观点来自凹非庙量子位微信官方账号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向智能化转型提供了强大的驱动力。
据机构研究，2020年，中国数字化能源电力市场规模将超过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、区块链等技术的应用和转化。
随着数字化转型、双碳目标、十四五规划、新电力系统建设等相关引导政策的发布，能源电力智能化转型正式拉开序幕。目前，人工智能技术已在能源电力行业得到应用，但仍面临诸多挑战和机遇。
在产业转型和双碳目标的背景下，人工智能落地能源电力行业遇到了哪些新的挑战？为什么边缘计算可以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中的应用有哪些框架、案例和未来前景？
关于这些话题，江星智能联合创始人兼CTO范晓义博士在《量子比特视点》直播中对能源电力行业进行了系统阐述。
以下根据分享内容整理:
人工智能在能源互联网中的挑战和机遇
首先，由于边缘设备的异构性，在能源行业，边缘设备主要是指各种不同功能、不同系统、不同风格的传感设备。例如，它们可以是安装在挖掘机上的振动传感器，用于输电线路监测的无人机，或者储能电站中的一些电能计量模块。
另外，在一些行业，尤其是电力行业，协议种类繁多，大概有上百种通信协议，各种厂商定制的协议也很多。这就导致了协议的大量异构，设备和协议的异构进一步导致了数据传输方式和多模态数据的差异。
其次，在很多行业中，虽然每天产生的数据量很大，持续时间也很长，但是有效数据却很少，导致获取特殊数据的难度很大。同时，由于协议隔离、设备隔离、安全控制等因素的影响，各种数据的连接和处理非常困难，无法将多维数据一起使用。
另外就是AI推理的时间消耗。要保证人工智能在决策的同时，也能满足响应时间的要求，同时实现控制指令的发布和反馈。
最后，成本控制问题是在需要大数据传输和人工智能训练的推理中达到最优解，也就是说在云端和边缘有效控制这样的计算、存储和带宽的成本。
以上是人工智能技术在实际工业互联网场景下的一些难点和障碍，包括能源行业的变革。通过我们过去几年在RD和落地的丰富经验，我们可以看到，人工智能和边缘计算技术的融合是解决这些障碍的一个关键。
下面，我就以能源电力行业为例，看看AI和边缘计算是如何在这个行业发挥作用的。
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，第一阶段的目标实际上是实现二氧化碳排放峰值，即碳排放量达到一个峰值。根据相关数据分析，能源行业的碳排放量实际上占总排放量的近75%，主要是化石燃料和煤炭的使用。
其中电力行业是一个重点，所以国家层面提出了电力系统源、网、载、储一体化建设和多能互补的战略。
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。为实现这一战略，构建一种新型的电力系统，它具有自学习、自适应、自优化、自恢复和自组织的特点，最终构建这样一个综合能源系统来促进双碳目标的实现。
让我看一下源网络存储的一个典型示例:
这个图完整的展示了源网负荷存储的各个部分，单向的，起点是发电侧，也就是所谓的源，终点是复合计量，然后是电计量，大电网；双向是储能站，既能储存能量，又能输出能量。目前风电等新能源按源计量的比重越来越大，对整个电力系统来说有一个问题，因为新能源发电的输出功率是动态的，不像火电、水电那样稳定。当这些新能源不能被吸收时，就需要一个储能系统来储存能量。
但在实际落地过程中，在需求侧，用电设备普遍处于时间碎片化状态。为了实现削峰填谷，需要大量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将被纳入调度平台，包括储能侧、电网侧、供电侧和用户侧。在这个过程中，每个参与者都需要使用人工智能和边缘计算技术。比如在用户端，需要数据接入和设备接入南方上传负荷数据，利用负荷识别算法对用电设备进行监控，满足负荷调度的需求。
对于管控系统，更多体现在电力调度和辅助决策上。数据上传后，要通过数据恢复、清洗、标注、训练，包括包测试，实现新的闭环。然后是云-边缘协作方案，形成第二个闭环。
采用云-边协同的智能算法，实现混合机理模型和机器学习算法在边缘设备上的推理应用，给出用电成本最优的可调负载和储能的协调调节指令，实现低碳能耗。同时，通过碳智能控制器，应用边缘智能算法和区块链技术，可以实现对各类用能终端碳排放数据的准确可信监测，为碳排放趋势分析和碳交易提供可信的监测数据。
如何在企业智能中利用边缘计算技术？
我将从框架设计和应用的角度，分析如何在企业智能化过程中利用边缘计算技术:
首先，云-边缘协作涉及云、边缘、端三层考虑。主要考虑的是快速搭建AI产品的能力，然后这个软硬件系统才能快速搭建起来。
我们可以看到，在边缘计算的过程中，包括传感器和设备协议，都需要尽可能的解耦。所以自下而上，一方面需要硬件实现快速适配，需要利用边缘计算的软件框架来规范设备接入和协议，降低硬件接入适配的成本。
其次，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，我们需要识别一些特殊的开关控制器，但是这种控制设备的量会很小，这意味着在平时的迭代过程中，预先训练好的模型识别的数据量不会很大，所以我们需要一个系统，从前端的数据采集和标注到训练过程，能够自动迭代，这样才能更好的实现自动整定，最终实现整个回路和模型管理的结合，实现数据和报警。这将充分利用云边缘协作和边缘推理的能力。
再次，它是组装的应用程序。我们可以看到，在工业互联网领域，由于各个系统的定制化要求非常高，这就导致了我们行业的烟囱现象。比如电网业务场景，需要在人工智能应用的输出上叠加一层与OA业务系统的沟通，同时需要呈现数字双胞胎。
从传统的解决方案来说，需要打通接口对齐、前端开发等流程。，成本很高。但如果有组合应用，可以通过业务线上少量的配置和开发来实现。首先，我们将其分为四类:基础设施能力、数据能力、分析能力和业务能力。通过edge原生代码的开发支持，可以实现可配置的AI，并快速部署到业务应用中。
AI+边缘计算的典型应用及未来展望
目前AI+边缘计算，从能源电力领域的风、光、水、火发电侧，到输配电全场景，应用场景非常丰富。
以我们的变电站场景为例，变电站内的外部设备和传感器比较复杂，包括高清摄像机、红外热成像摄像机、环境传感器，以及一些反馈控制设备，如巡检机器人、智能传感设备和边缘IOT代理等智能设备。另外，根据变电站的级别不同，升压和降压的要求不同，相应的设备也是多种多样的，不同变电站使用的一次和二次设备也是不同的。
我们可以看到，这里有近百种不同的仪表、读数和识别装置，还有一些户外巡逻设备，可以监测诸如溢油、烟火、高温等情况。设备种类繁多，对数据处理的要求也很高，包括上传分析、诊断预测的低延迟要求，可能还有原系统的一些OA的联动要求，包括调度一些智能设备进行人工巡检，指导一些设备。
在如此复杂的场景下，智能运维的实现有赖于人工智能和边缘计算的协同。
另一个场景，比如火电厂，需要大量的煤炭，煤炭的运输主要通过输煤皮带来实现，所以控制输煤皮带的安全非常重要。如果皮带撕裂，煤洒漏，煤堵断，就会导致严重的生产事故。
AI加边缘计算可以有效解决这个问题。利用边缘计算技术，可以通过摄像头、激光器、振动传感器、环境传感器等终端设备构建一套本质安全方案。
最后，结合我们的业务经验，谈谈AI加边缘计算应用的发展方向:
1.工业智能安全监管:即对现场设备状态和人员行为的监控，包括在此基础上衍生出的各种异构数据的合规管理。
2.AI的工程化:包括AI模型开发，AI的自学习模式加上边缘计算，可以大大降低AI开发的门槛，大规模构建AI应用，满足终端用户的需求。
3.边缘安全:在关系国计民生的核心领域，边缘设备的安全和边缘数据的安全非常重要。
4.边缘协作的基础设施:工业基础设施，可以为各种业务模块提供快速的管理方法。
5.工业边缘系统:构建自研实时工业边缘系统，需要完成国产化需求，同时提供实时边缘计算服务，实现实时反馈、辅助决策甚至自主决策。
6.组装式智能应用:这些思想，包括最近流行的一些低代码，可以帮助企业或开发者低成本地形成各种解决方案。
关于量子比特和观点
量子比特发起的CEO/CTO系列分享活动，不定期邀请AI创业公司CEO或CTO分享公司最新战略、技术和产品，与AI从业者和爱好者共同探讨AI的技术理论和产业实践。欢迎大家多多关注~
—结束—
