我要投稿

大模型及其应用系列第五篇——大模型在电力行业的应用案例

发布日期：2025-05-01 07:24:21 浏览次数： 1530 作者：肖鹏互联网老兵

点击上方

蓝字

关注我的公众号

大模型在C端用户的应用案例大家比较熟悉，而对在B端的应用案例比较少见。一方面因为B端业务机理的复杂性，导致大模型的应用还处于探索阶段；另一方面，这方面的宣传比较少。本篇介绍大模型在电力行业的几个典型案例。（大模型及其应用系列第五篇，请在文章底部#大模型及AI应用#目录下浏览其它文章）

调度操作票智能生成及校验

电网调度操作票是指在电网调度运行中，调度员根据电网运行方式的变化、设备检修计划以及系统运行的需要，按照一定的格式和规范填写的，用于指挥现场操作人员进行电气设备操作的书面指令。一般操作票包含操作任务、操作顺序、设备名称和编号、操作时间、操作人、监护人及审核人等。传统的电网调度操作票的生成方式一般是根据调度人员的经验在系统中填写，然后人工审核确认操作票。这种方式效率低，完全依赖人的经验，容易出差错。基于通用大模型下和垂直大模型结合，构建调度系统的知识图谱，智能生成调度操作票，大大提升了工作效率，减少出错率。

本方案依托于调度云平台，并集成电网调度指挥系统。利用通用大模型及垂直大模型，建立电力调度领域操作票知识图谱。构建调度操作业务一张图，通过知识图谱的信息关联进行结果推导，实现操作票智能生成及校核，为调控运行人员快速故障处理提供智能化支撑。

图一系统架构图

知识图谱的构建。以模型量测为基础，构建电网物理模型图谱：以具体物理设备为实体，以拓扑连接为关系，由电力系统CIM模型、实时量测文件自动生成图谱，包括：35kV 及以上电网一次设备、500kV 及以上的二次设备。以操作规程为基础，构建操作规程语义图谱：以操作对象为实体进行构建，以操作要求为关系，对调规、操规等文档进行解析，提取核心文本内容及相关结构，通过预训练模型辅以人工标注进行文档理解，构建语义图谱。

图二知识图谱的构建

知识图谱的融合。为支撑统一的基础知识服务，研究图谱间的模型融合技术。通过关系映射与图谱分析，将两大图谱知识库融合成操作票知识图谱，构建调度操作业务一张图，同时具备成票模型、防误规则、术语知识、结构识别、设备状态的融合感知能力。

知识图谱赋能操作票智能生成与校核。操作票知识图谱模型和业务系统打通，业务系统提供基础数据如电网模型、检修单、回令信息，操作票应用调用知识图谱API，通过知识关联和推理，自动生成操作票规范步骤，并可对操作执行过程进行合规性和安全性的校核。

建设成效。根据试点，某某分公司直流设备校核正确率为95.7%，交流设备校核正确率已达97.6%，操作票生成准确率超过99%，操作票编制时间从平均十分钟降低至2分钟左右。

生产现场违章作业智能监控

电力行业的生产作业往往存在着较高的风险，必须严格遵守操作规程，稍有不慎就会酿成重大事故。因此，对生产过程的作业过程智能化监控很有必要。某电网公司利用基础大模型和电力行业的垂直大模型相结合，构建构建疑似违章识别、关键工序识别、作业智能数据分析等3 大核心功能的人工智能智能监控系统。

利用视觉识别进行生产作业的现场监控。通过视觉识别系统，通过对现场视频采集到的作业行为进行分析，识别违章作业。实现了作业前风险防范、作业中现场监督及作业后追朔的全过程管理。

图三智能化监控作业场景

建设成效。系统上线以来帮助珠三角某地市局发现了杆塔上作业有人调整拉线（A 类）、高处作业不系安全带（A 类）；帮助粤东某地市局、粤西某地市局发现了电气操作不戴绝缘手套(B 类)等违章；帮助粤东某地市局、粤北某地市局发现了故意躲避视频监督等违章。

充电桩选址及运行智能分析

现有的电网充电桩往往存在充电桩利用率低、用户找桩难等痛点。某电网公司利用基础大模型加电力行业的垂直大模型，研发出充电桩精准选址模型，以支撑科学、合理的充电桩规划和建设。一方面提升充电桩利用率，另一方面给车主带来了极大的便利性。

建设方案。

首先对现有充电桩运行数据进行分析：结合站点监测、站点重要性指标、和充电需求预测分析的成果进行综合分析，最终得到非线性拟合的最优选址结果。

图四充电桩数据采集

基于城市POI 的充电设施城市区域类型分析。对待选址城市的路网结构数据进行采集，并分析城市路网结构包括道路交通流量、道路网络密度、道路类型、道路等级、交叉口密度等因素对于城市网络栅格化处理的影响，以生成符合真实选址情况的有向图。

基于机器学习的充电设施城市区域重要性评估分析。一是基于所采集的城市交通、人口、充电桩等相关进行数据处理和特征提取。二是基于改进的PageRank 等网页评估算法对划分的城市区域进行重要性量化及排序评估。三是结合支持向量机、随机森林等机器学习算法，对城市区域进行分类或聚类，进一步分析充电设施在不同城市区域的分布情况，为充电设施的选址提供更准确的依据。

基于历史充电数据驱动和时序模型的充电时空需求预测技术分析。建立基于用户的充电数据，包括充电起始时间、充电结束时间、充电时长、充电量、车型、充电站位置等SOC分析，以更为真实的反映电车用户行为的特征，从而辅助选址。

建设成效。通过对公共充电设施运行的实时监控，优化布局，减少某市“僵尸桩”、低效桩数量降低近20%。

本案例材料来源于《中央企业人工智能应用场景优秀案例白皮书(2024 年版)（中央企业人工智能协同创新平台中国南方电网有限责任公司2024 年12 月），并经过笔者整理。