能源科技企业平衡机器接受采访：精准规划“碳中和”实现路径，以数字化技术打造低碳生态系统
光伏产业网讯
发布日期：2021-12-09
核心提示：
能源科技企业平衡机器接受采访：精准规划“碳中和”实现路径，以数字化技术打造低碳生态系统
近期，能源科技企业平衡机器接受创业邦深度访问，原文如下：
2020年9月，我国在第七十五届联合国大会一般性辩论上首次明确提出“2030年碳达峰、努力争取2060年前实现碳中和”的目标。
自此，全国各地政府、企业以碳中和作为目标方向，进一步提升自身节能减排能力。而当前，我国产业结构由大到小呈“二一三”分布，经济增长对能源高度依赖，“减碳”目标将直接影响我国的供给侧结构，多个行业都将面临转型升级。
从实施路径上看，全球碳减排将主要依靠发电部门减少化石能源使用，进行能源供给侧改革，同时大力发展光伏风电等可再生能源消纳占比。这就需要对能源消费基础设施、电网等进行改造，新能源的制备、储能设备开发等也将面临技术攻关。
预计未来几年，整个能源数字化进程将逐步向智能、优化阶段过渡。
01
创业邦近期接触的一家能源科技企业「平衡机器」正是“技术选手”，这家公司致力于以可持续发展路径战略组合市场需求与自然资源，将能源供需创新物联。
作为能源科技创新企业，平衡机器公司现主营业务为分布式能源管理和城市低碳生态管理。公司现已搭建起两款旗舰产品：城市低碳生态管理平台和分布式能源管理平台。
城市低碳生态管理平台主要用以满足现代城市管理模式转型和生态环境优化升级的需要。
平台基于云计算、大数据、遥感分析等技术，提供低碳综合模型、全景展示、建筑运营、能耗分析、交通承载、水域监测预警及植被演进分析等城市低碳生态管理的闭环服务，为政府、企业客户构建可持续发展目标评估体系，提供精细化低碳生态管理解决方案。
我们的碳足迹
具体而言，不同城市、区域的碳排放各有特征。
比如在北京，虽然企业排放相对较少，但建筑排放、机动车排放量会比较大，因此，绿色建筑比例就会比较关键，机动车电动化、低碳化升级也就比较迫切；而在河北，工业园区产业聚集，高耗能高排放企业占比较大，因此，企业以及产业上下游协同的节能改造、能源综合利用就显得尤为重要。
这就要求平台上的历史数据不断积累，数据质量进一步提升，分析维度持续扩展，算法模型迭代优化，逐步用最优化模型得出适用于各个城市的总体模型，以适应不同特质的碳排放需求。
分布式能源管理平台可实时采集产能和用能数据，借助功率预测、需求响应、交易决策等精准数据服务，辅助用户提升能源管理水平，优化能源交易策略，实现能源供给和需求的时空平衡。
目前，平台在风、光及储能应用上均有技术储备，并已具备成熟的风光功率预测功能，可利用虚拟气象站技术和机器学习方法进行集成预测，充分考虑每台机组所处地形地貌、机组之间影响，构建起轮毂高度气象数据和机组模型，精准预测每台机组风速、功率，提高预测精度。
平台还可根据接入站点的实际数量支持计算资源的快速动态弹性伸缩，无需现场部署，投资成本可节约30%-50%。
在合作方日本经产省的电力公司风光资源评估项目中，客户要在日本7000多个点位中选取1000个建设风机。平衡机器基于历史气象数据分析，对各个点位过往20年的风速、风向做测算，并进行未来20年风资源评估。
而投资企业采用平衡机器专业的风资源评估系统，实现了快速评估选址、站点资源比对、厂家发电量对比、确定具体站点等功能，选址成本大大降低、选址时间有效缩短，而IRR收益提高0.3%。
02
而对于清洁能源智能化领域而言，其壁垒主要在于能源供应侧与需求侧典型应用场景的算法模型，以及在能源互联网和“双碳”领域全产业链的行业知识及资源积累。
算法模型方面，平衡机器除掌握主流机器学习算法外，还自研针对能源行业具体业务场景的各类定制化算法，覆盖“有监督”“半监督”和“无监督”三类算法，可供用户自由定制。
基于基础算法库，平衡机器开发出包括智能视觉（CV）、智能文本处理（NLP）、智能语音（Speech）等多种方向的技术能力，为能源行业的故障检修、电网预测、电网调度、设备监控、自动化运行等多个场景提供AI支持。
平衡机器训练平台具备灵活、可配置优势，可通过订阅服务，向特定用户提供开发人员选项。其搭载的训练引擎是面向算法工程师的模型训练平台，从算法库提取相应算法，输入训练数据集，通过手动或自动地参数调整等内容即可完成模型训练，并将模型发布至推理平台。
另外，引擎无需训练便可直接调用各类算法，支持离线训练、分布式训练和断点恢复训练三种训练方式。依托于平衡机器自研算法库，引擎内置了大量预训练模型和标准模型，机器学习试验和元学习是该引擎支持的两个特色功能。
而平衡机器的推理引擎采用基于分布式的模型部署架构，支持第三方工具、模型快速集成和灵活配置，可依托算法库和机器学习训练引擎，将其生产的模型进行部署，向下游平台或引擎提供模型的在线推理服务。
同时，平衡机器推理引擎具有参数管理、配置管理、工作流管理、服务管理四大功能，解决了机器学习生命周期中部署方面的相关痛点。在原生推理库的基础上，该推理引擎也支持轻量化推理和前端推理，以适应物联网边缘计算和大数据云计算服务。
在行业知识及资源积累上，平衡机器作为一家能源科技企业，熟悉发电侧、用电侧产业需求，公司结合各地政府“双碳”管理需求，提供专业、全面的减碳和综合能源服务。
同时，平衡机器团队具备能源、电力系统及遥感分析相关背景。国内及海外组合团队推进研发。高管主要来自IBM、微软等知名企业和海外能源企业。
作为联合创始人之一，吕新杰获中国科学院计算机科学博士学位，主导多个国内外智慧能源项目，长期深耕于能源综合利用与能源数字化转型发展。
03
现如今，平衡机器已自主研发数据采集传感器、能源行业PaaS平台和多款SaaS应用，累计申请10+项专利，30+项软件著作权。
商业模式上，平衡机器的分布式能源管理平台现主要面向大型发电企业，对电站进行全方位监测管理，已与国家电网、南方电网及综合能源管理企业合作，提供精准数字化能源服务。城市低碳生态管理平台则主要面向G端客户，根据产业园区能源管理，为工业级客户提供电、热、冷等能源管理、节能减排服务。
未来，平衡机器将持续围绕“虚拟电厂”和“碳中和”目标扩大业务范围，结合数字化技术打造低碳生态系统，主要国内业务为重点，并且在欧洲与澳洲开展技术研发与业务布局。
2020年9月，我国在第七十五届联合国大会一般性辩论上首次明确提出“2030年碳达峰、努力争取2060年前实现碳中和”的目标。
自此，全国各地政府、企业以碳中和作为目标方向，进一步提升自身节能减排能力。而当前，我国产业结构由大到小呈“二一三”分布，经济增长对能源高度依赖，“减碳”目标将直接影响我国的供给侧结构，多个行业都将面临转型升级。
从实施路径上看，全球碳减排将主要依靠发电部门减少化石能源使用，进行能源供给侧改革，同时大力发展光伏风电等可再生能源消纳占比。这就需要对能源消费基础设施、电网等进行改造，新能源的制备、储能设备开发等也将面临技术攻关。
预计未来几年，整个能源数字化进程将逐步向智能、优化阶段过渡。
01
创业邦近期接触的一家能源科技企业「平衡机器」正是“技术选手”，这家公司致力于以可持续发展路径战略组合市场需求与自然资源，将能源供需创新物联。
作为能源科技创新企业，平衡机器公司现主营业务为分布式能源管理和城市低碳生态管理。公司现已搭建起两款旗舰产品：城市低碳生态管理平台和分布式能源管理平台。
城市低碳生态管理平台主要用以满足现代城市管理模式转型和生态环境优化升级的需要。
平台基于云计算、大数据、遥感分析等技术，提供低碳综合模型、全景展示、建筑运营、能耗分析、交通承载、水域监测预警及植被演进分析等城市低碳生态管理的闭环服务，为政府、企业客户构建可持续发展目标评估体系，提供精细化低碳生态管理解决方案。
我们的碳足迹
具体而言，不同城市、区域的碳排放各有特征。
比如在北京，虽然企业排放相对较少，但建筑排放、机动车排放量会比较大，因此，绿色建筑比例就会比较关键，机动车电动化、低碳化升级也就比较迫切；而在河北，工业园区产业聚集，高耗能高排放企业占比较大，因此，企业以及产业上下游协同的节能改造、能源综合利用就显得尤为重要。
这就要求平台上的历史数据不断积累，数据质量进一步提升，分析维度持续扩展，算法模型迭代优化，逐步用最优化模型得出适用于各个城市的总体模型，以适应不同特质的碳排放需求。
分布式能源管理平台可实时采集产能和用能数据，借助功率预测、需求响应、交易决策等精准数据服务，辅助用户提升能源管理水平，优化能源交易策略，实现能源供给和需求的时空平衡。
目前，平台在风、光及储能应用上均有技术储备，并已具备成熟的风光功率预测功能，可利用虚拟气象站技术和机器学习方法进行集成预测，充分考虑每台机组所处地形地貌、机组之间影响，构建起轮毂高度气象数据和机组模型，精准预测每台机组风速、功率，提高预测精度。
平台还可根据接入站点的实际数量支持计算资源的快速动态弹性伸缩，无需现场部署，投资成本可节约30%-50%。
在合作方日本经产省的电力公司风光资源评估项目中，客户要在日本7000多个点位中选取1000个建设风机。平衡机器基于历史气象数据分析，对各个点位过往20年的风速、风向做测算，并进行未来20年风资源评估。
而投资企业采用平衡机器专业的风资源评估系统，实现了快速评估选址、站点资源比对、厂家发电量对比、确定具体站点等功能，选址成本大大降低、选址时间有效缩短，而IRR收益提高0.3%。
02
而对于清洁能源智能化领域而言，其壁垒主要在于能源供应侧与需求侧典型应用场景的算法模型，以及在能源互联网和“双碳”领域全产业链的行业知识及资源积累。
算法模型方面，平衡机器除掌握主流机器学习算法外，还自研针对能源行业具体业务场景的各类定制化算法，覆盖“有监督”“半监督”和“无监督”三类算法，可供用户自由定制。
基于基础算法库，平衡机器开发出包括智能视觉（CV）、智能文本处理（NLP）、智能语音（Speech）等多种方向的技术能力，为能源行业的故障检修、电网预测、电网调度、设备监控、自动化运行等多个场景提供AI支持。
平衡机器训练平台具备灵活、可配置优势，可通过订阅服务，向特定用户提供开发人员选项。其搭载的训练引擎是面向算法工程师的模型训练平台，从算法库提取相应算法，输入训练数据集，通过手动或自动地参数调整等内容即可完成模型训练，并将模型发布至推理平台。
另外，引擎无需训练便可直接调用各类算法，支持离线训练、分布式训练和断点恢复训练三种训练方式。依托于平衡机器自研算法库，引擎内置了大量预训练模型和标准模型，机器学习试验和元学习是该引擎支持的两个特色功能。
而平衡机器的推理引擎采用基于分布式的模型部署架构，支持第三方工具、模型快速集成和灵活配置，可依托算法库和机器学习训练引擎，将其生产的模型进行部署，向下游平台或引擎提供模型的在线推理服务。
同时，平衡机器推理引擎具有参数管理、配置管理、工作流管理、服务管理四大功能，解决了机器学习生命周期中部署方面的相关痛点。在原生推理库的基础上，该推理引擎也支持轻量化推理和前端推理，以适应物联网边缘计算和大数据云计算服务。
在行业知识及资源积累上，平衡机器作为一家能源科技企业，熟悉发电侧、用电侧产业需求，公司结合各地政府“双碳”管理需求，提供专业、全面的减碳和综合能源服务。
同时，平衡机器团队具备能源、电力系统及遥感分析相关背景。国内及海外组合团队推进研发。高管主要来自IBM、微软等知名企业和海外能源企业。
作为联合创始人之一，吕新杰获中国科学院计算机科学博士学位，主导多个国内外智慧能源项目，长期深耕于能源综合利用与能源数字化转型发展。
03
现如今，平衡机器已自主研发数据采集传感器、能源行业PaaS平台和多款SaaS应用，累计申请10+项专利，30+项软件著作权。
商业模式上，平衡机器的分布式能源管理平台现主要面向大型发电企业，对电站进行全方位监测管理，已与国家电网、南方电网及综合能源管理企业合作，提供精准数字化能源服务。城市低碳生态管理平台则主要面向G端客户，根据产业园区能源管理，为工业级客户提供电、热、冷等能源管理、节能减排服务。
未来，平衡机器将持续围绕“虚拟电厂”和“碳中和”目标扩大业务范围，结合数字化技术打造低碳生态系统，主要国内业务为重点，并且在欧洲与澳洲开展技术研发与业务布局。