【中国电力科学研究院】2024年生成式人工智能在新型电力系统建设中的应用报告_21页_2mb

生成式人工智能在新型电力系统建设中的应用总结

核心内容

生成式人工智能（AIGC）在新型电力系统建设中展现出广阔的应用前景，主要体现在提升电力系统的可观、可测、可控能力，以及通过智能技术优化电力设备巡检、作业现场管控、运检辅助决策和智能体调度等关键环节。

主要观点

• 技术突破推动行业应用：生成式人工智能技术，如ChatGPT、Sora等，具备强大的理解、生成和信息集成能力，能够与电力行业深度融合。
• 多模态学习与推理：生成式大模型支持图文融合推理，可应用于电力设备缺陷识别、安全风险评估等场景。
• 大模型与小模型协同：通过混合专家（MoE）架构、知识蒸馏和模型量化等技术，实现大模型与小模型的协同优化，提高应用效率与安全性。
• 知识增强与可解释性：引入电力行业知识库，提升模型的准确性和可解释性，有助于复杂任务的智能拆解与执行。
• 边云协同与轻量化部署：在算力和供电受限的边缘设备上，采用模型蒸馏与量化技术，实现大模型的轻量化部署，提升单位功耗下的算力。

关键信息

技术演进

• 生成式人工智能技术突破：2023年ChatGPT引发热潮，2024年Sora推出，具备文本到视频生成、多镜头生成、物理世界模拟等能力。
• 大模型技术分类：包括通用基础大模型（L0）、电力行业大模型（L1）和细分场景专业模型（L2）。
• 技术特征：以Transformer结构为主，采用多轮次半监督学习，需在GPU集群上进行分布式训练，具有多任务、多场景适用能力。

数据准备

• 电力设备影像库：构建近千万级规模，涵盖可见光、红外、深度视觉三类图像，覆盖输变配用、基建、安监等场景。
• 电力设备语料库：构建十亿级字符的语料库，包含主题词、概念、实体、属性及百科知识条目，用于语义大模型微调。

应用场景

• 无人机智能巡检：通过图文融合推理和混合专家架构提升识别精度，试点运行于杭州、绍兴等地。
• 作业现场管控：基于图文融合推理构建安全责任图谱和违章知识库，辅助生成工作建议。
• 运检辅助决策：采用知识引导与嵌入方式，提升模型准确性与可解释性，实现检修策略智能生成，准确率优于85%。
• 智能体调度：构建基于大模型的电力智能体，实现复杂任务分解、调用链形成、协同执行等，支持与国网“两库一平台”融合应用。

难点与对策

• 难点1：难以继承小模型成果
  对策：以业务需求为导向，采用混合专家架构实现大小模型联合优化。

• 难点2：边云协同挑战
  对策：采用任务切分+蒸馏量化的方式，实现边云协同应用。

• 难点3：业务逻辑边界难以学习
  对策：以可靠性为目标，通过知识引导、知识嵌入等方式提升大模型的可解释性。

前瞻展望

生成式人工智能技术正在逐步“照进”现实，未来将广泛应用于新型电力系统建设，实现态势预测、故障分析、调度优化和设备控制等智能化目标。随着技术的不断演进和应用的深入，电力行业将实现更高效、更安全、更智能的运营模式。

图像与图表说明

• 电力系统面临挑战，包括源荷不确定性、运行工况复杂、数据驱动精度不足、机理优化效率低。
• 生成式人工智能技术具备多模态学习、智能推理和高效信息处理能力。
• 通过数据准备和模型优化，大模型在电力设备巡检、作业现场管控、运检辅助决策等方面取得显著成果。
• 智能体调度技术实现大小模型协同应用，推动电力系统智能化发展。

结论

生成式人工智能在新型电力系统建设中具有重要价值，通过技术突破、数据支撑和模型优化，能够有效提升电力系统的智能化水平，实现更精准、更高效的运维管理。未来，随着边云协同、知识增强等技术的进一步发展，生成式人工智能将在电力行业发挥更大作用。