电网AI，或许真的到了关键时刻

我们家小乖乖周六过三岁生日

迫不及待的去啃蛋糕

啃就啃呗

你还攥紧了小拳头干嘛，哈

小神兽生日庆祝结束，我们带孩子去了宋庄画家村，在国防艺术区的小山上尽情的玩耍，还顺便看了几个工作室，这是给我影响最深刻的一家泥塑工作室，每一件作品都堪称是独具匠心。

获得准许后，多拍了几张照片，为今后的玉石雕刻，多积累一些素材。这与今天要说的话题有关，任何技能都有一个学习的过程，AI也不例外。

上周五中午写了一篇文章《电网设备AI识别的三个层次》，下午参加有关部门的AI讨论会，大家基本上都讨论到这些事了，有些地方讨论的更加深入，例如，电网设备图像标注的不同权重、图片质量高低背后的逻辑意味着什么?人工标注、自动标注及质量管理与迭代学习之间的关系、利用国家超算机器进行学习训练、标注与设备检修三层逻辑的关系等等。

AI专家们的热烈而深刻的讨论，俺，好在大部分还能勉强听得懂。我们这些以AI外行自嘲的老同志所谓的听得懂，并非指那些晦涩繁复的各种算法细节，而主要是基于我们那点零散的、体系还不算很完整的、鸡毛蒜皮的经验和体会，争取准确的理解算法的含义、场景、边界条件以及与实用化相关的一些工况问题；策略与方法论层面的东西偏多一些，有时候也会站在质疑或者多问几个为什么的角度来看待这些新东西、新事物。

说，AI在设备故障监测和设备运维方面的应用，大体上分为两个路子，一是像无人机巡检线路、轨道小车在变电站配电室的固定线路巡检这样，通过外部现象（声、光、震动、电磁辐射、温度遥测等）来监控设备的工作状态；二是将传感器深入设备内部，对关键元器件的运行物理参数进行监控，后者又可以分为厂家出厂就已经植入的或者运行期间电网公司运检部门作为技改项目植入的两大类，其中运检部门后期植入无论对存量资产还是增量资产，在相当长的一段时间内，都是主流。

一、我们更期待AI应用于无源设备监测的有效性

分类是一个很好的方法论，按照我们从前上学时学电路的那点传统思路，电网上的资产（设备）分无源和有源两大类，初步理解，无人机巡检对无源设备的物理性损坏，我们应该怀有较高识别率的殷切期待，例如高压塔杆上的销钉脱落、断裂；塔杆的倾斜、变形；电线的断丝以及一些接头问题等等。会上专家们讨论了一系列旨在满足实用性的几种场景和图片质量问题，包括如何建立具有自主知识产权的图片图像标注（人工和自动）技术、算力平台构建、研究人员如何与基层运检队伍配合等问题上。

类似于线路的无人机巡检，机器巡检+AI，其最大的意义莫过于可以节省大量的人力、提高劳动生产率。虽然效率提高了，但是跟富有经验的巡检师傅相比，其准确性还存在很大的问题，这个问题是电网公司AI专家们都已经认识到并在加大力度解决的。正如上周五专家们所讨论的，这里面主要涉及到，如何让机器具有有经验的巡检师傅那样敏锐的判断力和专业知识，是一个严峻的挑战，至少我本人对挑战这个困难是满怀信心的，尽管目前尚存在环境、设备及故障点这三个层次上的识别困难，但困难是暂时的，就像《列宁在1918》的电影上，瓦西里同志说讲的：面包会有的，牛奶也会有的。

二、AI真正面临的挑战是有源设备

随着设备自动化程度的不断提高，设备的电气复杂度也越来越高，就像汽车，传统的汽车，过去没有太多的自动化和电气化，后来就变了，逐渐有了ECU，像ABS、EBD、EPS、自动后视镜、车玻璃自动升降、倒车雷达等等addon也都进入了ECU，尤其是近年来自动驾驶的出现，使得汽车的电气复杂度又上了一个新的台阶，甚至出现了一些匪夷所思的故障，例如某斯拉汽车跑着跑着就莫名其妙的突然加速了，他奶奶的，要了命了。

无源电网设备或者设施的物理损坏的故障监测，主要在识别上，如果能有效的识别，其故障原因相对来说是比较简单的，有了故障原因，AI系统就可以跟PMS的工单系统做有效对接了。

但是针对电网的有源设备，尤其是电气复杂度很高的有源设备、一次设备和二次系统又搅合在一起的，其设备结构复杂、缺陷类型多、缺陷和故障的动因复杂、故障规律难以掌握等，这些问题给AI应用带来了极大的挑战。

我们换个方位思考一下，在故障现象-故障原因-解决方案（工单策划和执行）这三个环节，AI只能识别故障现象，而不能做到定位故障原因，势必还需要较多的人工干预（甚至是现场核查），那么AI的价值就会打了折扣，尽管AI在巡检中可以节省较多的人力。这也是我们在文章《EAM老鸟谈有围墙的电厂和没有围墙的电网》一文中，曾经提到的没有围墙的电网和有围墙的电厂之间的主要差别之一，相对于没有围墙的电网，有围墙的电厂也就一个巴掌大小，既便AI不能确定电厂设备故障现象的原因，派一位专工到现场瞧瞧，也就是三袋烟的工夫，可是电网就不同了，这就是电网AI比电厂AI要困难的原因之一。

从概率上讲，电气复杂度很高的设备，其故障依然符合浴盆曲线，也就是在资产全寿命的早期和末期，设备的故障率比较高，但在实际的运检环节，基于概率这东西做出来的统计，只能作为宏观计划的指导，甚至指导的窗口周期都不在年度之内，面对电网公司两增一降问题越来越突出，电网设备，尤其是关键节点、关键设备、关键元器件泛在物联网的运行监控以及在监控基础上再实施AI技术，就显得越发的困难了。

这张图片是针对机器人移动巡检而言的，定点监测（无论是在设备外部还是内部的元器件，基本类同），上周五下午的讨论会，专家们讨论到这些相关的内容，我们给出的建议是抓住两个重点：一是无源设备或者设施缺陷故障的AI应用，因为我们理解，这是相对容易获得突破的；二是与有代表性、有经验的供电局基层运维班组积极合作，充分发挥和挖掘运维班组有经验师傅的经验和知识积累，首先抓主电网设备故障率较高的2-3类典型设备，开展标注、识别的技术攻关，从环境、设备、元器件这三个层次由浅及深的逐步开展工作，我们期待，有价值的AI标注工作能够触及故障和缺陷原因这个层次，也就是说，标注不仅仅解决设备类型的识别、故障点的故障缺陷的识别，还能做初步的故障和缺陷原因的标注，如果能做到这一点，AI巡检与PMS直接对接就具备了一定的基础。

电网公司应该具有很好的AI应用前景，每一类设备都是数量众多、厂商林立，而且分布地域广泛，工况环境各有千秋，再加上过去几十年的运维数据支撑，无论是时间遍历、还是样本遍历，都可以支撑基于大数据的、人工智能应用。电气设备的复杂度导致设备缺陷和故障在宏观上具有统计规律，但在微观上，又千差万别，这正是AI有机会发挥效力、又面临巨大挑战的地方。

AI应用的挑战还来自于企图利用海量存量数据的场景，我们去年参与电网公司资产全寿命周期劳动时，获得的体会是，电网公司存量资产的历史运行数据，存在较多的数据质量问题，尽管上下同心的正在解决这些问题，但估计很难完全解决，这些存量资产的数据质量问题在一定程度上会影响AI应用的效果，尤其是在基于存量资产设备历史故障的图片识别和学习方面，因此，比较现实的建议是，随着资产全寿命周期工作的深入开展，一方面把数据质量比较高、典型设备的运行数据赛选出来供机器AI学习；另一方面，扎紧增量资产的袋子，力争把增量资产的数据质量从制度、绩效考核、从系统几个方面管控好，尤其是参与AI试点的基层单位，恐怕还要突破传统PMS的框框，按照AI的要求，额外的更多记录、更多提取能满足AI需要的运行数据；

从存量和增量两个角度，既要把控好数据源的质量，也要把控好系统衍生的二次甚至是三次的数据质量，例如：PMS系统中关于设备的缺陷分类、检修工单的成本、人力的调度、物料的组织等等。