输电行业 AI 应用场景与方案调研

· 3 minutes read · 551 字 · 系列：技术探索 / AI实践

输电行业 AI 应用场景与方案调研

调研范围：输电线路巡检、设备运检、无人机作业、调度运行、安全生产和资产管理。
检索日期：2025-06-01。
说明：已将检索式、来源和结构化记录落盘至：

  • research/transmission/search_index.json
  • research/transmission/scenarios.json

一、核心结论

输电行业 AI 应用的主线可以归纳为六类：

  1. 无人机/机巡智能巡检
  2. 输电线路和通道缺陷识别
  3. 设备状态监测与预测性维护
  4. 无人机自主航迹、避障与自适应拍摄
  5. 停电计划、故障处置与调度辅助
  6. 作业票审核、安全风险与违章识别

总体上，输电行业更适合采用：

边缘小模型负责快速感知
        +
云端/中心大模型负责复杂理解
        +
规则引擎负责安全边界
        +
人工负责最终确认

不建议直接使用通用大模型替代调度员、飞手、运检专家或安全员，更不建议让 AI 未经校核直接执行停电、送电、改变保护定值或调整运行方式。

二、重点应用场景与方案

场景 1：无人机/机巡多模态缺陷识别

1. 业务痛点

输电线路通常具有以下特点：

  • 线路长、杆塔分散；
  • 山区、森林、河流和高原等复杂环境较多；
  • 无人机采集图像数量大；
  • 绝缘子、金具、导线、杆塔和通道缺陷类型复杂；
  • 红外图像、可见光图像和历史检修数据尚未完全融合；
  • 小样本缺陷和新型缺陷容易漏检；
  • 大量图像仍需要人工逐张复核。

2. 方案 A：边缘视觉模型 + 云端多模态大模型 + 工单 Agent

推荐度：高。

参考架构
无人机可见光/红外/视频
          ↓
图像质量校验与目标定位
          ↓
边缘轻量模型快速初筛
          ↓
云端多模态模型复核与缺陷解释
          ↓
关联 GIS、设备台账和历史缺陷
          ↓
风险分级与检修建议
          ↓
人工复核
          ↓
PMS/EAM 缺陷单和工单
Agent 分工
  • 边缘检测 Agent：快速识别绝缘子破损、异物、金具缺失等固定类别；
  • 多模态诊断 Agent：融合可见光、红外、历史图像和设备信息；
  • 通道风险 Agent：识别树障、施工、烟火、漂浮物和外破风险；
  • 运检 Agent：引用规程，生成缺陷等级、复核清单和检修建议；
  • 工单 Agent：生成缺陷单、派工单和复检任务。
接入数据
  • 无人机可见光和红外图像；
  • 机载视频；
  • GIS 和线路台账；
  • 杆塔、导线、绝缘子、金具资产编码；
  • 历史缺陷和检修记录；
  • 气象、雷电、覆冰和山火数据；
  • PMS/EAM 系统。
关键人工介入点
  • AI 输出必须保留原始图片和定位信息；
  • 高风险缺陷必须人工确认；
  • 低置信度结果转专家复核；
  • AI 不能直接决定停电、检修或线路退出运行；
  • 自动生成工单可以，但自动派发高风险作业不建议直接放行。

3. 方案 B：边缘小模型 + 规则引擎

推荐度：高，适合作为先导项目。

适用于缺陷类别相对稳定的场景：

  • 鸟巢；
  • 异物；
  • 绝缘子破损；
  • 防震锤缺失；
  • 金具松动或缺失；
  • 杆塔锈蚀；
  • 导线断股；
  • 通道树障。

其优势是部署简单、推理速度快、容易在无人机或边缘设备运行。缺点是：

  • 对新型缺陷泛化能力有限；
  • 对复杂原因解释能力弱；
  • 需要针对不同地区、机型和拍摄条件持续调参；
  • 容易受图像质量和环境变化影响。

4. 已检索案例

  • CPEM 报道，广西电网输电人工智能大模型已经与机巡管理平台和输电运行支持系统对接，平均缺陷识别率披露为 91.24%。[T1]
  • CPEM 报道，国网山东开发了杆塔异物、绝缘子破裂等 10 类常见缺陷模型，试点中设备缺陷识别准确率由 85% 提升至 92%。[T1]
  • 南方电网相关案例报道，广西输电大模型覆盖常规输电缺陷、通道隐患和红外缺陷等类别。[T1]
  • 以上指标主要来自行业媒体转引或企业案例，仍需核验评测集、缺陷类别、准确率定义和生产环境范围。

场景 2：无人机自主航迹、避障与自适应拍摄

1. 业务痛点

传统无人机巡检通常依赖飞手：

  • 飞手技能影响巡检质量；
  • 山区和复杂地形航线规划困难；
  • 强光、逆光、雾霾影响拍摄质量；
  • 杆塔目标定位和云台调整需要人工操作；
  • 大量图像回传造成通信和存储压力；
  • 异常区域往往需要重新规划补拍。

2. 推荐方案：边缘感知 + 航迹规划 + 云边协同

巡检任务与线路 GIS
        ↓
航线初始规划
        ↓
无人机实时环境感知
        ↓
自主避障与杆塔定位
        ↓
云台、焦距、曝光自适应
        ↓
边缘初筛和图像压缩
        ↓
云端复核与异常补拍建议
Agent 分工
  • 任务规划 Agent：根据线路、杆塔和历史缺陷生成航线；
  • 环境感知 Agent：识别障碍物、地形、天气和禁飞区；
  • 拍摄 Agent：自动调整云台、焦距、曝光和拍摄角度；
  • 异常任务 Agent：发现疑似缺陷后生成补拍任务；
  • 数据传输 Agent：根据带宽和任务优先级选择边缘处理或云端处理。
推荐的云边分工
任务推荐位置
避障、杆塔定位、环境感知无人机边缘侧
快速缺陷初筛无人机/机场边缘侧
大规模图像分析区域边缘中心或云端
跨年度趋势分析云端
复杂缺陷解释和检修建议中心大模型
飞行安全规则固化在飞控和规则引擎中
已检索案例

中国科学院自动化研究所报道，国网江苏电力与中科南京人工智能创新研究院开展了电网无人机 AI 自适应巡检：

  • 江苏 2022 年无人机累计巡检 45.2 万余基；
  • 建设固定机场全自主跨专业协同巡检示范区；
  • 支持自主航迹、主动避障和云台自适应调节；
  • 使用边缘端轻量化模型完成目标检测；
  • 使用图像压缩和传输优化降低数据回传压力。[T2]

报道还披露了巡检效率、压缩比、传输周期等指标，但这些指标应结合具体任务类型和统计口径进行复核。

场景 3：输电设备状态监测与预测性维护

1. 适用对象

  • 输电线路；
  • 导线和地线；
  • 绝缘子；
  • 线路避雷器；
  • 线路金具；
  • 交叉跨越设施；
  • 相关在线监测装置；
  • 重要输电通道。

2. 业务痛点

  • 设备状态数据分散在在线监测、PMS、GIS 和检修系统；
  • 设备健康度缺少统一评价；
  • 设备状态变化与天气、负荷、覆冰、雷击等因素耦合；
  • 定期检修可能导致过度维护或错过早期缺陷；
  • 大量异常仍需要专家手动分析。

3. 方案：时序异常检测 + 资产模型/数字孪生 + 维护 Agent

在线监测/红外/局放/气象/故障录波
              ↓
数据质量检查与资产编码统一
              ↓
设备健康度评估
              ↓
异常趋势与风险排序
              ↓
数字孪生/情景仿真
              ↓
检修窗口、人员和备件优化
              ↓
人工审批
              ↓
生成 PMS/EAM 工单
Agent 分工
  • 状态监测 Agent：识别趋势越限和状态异常；
  • 故障诊断 Agent：分析可能原因；
  • 风险评估 Agent：结合设备重要性、环境和历史缺陷进行风险排序；
  • 检修计划 Agent：生成检修窗口、人员和备件建议；
  • 复盘 Agent：比较预测与实际检修结果。
方案对比
方案优点局限
规则阈值可解释、易审计组合异常和早期劣化识别能力弱
时序 ML预测能力较强依赖长期高质量数据和故障标签
数字孪生支持仿真和情景推演建设复杂、成本较高
大模型 Agent擅长解释、编排和知识调用不适合单独承担数值预测和保护判断

Siemens Energy 公开介绍其输电资产服务包含实时状态监测、AI/ML 预测性维护、数字孪生、能流与故障响应优化以及网络安全能力，但该页面没有给出可独立核验的具体客户部署和量化结果，因此只能作为方案能力来源，不作为已部署案例。[T6]

场景 4：停电计划、故障处置与调度运行 Copilot

1. 业务痛点

输电停电计划和故障处置通常需要综合：

  • 当前电网拓扑；
  • 设备运行状态；
  • 历史停电案例；
  • 检修计划；
  • 安全约束；
  • 负荷转供能力；
  • 气象和灾害风险；
  • 现场人员与物资资源。

人工查找和交叉校核耗时较长，且容易遗漏相似历史事件中的风险。

2. 推荐方案：RAG + 拓扑/安全约束校验 + 工作流 Agent

读取实时拓扑和设备状态
        ↓
检索相似停电/故障案例
        ↓
生成停电计划或故障处置草案
        ↓
拓扑、安全规则和设备约束校验
        ↓
调度员人工确认
        ↓
进入现有调度系统执行
        ↓
过程监控、复盘与知识库更新
Agent 分工
  • 案例检索 Agent：查找同类型设备和相似拓扑下的历史事件；
  • 计划 Agent：生成停电计划草案；
  • 校验 Agent：检查设备冲突、拓扑风险和安全边界；
  • 处置 Agent：提供故障恢复步骤和风险提示；
  • 复盘 Agent：比较计划与实际执行差异。
风险控制
  • AI 只生成建议，不直接下发调度指令；
  • 必须调用权威拓扑和安全校核接口；
  • 调度员和相关专业人员进行人工确认；
  • 关键操作实行双人复核；
  • 保留模型输入、引用案例和最终修改记录；
  • 在通信中断或模型故障时自动退回现有调度流程。
已检索案例

报道显示，加州独立系统运营商 CAISO 启动了使用 AI 软件辅助计划和非计划输电停运管理的试点。该系统可以对比同类设备的历史停运记录，并标记报告中的不一致之处。[T7]

该案例目前应标记为 pilot，不能理解为 AI 已经全面自主管理电网停运。

场景 5：作业票审核、现场安全和违章识别

1. 典型应用

  • 工作票内容校验；
  • 现场勘察报告生成；
  • 安规问答；
  • 人员资质和作业范围校核；
  • 安全距离识别；
  • 安全帽、工装、围栏和防护用品识别；
  • 高风险作业行为识别；
  • 违章原因分析；
  • 整改建议和闭环追踪。

2. 推荐架构

工作票/现场勘察报告
        +
安规/标准/技术方案
        +
作业现场图像和视频
        ↓
文档理解 + 规则引擎 + 视觉识别
        ↓
风险分级与证据引用
        ↓
安全员审核
        ↓
整改、复核、归档
技术分工
  • RAG：回答安规和制度问题；
  • 规则引擎：校验工作票必填项、逻辑冲突和安全边界；
  • 视觉模型：识别现场客观状态；
  • 大模型 Agent：生成解释、整改建议和报告；
  • 人工安全员：拥有最终放行和否决权。
已检索案例

CPEM 报道，国网信通继远软件的电力安监知识增强大模型已提供：

  • 现场勘察报告辅助编制；
  • 工作票质量规范校验；
  • 违章行为智能分析；
  • 安规交互问答；
  • 安全生产风险预警等应用。[T1]

CPEM 称该模型已在国网安徽电力相关风控系统和违章查处模块中应用。由于本轮检索未获取完整的原始企业公告，部署范围和量化效果仍应进一步核验。

三、输电行业方案对比

方案主要能力适用场景数据要求风险
视觉小模型固定类别缺陷识别绝缘子、异物、金具、鸟巢中低—中
边缘 AI实时识别、避障、航迹辅助无人机巡检中高中
多模态大模型图像理解、缺陷解释、跨模态分析复杂缺陷、红外、历史案例高中高
RAG 运检助手规程、标准、缺陷案例问答运检知识和现场支持中低
时序预测模型状态评估和趋势预警在线监测、设备健康度高中
数字孪生 + 优化器停电计划、运行方式和检修推演调度与资产管理很高高
调度 Agent方案生成、案例检索、规则校验停电和故障处置高很高

四、建议的落地路线

阶段 1：知识助手和缺陷初筛

优先选择：

  • 输电规程问答；
  • 缺陷案例检索；
  • 工作票校验；
  • 无人机图像初筛；
  • 巡检报告生成；
  • 现场安全风险提示。

特点：

  • 不直接写入调度或生产系统；
  • 以只读数据为主；
  • 容易建立准确率、召回率和人工节省时间基线；
  • 适合快速形成示范项目。

阶段 2：机巡闭环和运检工单协同

建设内容：

  • 无人机图像自动分析；
  • 缺陷自动定位；
  • 缺陷等级建议；
  • PMS/EAM 工单草稿；
  • 复检任务自动生成；
  • 历史缺陷闭环学习。

此阶段的关键不只是模型准确率，还包括：

  • GIS 坐标是否准确；
  • 设备编码是否统一；
  • 缺陷是否能正确关联到资产；
  • 工单是否真正闭环；
  • 人工复核是否减少。

阶段 3：状态检修和调度辅助

建设内容：

  • 设备健康度；
  • 趋势预警；
  • 检修窗口优化；
  • 停电计划建议；
  • 故障恢复方案；
  • 多灾种风险联动。

该阶段必须具备：

  • 拓扑和资产数据统一；
  • 安全规则引擎；
  • 数字孪生或历史回放环境；
  • 模型漂移检测；
  • 人工审批与双重校核；
  • 应急降级流程。

五、输电行业关键治理要求

  1. 飞行安全优先于 AI 建议
    AI 不得覆盖禁飞区、天气限制、飞控和返航规则。

  2. 缺陷识别必须保留证据
    需要保存原始图像、裁剪区域、模型版本、置信度和人工复核结果。

  3. 不能用"准确率"替代"漏检风险"
    输电巡检应重点关注高风险缺陷召回率、漏检率和不同缺陷类别的表现。

  4. 调度建议不能自动执行
    AI 可以生成停电计划或故障处置草案，但不能绕过现有调度安全校核。

  5. 模型需要分区域、分设备、分季节评估
    山区、沿海、高原、覆冰区和城市跨越区的数据分布差异很大。

  6. 边缘部署要支持模型版本管理
    无人机、固定机场和边缘服务器上的模型需要统一更新、回滚和审计。

  7. 建立人工复核闭环
    人工确认结果应回流训练数据，但必须经过质量审核，避免将错误标注直接用于再训练。

  8. 做好 OT/IT 隔离和最小权限控制
    视觉识别系统、PMS、GIS、调度系统和生产控制系统应分层授权。

  9. 防范提示注入和恶意数据污染
    外部文档、巡检图片说明、工单备注不能覆盖安全规则和系统权限。

  10. 高风险操作必须双人确认
    包括停电、送电、接地、保护调整、无人机越界和重大缺陷处置。

六、主要证据来源

证据缺口

  • 部分国内案例来自行业媒体转引，未获取企业原始技术报告；
  • “准确率"与"识别率"统计口径不一致；
  • 缺陷识别结果与实际检修结果之间的关联数据较少；
  • 无人机自主巡检的实际自主飞行比例尚不明确；
  • 输电资产预测性维护的公开量化案例不足；
  • 调度类 AI 多处于试点或辅助阶段，尚无充分证据证明其可自主执行高风险调度操作。

© 2026 CAO ZUOHUA. All rights reserved.