电力AI应用

当前时代，AI已渗透到社会经济的每一个领域。各个基础行业，不管是工业、农业还是服务业，都在呼吁拥抱AI，利用人工智能来降本增效，提高竞争力。

在电力能源工业，不管国网也好，南网也好，都积极拥抱AI，开启了多个智能化应用。如果关注电网的公众号，就会感慨这些传统的基础设施行业，也焕发了新思想，积极拥抱AI带来的变化。

电网的智能终端设备（比如XTU），会积极采集各项业务数据，包括电流、电压、有功、无功、功率、相角、三遥、录波、回路等。另外还有日志数据、软件数据、环境数据、设备数据。这些数据上报到集中的云平台，在那里进行模型训练。训练后的模型有什么用呢？可以实现一系列智能化的应用。

• 基于设备数据、运行数据和环境数据，对设备进行数字巡视。并进一步结合设备厂家、型号、历史工单、服役年龄、在运状态、工作环境等因素，建立故障率修正模型，并计算健康指数与故障率之间的函数关系，从而构建配电自动化设备健康评估模型。
• 基于设备状态、历史运行数据、故障数据，做深度故障预测。根据预测的结果，安排预防性维护，建议维护时间表，推动订购元器件流程，减少设备停机时间。
• 基于学习到的运维处理经验，由模型引导进行故障自愈。基于设备拓扑、定值、主站配置、自愈策略等，进行自愈校验和动作执行。
• 对故障进行归因分析。通过训练电网业务知识图谱，对设备进行画像，对每一类故障都给出原因和解决方案，提高故障应急处理效率。
• 基于AI检测结果，自动做资产盘点、风险审计，生成审计报告。

在AI和大数据驱动下，电网的运维系统形成云边互动。端的数据上报到运维平台，由运维平台进行集中训练和推理（推理也可以部署到端）。推理的结果，用于提高运维系统的智能化（比如故障发现、故障自愈），实现无人值守、降本增效。这是一个良好的闭环系统，完美体现了AI在传统工业场景的应用效率。

各个配电端的智能设备（比如XTU）采集的数据示例如下表。

AI辅助的故障定位和归因分析案例如下表。

基于电网丰富的运行数据，不管是设备采集数据，还是规范规则文件，还是历史运维经验，都可以让机器学习高效的运行起来。机器学习模型从这些数据中，学习到的推理能力，可以辅助电网调度决策、运维排障、客服系统等。如下图所示，通过云边协同的智慧管理系统（XTU），机器学习模型不仅能在云平台进行推理，生成和下发控制指令；还能在端上进行本地推理，提高模型的处理效率。

在AI时代，每个行业都有必要积极拥抱AI，利用AI赋能业务，实现降本增效。当然，真正让AI落地，并不是一件容易的事。需要深入分析业务，找出发展规律，找到业务与AI的契合点，比如数据可治理、模型可收敛、算力可部署，才能真正做好AI赋能业务。电力行业AI的应用场景，既充满希望，又充满挑战，值得我们去探索。