流，以及结合过往的实施经验来看，如果直接用气象局相关的预报结果，会有一些限制。

第一是空间分辨率不足，一般气象局直接提供的较高分辨率预报网格是 1公里的网格大小，和风机的距离并不一致，可能会导致建设的风机不在预报的网格内，这就会很难精确描述风电场所在的局部地形和微气象的特征。

第二是时间分辨率的限制，例如前面提到的超短期预测，对于风电场的影响是分钟级的，但能从气象局直接获取到的只是小时级的预测结果，不一定满足实际的业务诉求。

第三是预报高度的偏差，现在国内气象业务化的预报主要是 10 米风，也就是高于地面 10 米的风速，而实际的风机高度会更高，这就会存在风差。

第四是局地效应未充分考虑，风机的风速可能会受地形的影响，所以单独拿气象局的风资源预报数据，是不够准确的。

针对以上问题能如何解决呢？首先中国气象局近两年也在与风电运营商开展一些联合合作，进一步提高风电场的预报准确度；其次近些年风电场商以及运营商正在提升和优化这些偏差，包括在风机上装测速仪等方式，根据其预报结果，可拟合出数据以提升对应风电场的数据。

2、如何基于风的数据，进行输出功率的预测。

这块相关模型方法的讨论非常多，比如欧洲的一些国家，在早些年基于统计学模型做的是比较成熟的。近些年来国内的公司正在探讨和考虑如何利用 AI 模型将传统成熟的统计学模型进行结合，来提升准确率。

例如三峡、国电投单独成立了气象研究团队，专门来解决这个问题。如果能够达到更好的功率预测，整个运营运维成本会起到质变的飞跃。

第二类场景：工业设备异常检测

现在每台风机每年的运维成本已经达到百万级，一个风电场可能有多个风机，如果能实现整个风电机组关键部件的实时检测、可以提前去排查相关的故障隐患，就能进一步降低运维成本。包含以下两类手段。

1、基于图像的检测手段。

针对陆上风机，可以做无人机的巡检；而海上风机，现在也有做无人船的巡检等。可以通过不同的监测手段去获得相应的检测图片，然后利用视觉算法进行信息识别，例如识别砂眼、剥落、裂纹、结冰等等不同场景的问题。

2、结合现有数字化基础，进行数据检测和预警。

这部分主要是以 SCADA 的设备运行数据，当每个风电设备运行时，它输入的相关采集，或者是 MRO 运维数据，以这些设备数据进行相关的异常情况监测。利用相关的 AI 方法做对应的检测、预警，包括功率状态识别、振动状态识别、运维工况识别等等。

落地挑战与实践案例

当企业真的要去落地 AI 的时候，要解决的核心问题是围绕一系列的决策流程，形成模型驱动的集团能力升级。

首先是数据孤岛问题。

其实在新能源、风能甚至整个大工业领域中不缺乏数据，缺的是可以被模型批量获取的高质量数据。以往搭建数据平台可能是为单一应用场景设计的，数据的流动更多是在审批流中，但在去用一些更大的模型时，需要的是跨不同应用的数据流动。所以要先解决的是“模型如何去获得不同数据源”，打破数据孤岛的问题。

其次是相关人才缺乏。

不仅是懂 AI 算法的人员也需要一线的技术人员。双方应该配合来使用方法去解决问题，以及一线的人员如何去更好地理解数字化跟 AI 智能，愿意把这些模型应用到相关的场景中，改变一些传统的工作方式。

最后是创新阻力。

能源所在的还是偏传统的行业，在实际落地中会有许多的创新阻力。比如之前获得一个数据需要走审批，但现在要做到让模型持续的去读、实现相关的推理、实现模型驱动的决策等等。而现有的流程系统及相关基础设施其实是缺乏对 AI 模型全生命周期的支撑。

所以企业在准备 AI 落地的时候，会同时面临信息化、数字化跟智能化三级跳的问题，并不是等信息化完成了再去做 AI 。从整体规划来看，这将变成集团级的能力升级的问题，需要系统的考虑是否有办法驱动一些模型、驱动流程在业务当中做落地。

以这样的出发点该怎么具体落地 AI 呢？是不是要等集团的能力去解决？或者把整个集团所有的业务梳理完再去落地？到底要找什么样的场景做落地？

答案肯定不是的。站在 PMF 方法论的角度来说，找到一个 MVP 场景去实现第一个价值闭环才是最重要的。只有把 MVP 跑通，再去争取更大的资源来推动完成。

我们在与客户合作中发现跑通 MVP 有几个关键点。

第一，第一个落地场景尽量减少跟历史技术栈或者复杂业务流去耦合。

第二，场景要足够典型，或者价值更大。

需要花时间做数据、人才、模型三要素盘点。盘数据需重点关注实际数据质量和数据的可获得性，否则在落地过程会需要花大量时间去清理、或者花大量时间抵抗历史已有数据的获取流程；盘人才需要针对业务场景配备算法人员以及调动业务人员一起探索新的业务流程；盘模型就是优先选择有小模型驱动过的场景，这样会在落地过程中减少很多上下游的流程和阻力。

下面分享一下我们和国内某风电场运营商落地 AI 的过程与一些探索经验。

冷启动阶段主要是做 MVP 的过程，直接去做 AI 落地是很难的，因为支撑 AI 落地是需要构建一个平台来驱动各个流程的。当建立起一个新的平台并结合相关 AI 算法，就会发现所有要做的事情都是新的，平台是新的、流程是新的、模型是新的、人也是新的，这是一个巨大的转变，也就意味着会有很多困难。

所以在冷启动期，选择大家最熟悉的一个场景——风机运维，先用小模型跑通相关的数据流跟业务流，去做风机功率特性分析、传动链振动故障分析以及风电设备特征分析等等。通过偏数据分析的场景，先把这些数据接入 AI 平台上，再做一个小模型生成结果，最后让业务人员直接应用这个流程。通过这个 MVP 我们同时解决了数据接入平台、数据模型决策的业务流程、算法与领域专家协同的基础价值闭环。

跑通第一个 MVP 场景之后如何扩大场景？如何向领导汇报当前成果？如何得到内部足够支持？建议的切入点是把在冷启动阶段的成果做成内部的文化建设，举办企业数据分析训练营、开展企业数据竞赛，要能够把人才调动起来，同时可以把相关的成果聚合到内部的数据模型生态门户中，这样在推进公司内的数字化或AI工作就会获得更多一线人员的“拥护者”，以及更能帮决策层获得业务成果被进一步放大后的想象。

接下来就可以用相同的方式来发展AI应用，但很重要的一点是能够为平台争取更多的 AI 基建资源。扩大数据跟算力的接入体量，解决数据的可获得性跟 AI 所需要的一些算力基础设施。进而可以在同一个平台之上，再去做小步快跑的 AI 应用，不断的沉淀相关的AI能力，形成内部的模型资产和知识资产。

有许多客户同时也在关心大模型如何落地的问题，风电场景的许多业务决策涉及到时序数据以及因果链，对目前国内基座大模型的能力来说还是比较挑战，所以目前整体大模型在新能源场景的落地进展还比较早期，更多是冷启动的探索阶段。但这种冷启动探索要跑通，需要依赖的远不止是大模型技术本身，更重要的是企业是否建立起了这种创新流程与创新文化，是否能够让数据流动起来，是否能够让人才被调动起来，是否能够形成孵化模型落地的土壤，这些是前期数字化建设与发展最需要考虑的问题。

以风电运维场景的 AI落地流程为例，如何将原本的数字化系统和 AI 模型接入到未来希望发展的大模型当中，和鲸整理了以上6个落地步骤，希望对大家能有所帮助。