煤制天然气厂搞AI发电预测，找哪家供应商靠谱？

我们厂为啥要搞这个AI预测？

我是内蒙一家煤制天然气厂的运营负责人。我们厂规模算中等，一年用煤大概200万吨，产出10亿方左右的天然气。厂里自备的燃气发电机组功率有120兆瓦，发的电一部分自用，剩下的外送。

你可能觉得，发电就发电，还要啥预测？

说实话，以前我们也这么想，觉得有老师傅盯着，问题不大。但后来真被搞怕了。

两大痛点：电不好卖，调度总骂娘

痛点就两个，但都挺要命。

一个是电卖不出好价钱。我们发的电要上网，电网公司要求我们提前一天报第二天的发电功率曲线。报多了，发不出来要罚款；报少了，电白浪费了。以前全靠调度员凭经验估，赶上天气突变或者上游原料气组分波动，偏差能到15%以上。一年下来，光是预测不准导致的偏差考核费用和少卖的电，算算就小一百万。

另一个是厂内调度也头疼。我们的发电负荷直接影响全厂蒸汽平衡和空分装置负荷。发电预测不准，下游化工单元就得跟着频繁调整，操作工累，设备损耗也大。一到交接班或者夜班，这事最容易出乱子。

我们隔壁厂（一家年产值300亿的大厂）据说上了预测系统，效果不错。老板知道后，就拍板让我们也研究研究。

一开始想的太简单，踩了不少坑

老板发话，我们一开始劲头很足，觉得不就是买个软件嘛。结果一打听，才发现水挺深。

第一阶段：迷信“大牌”和“算法”

我们最先接触了几家名气很大的工业互联网平台和软件公司。他们讲得天花乱坠，什么大数据、深度学习、数字孪生，PPT做得特别漂亮，案例都是跟超大型电厂合作的。

我们听着觉得挺靠谱，就请了一家来厂里做初步调研。对方派了个博士团队，聊了两个小时，提了一堆要求：要我们至少提供三年的历史运行数据、气象数据、设备台账，还要开放所有DCS系统的数据接口。

我们数据有是有，但散落在不同系统里，整理起来就是个浩大工程。更要命的是，他们方案报价高得吓人，光一期软件和实施就要近200万，还不保证最终精度，说这是“探索性项目”。

我们这种规模的厂，花200万去“探索”？老板一听就摇头，这条路断了。

第二阶段：转向“便宜”的通用方案

大牌的不行，我们就找便宜的。网上搜到一些做通用负荷预测模型的SaaS服务，一年服务费只要十几二十万。

我们试用了一家，把历史发电功率数据导进去，模型确实能跑出一个预测曲线。但用起来完全不是那么回事。

问题在于，他们的模型是通用的，根本不理解煤制天然气这个特殊工艺。它不知道原料煤热值变化对气化的影响，不知道合成气甲烷化反应的波动，更不知道我们空分装置跳车对全厂蒸汽的冲击。

预测结果跟实际运行经常是“两张皮”，有时候偏差比老师傅手估的还大。供应商只会说“再多喂点数据训练一下”，但我们感觉这是个无底洞。

最后怎么找到对的路？

连着碰壁两次，我们也冷静了。开始琢磨，我们到底需要个啥东西？

想明白三个核心需求

我们内部开了几次会，把需求捋清楚了，就三条：

1. 必须懂工艺：供应商得明白煤制气、燃气发电这套流程是咋跑的，预测模型必须结合工艺机理，不能纯靠数据黑箱。

2. 得能落地：别整那些虚的，就要一个能嵌入我们现有中控室的系统，操作工看一眼就能用，最好能跟DCS有点简单联动。

3. 钱要花在刀刃上：总投入（软硬件+实施）最好能控制在一年内省出的费用范围内，也就是百万以内，回本周期要清晰。

这样筛选，找到了靠谱伙伴

拿着这三条，我们再去市场上找，眼光就变了。不再看谁广告响，而是重点问：

• “你们做没做过化工或煤化工行业的预测项目？”

• “能不能讲讲，合成气流量波动，在你们模型里是怎么影响发电负荷的？”

• “实施周期多长？需不需要我们派专人脱产配合？”

这么一问，就筛掉了一大半。最后剩下两三家，我们挑了其中一家。他们之前给陕西一家煤制烯烃企业做过蒸汽预测，团队里有从设计院出来的工艺工程师。虽然公司名气不大，但聊下来感觉他们懂行，方案也实在，总报价在80万左右。

实施过程：从怀疑到接受

合作开始后，也不是一帆风顺。

关键决策：先搞“子模型”，再拼“总模型”

供应商提了个思路，我们觉得很对。他们不直接预测总的发电负荷，而是先把我们的工艺链条拆开：

1. 气化与合成单元产气量预测模型

2. 燃气轮机性能与效率模型

3. 厂内蒸汽与用电负荷耦合模型

先分别把这三个子模型的预测精度做上去，然后再把它们耦合起来，形成最终的发电功率预测。

这样做的好处是，哪个环节预测不准了，我们能马上定位到是气化的问题还是燃气轮机的问题，方便排查和优化。如果一开始就搞个“总模型”，出了问题都不知道从哪下手。

最大的困难：数据质量和人员习惯

实施中最大的两个困难，都不是技术问题。

一是数据。我们有些关键仪表历史数据有缺失或明显错误，需要人工清洗和补录。这活儿很枯燥，但必须做。我们抽了两个工艺员，专门配合干了两个星期。

二是人的习惯。刚开始，中控室的老调度们根本不信这个系统，还是按自己的经验来。我们就定了个规矩：头一个月，系统预测和人工预测并行，每天对比。结果半个月下来，系统预测的平均绝对误差率先稳定在了8%以内，比人工的12%强。事实摆在面前，大家才慢慢开始用。

现在用下来到底啥效果？

系统上线运行快半年了，说说实际感受。

能算得清的账：一年能省大几十万

最直接的效果，是上报电网的发电计划曲线准确率上来了。平均绝对误差率从原来的15%降到了7%左右。

光是偏差考核费用，一个月就能少交两三万。再加上因为预测更准，可以更“大胆”地报高一些高峰时段的发电量，电费收入也增加了。这两块加起来，保守估计一年能多出60-70万的效益。80万的投入，一年多点儿就能回本。

厂内调度也轻松了不少。系统能提前4-8小时给出负荷变化趋势，下游单元可以提前做准备，操作平稳多了，听说蒸汽单耗还有所下降。

还没解决好的问题

当然，也不是尽善尽美。

系统对突发性设备故障（比如锅炉给水泵突然跳闸）的预测还是不行，这类极端情况还得靠人工紧急干预。

另外，模型需要定期用新数据做微调，这个维护工作目前还得依赖供应商，我们自己在培养人接手，但还需要时间。

写在后面：给想尝试的同行几点实在话

回头看这大半年，如果重来一次，我会这么做：

第一，别急着找供应商，先自己把账算明白。 你到底想解决什么问题？这个问题一年让你损失多少钱？你愿意花多少钱来解决？心里有本账，谈判才有底。

第二，重点考察对方是否懂你的工艺。 让他画你的工艺流程图，讲清楚关键变量之间的影响关系。不懂工艺的AI，再高级也是摆设。

第三，要求试点验证。 别一上来就签全厂大合同。让他选一个工艺段，用历史数据跑给你看，或者做个短期离线测试，有效果再往下谈。

第四，想好内部谁主导、谁配合。 一定要有一个既懂生产又有点数据意识的牵头人，否则实施起来会很痛苦。

现在市场有点乱，各种公司都说自己能做。我建议你先用“索答啦AI”这样的工具了解一下自己的情况适合什么方案，心里有数了再去找供应商谈，不容易被忽悠。毕竟，咱们的钱都是一铲子一铲子煤烧出来的，得花在实处。