人工智能：能源困局的突破口

公众号/机器之心

随着全球变暖，厄尔尼诺现象和经济的增长，能源行业不仅面临着产能产量的挑战，还要面临节能减排，绿色环保等诸多政策的限制。这让能源行业内迫切的需要进行经营运营的大范围改革和技术升级。

“智慧能源”正式在这种背景下，由IBM专家团队所提出。该概念将试图通过人工智能，机器学习，超级计算机，云计算与物联网等前沿技术实现针对能源开采，生产以及供给的精细化，数据化管理，并从而达到“智慧”运营的状态。本报告从化石能源与电力能源两大方面着手，立足于《财富》全球500强公司人工智能技术的落地案例，分析人工智能在能源行业的应用现状及发展趋势。

作者 | 李泓熹、田辰

一、能源行业市场规模

本报告主要从化石能源行业与电热能源两大方向着手，根据英国石油公司所撰写的2018年世界能源统计年鉴，化石能源消费领域在2017年底随着全球经济的变暖迎来强劲增长。根据不完全统计，2017年全球化石能源消费增幅近2.2%，远高于2016年的1.2%，更是超过过去十年能源消费平均增速1.7%。在2017年，近40%的化石能源被用于发电相关产业，并且其增长速度也接近10年来最高水平达到2.8%。但应注意到电力领域的增幅主要来自发展中国家。非化石能源的电力生产与供给正在逐渐扩大市场试图取代传统，煤，天然气等发电模式。

图1 全球GDP及化石能源增长

（数据来源：2018《BP世界能源统计年鉴》）

二、能源行业中常用人工智能技术领域

机器学习：机器学习理论主要是设计和分析一些让计算机可以主动“学习”的算法。在能源行业可应用在实现电网工程的可视化，辅助电厂优化电网内部设置等。

自然语言处理：自然语言处理让计算机把输入的语言数据变成有意思的符号和关系，然后进行再处理。在能源行业，自然语言处理可以用在自动获取能源数据，为进一步能情况分析做准备。

大数据技术：大数据技术指对各种来源的大量非结构化或者结构化数据进行分析，利用人工智能从数据中挖掘信息，帮助决策。在能源行业中，对电厂的管理与运营是大数据技术的例子之一。

深度学习：深度学习使用包含复杂结构或多重非线性变换购置的多个处理层对数据进行高层抽象。在能源行业中，利用深度学习优化钻井效率，可以提高20%的生产效率并减少40%的成本。

计算机视觉：计算机视觉是研究如何使机器实现人眼“看“的功能的技术。计算机视觉中的图像识别在能源行业可以应用在能源勘探，通过收集的信息描绘地层结构等。

基础理论：模糊逻辑是建立在多值逻辑基础上的人工智能基础理论，运用模糊集合的方法来研究模糊性思维、语言形式及其规律的科学。对于模型未知或不能确定的描述系统，模糊逻辑可以应用模糊集合和模糊规则进行推理，实行模糊综合判断。在能源行业，模糊逻辑可以用在处理不完整的油气田地质数据，从而优化勘测模型，推理出更精细的地质构造情况。

三、人工智能技术在能源行业中的应用分布

其他周边场景：由于能源针对人工智能应用的场景极为复杂，故本报告并未囊括如新能源，清洁能源等相关业内热门场景。

四、公司智能技术落地案例简述

壳牌智能地球物理勘探系统：壳牌公司利用机器学习、大数据、计算机视觉等技术，利用收集的地震波信息判断地层结构。在石油勘探工作中，为了获得更准确的信息，壳牌公司不断探索高效利用地震信号的方法，并研发出一套智能地球物理勘探系统。提高了资源勘探图像的质量，提高作业安全，降低了人力成本。

Nvidia－Baker Hughes GE智能平台：英伟达与贝克休斯合作，运用自然语言处理、递归神经网络模型、深度学习、机器学习等人工智能技术以及GPU加速计算技术，提取石油天然气行业实时数据，提供分析及操作性强的信息，其合作范围涵盖石油公司的所有作业。合作降低了石油勘探开采的成本，提高了油井勘探生产的效率、准确度和安全性。

雷普索尔运用谷歌CloudML提升精炼效率：雷普索尔运用谷歌CloudML大数据和机器学习等技术，分析精炼厂流程中存在的约四百个变量，以提高精炼效率、降低能源消耗、控制了炼油成本、提高总体经济效益。位于西班牙东海岸的塔拉戈纳（Tarragona）精炼厂是雷普索尔首个使用谷歌人工智能学习工具CloudML进行作业流程优化的试点。

力拓无人驾驶火车AutoHaul：2017年10月，力拓在澳大利亚西部皮尔巴拉地区测试了一辆全自动无人驾驶火车，成功完成了世界上首个全自动无人驾驶火车任务。AutoHaul技术可实现GoA4等级自动驾驶，是世界上最大的机器人和世界首个自动化重载长途铁路网络。比起人工驾驶，自动火车提升了作业安全性、提高了运输效率、降低了运维成本。

a2i智能成品油动态定价系统：a2i公司的PriceCast系统，通过大数据、机器学习等人工智能技术，使成品油零售商根据市场动态，制定最优的销售价格。该系统通过成熟的训练可以实时对比不同销售商的油价及油价的历史数据，进而预测顾客对价格变化的反应，并根据预测个分析实现价格的实时最优调控，帮助成品油销售商实现利益最大化。

大唐集团借助人工智能优化电厂管理：大唐集团3D虚拟电厂通过计算机识别技术对电厂运营关键设备进行3D成像。其智能控制系统实时监控电力生，合理安排生产任务，完成合理调度，让燃气机的负荷保持在最经济发电水平。

南方电网智能技术应用示范区：南方电网中山供电局依托智能电网开展调控一体化精益管理，把大数据、机器学习、深度学习等技术与电网融合，打造调控一体化智能技术应用示范区。达到提升劳动生产率、降低作业风险、提高运维工作质量的目的。

关西电力株式会社生活节奏通知服务：生活节奏节奏通知服务基于富士通的机器学习高度分析技术持续对1年内的智能电表数据进行总结，所提炼出的高精度AI算法，可帮助用户进行多种模式用电方式优化，如极低电费，清晨/白天用电多，夜间用电多等。

五、人工智能技术在能源行业的发展趋势

数据收集硬件升级：人工智能技术对大量数据需求，以及传感器和边缘计算设备的安装，将促进数据收集硬件的升级。

能源消费模式的升级：随着人工智能相关技术的发展，消费者将基于人工智能技术获取更多种类的低价优质相关服务。

数据化预测决策平台构建：可以监控能源供给，帮助决策选择的数据化预测平台，是目前能源行业的核心发展方向。

六、能源行业智能化的局限与挑战

需要大量数据标记：能源是历史悠久的传统行业，其整个生产流程中标准相较于其它行业比较落后并缺乏大规模具有标识的数据样本。

应用模型的通用性：人工智能模型不能将经验举一反三，这使得在一些相似度高的案例中，往往因为一些细微的调整，就要重复训练数据。

地域文化的差异性：地域文化的差异影响着构建人工智能模型的偏好，固有的人工智能算法在能源行业可能会造成错误的预测。