阿里云电力 AI 调研（三）：输电侧——公开案例最稀缺的一环
本系列共八篇，逐环节拆解阿里云在电力行业「发、输、变、配、用」的 AI 与 Agent 落地现状。 全部结论标注信源等级：A 官方（阿里云/客户官网、官方技术博客）、B 权威媒体 / 行业白皮书 / 信通院、C 厂商 PR 稿或会议演讲、D 二手转载（仅作线索）。 本系列刻意区分「已投产」与「方案宣传」，并对厂商口径保留独立判断。
先说结论
输电侧是阿里云公开案例最少的一环。官网与「输」相关的只有三张卡片——无人机巡检、电力视频 AI 防控、电网一张图，全部没有客户名、没有准确率数字（A 级，方案宣传层级），与变电侧、用电侧卡片带客户名形成鲜明对比。
而阿里云在输电侧拿得出手的成果，无一例外落在非视觉方向：调度故障研判、气象大模型、算力与数据底座。在输电线路本体（杆塔、导线、绝缘子）的视觉识别上，阿里云既没有公开的自研行业模型，也没有公开的标杆客户——它拿到的是底座，不是眼睛。
输电侧的结构性变化
规模在膨胀：截至 2025 年 6 月全国已建特高压通道 42 条，西北电网外送能力 8671 万千瓦（B 级，证券时报）；国网 220kV 及以上适航区线路无人机自主巡检覆盖率已达 100%，年巡检杆塔超 1000 万基、年识别图像近 1 亿张（B 级，经济日报）。
容错在收缩：跨区通道加密放大送受端气候差异，覆冰、舞动、山火、外破的处置窗口均以分钟计。一年一亿张图，人工看不完；一次故障十余分钟，电网等不起。
场景一：无人机自主巡检
背景与痛点：人工巡检不可持续——国网山东李敏 2013 年起步时「每天只能巡视 3-5 基杆塔」，人工约 10 基/天（B 级）。
阿里云公开程度：仅有方案描述，无客户案例。官网「偏远山区及复杂线路实时巡检」卡片无客户无数字（A 级），社区有端边云协同的通用方案文章（C 级）；达摩院有可复用视觉能力，但未见官方以电力巡检产品交付（D 级）。技术路径（推测）：端-边-云协同加云侧复判，该范式描述来自国网与百度合作稿（B 级）。
案例与收益：阿里云主体未找到公开信源；收益只有行业整体口径（山东人工 10 基/天对无人机 0.5 小时，B 级）。局限：复杂地形航线规划未过关，国网湖南新宁直到 2026 年才出现自适应巡航试点（B 级）。
场景二：输电通道可视化
背景与痛点：通道内吊车、施工、异物、山火是外破跳闸主因。佛山供电局管辖约 4500 公里线路、16000 余基杆塔，自述监测照片「到达百万级，漏审核越来越多」（A 级）；误报是行业通病，广东电网披露输电在线视频隐患误报率下降 75%（B 级，南网官网）。
阿里云公开程度：同样仅有方案描述，无客户案例。「电力视频 AI 防控」是一张无客户无数字的卡片（A 级）；摄像头接入、边缘初筛、云端复判、告警闭环这条路径的公开描述来自百度与国网合作稿，涉及阿里云必须标注推测（B 级）。
案例与收益：阿里云主体未找到公开信源，无公开量化数据。行业对照：百度智能云与国家电网的设备专业智能体覆盖输变配，巡视效率提升超 50%（B 级）；广东电网自研 405 类算法、覆盖 65% 以上缺陷场景（B 级）。局限：长尾无解——吊车、风筝、气球、塑料薄膜形态各异，山火误报（云雾、炊烟）同属难点。南网披露累计识别火情 1.14 万处、核实处置 8244 条（B 级），约 28% 的告警未处置或属误报。
场景三：线路状态监测（覆冰 / 舞动 / 微气象）
背景与痛点：覆冰与舞动多发生在无人区，微气象局地性强，传统气象站网格太粗，落不到「某一档线」。
阿里云公开程度：切入点是气象大模型，不是传感器本体。达摩院「八观」时空精度 1 公里乘 1 小时（B 级，澎湃新闻），区域辐照度提升 40%、风速提升 27%、2 米温度提升 11.8%（B 级），2024 年落地国网山东调控中心（B 级）。覆冰舞动监测本体无公开案例，该领域以国网自建为主：新疆电力气象中心接入 2165 个自动站，部署 509 套微气象加 494 套覆冰监测装置（B 级）。
案例与收益：阿里云在监测本体上未找到公开信源；八观驱动下山东新能源功率预测 96.5%、负荷预测 98.1%（B 级）。局限：气象大模型只解决环境参量，不解决线路机械响应——从「风速 15m/s、覆冰 10mm」到「该档是否舞动」仍需机理模型，八观不是覆冰舞动专项模型，不宜外推。
场景四：故障定位与处置——阿里云在输电侧最硬的案例
这是本篇唯一同时有 A 级与 B 级信源、并有客户名与对比基线的案例。
背景与痛点：山东电网 2024 年 12 月风光装机突破 1 亿千瓦，全国首个过亿的省级电网（A 级）。传统故障处置需在多个平台间反复切换、调阅录波、检索参数与预案，「至少耗费十余分钟」（B 级，人民网）。
方案：全国产 GPU 算力集群加通义千问底座加百炼专属版加八观气象，术语识别准确率提升至 98%；以图模融合增强做操作票审核，以大小模型协同推演。生态是三方「铁三角」：国网山东定义场景、阿里云与达摩院攻坚算法、南瑞打通数据（A 级）。
案例【已投产】：2024 年 10 月 18 日夜，烟台北部海域一条沿海 220 千伏线路因海水拍打，1 小时内相继跳闸 5 次；传统方式需十余分钟，「调度智慧大脑」每次故障 1 分钟内均给出正确研判（A 级加 B 级，阿里云稿与人民网数字一致）。收益：研判压缩至 1 分钟内，术语识别 98%，三端信息获取准确率超 95%，2024 年迎峰度夏 7 次极端天气负荷预测平均 95.72%（A 级）。
局限：「1 分钟」是单侧口径，人民网与阿里云稿共用同一素材，不构成独立交叉验证；「均正确」未公开样本量与判定标准；该案例本质属调度侧，归入输电需标明。
一处信源矛盾，并列陈述：底座有两种表述——阿里云政企稿与人民网（2025-04）称「基于通义千问大模型底座、百炼专属版平台等建设」（A 级加 B 级）；中国电力网（2025-08）称其「基于光明电力大模型开发」（B 级）。两者不必然矛盾：更可能是光明大模型发布后山东将成熟场景与之融合（人民网原文亦含此意），或光明大模型底座本身由阿里提供。本篇不取一侧。
场景五：线路数字孪生
「数字孪生体」一词在本次调研的全部信源中只出现一处：阿里云政企稿写山东「调度智慧大脑」构建起覆盖 400 伏至 1000 千伏、涵盖发输变配用的「数字孪生体」（A 级）。同一素材的人民网报道中没有这四个字，只有「接入十余个电网核心业务系统，整合数百张数据表、超百亿条运行数据」（B 级）。
语义必须先分清：「数字孪生」在电力行业至少混用三种含义——三维几何孪生（点云或 BIM）、数据与模型融合体（数据中台加知识图谱）、仿真推演体。阿里云山东案例属第二种；国网省公司大量案例属第一种，如国网四川阿坝用无人机点云扫描标记弧垂偏差，效率提升 75%（B 级）。并称「数字孪生」，会让人误以为阿里云做过三维建模。
阿里云真正的公开资产是数据底座：飞天企业版加南瑞数据中台，与国网共建的「一云多 Region」平台累计支撑 1000 余套业务系统上云（A 级）。三维几何孪生（激光点云）未见阿里云参与。
场景六：防灾气象（算力底座）
南方电网 2018 年以阿里云专有云搭建智能电力调度云，2021 年 8 月上线国内电力行业首个调度云超算平台，算力 825 万亿次/秒，台风 7 天、9 公里预测耗时由 8 小时压缩至 1.7 小时（A 级客户案例页加 B 级中国新闻网）。边界同样清楚：阿里云提供超算底座，气象模型与防灾业务仍是南网自己的（南网基于「大瓦特」覆盖台风、覆冰等 7 类防灾场景，B 级）。局限：算力加速不等于预报能力。
三个被张冠李戴的案例
以下三个案例传播度很高、都能在阿里云相关渠道检索到，但技术主体都不是阿里云。
一、佛山供电局外破隐患识别，实为百度智能云 EasyDL。 该案例的场景数据（4500 公里线路、16000 余基杆塔）被完整发布在阿里云开发者社区，但文中明确写「基于百度智能云，利用百度 EasyDL」（A 级渠道，内容为竞品方案）。渠道归属不等于技术归属。
二、老挝 EDL-T 智能巡检大模型，实为南方电网。 传为「识别 15 类缺陷、运维效率提升 50% 以上」（B 级），但技术提供方是广西电网加南网人工智能科技公司，被定义为「南网首个向东盟输出的 AI 创新成果」。与阿里云无关。
三、广西输电 CV 大模型，实为南方电网「大瓦特」。 该模型归属南网人工智能科技公司，基于昇腾加 MindSpore 训练，是「大瓦特」自研体系的组成部分（B 级）。
共同点值得记住：三者在阿里云相关转载渠道中都出现过，技术主体却都不是阿里云。只追踪渠道而不追踪技术主体，会系统性高估某一家厂商。
行业真实格局：阿里拿到的是底座，不是眼睛
国网：自研加指定算力伙伴。 光明电力大模型由阿里提供基础大模型与百炼专属版技术支持（A 级加 B 级，央广网），但输电 CV 算法由中国电科院自研：输电 CV 开源版仅 0.45B，识别 27 类缺陷（B 级，国家电网报）；第三方集中测试 45 类重点缺陷发现率 88.06%、误检比 2.13（B 级，科技日报）。
南网：全栈自研，算力选昇腾。 「大瓦特」CV 基于昇腾加 MindSpore，缺陷识别效率 5 倍（B 级）。算力一层的选择本身即说明数据敏感性——巡检图像含大量电网拓扑与地理信息。
华为云：输电视觉公开案例最「硬」。 盘古 CV 与深圳供电局合作，现场巡视由 20 天压缩到 2 小时（效率 80 倍），成本降低 30% 以上（B 级，华为官方案例页）——有客户名、有对比基线。
百度智能云：拿到了「眼睛」的一张门票。 一见多模态视觉平台与国家电网设备专业智能体，巡视效率提升超 50%（B 级，中国网）。
现在把阿里云放回这张图。国网的光明大模型底座用阿里，设备视觉智能体用百度，输电 CV 算法自研（中国电科院）；南网算法自研（大瓦特），算力自研（昇腾）。「国家队不押注单一供应商」不是谁被淘汰，而是一种刻意的采购结构：底座可以外购，涉及设备资产与地理信息的「眼睛」必须握在自己手里。
由此阿里云的生态位很清楚：平台、算力、调度决策、气象——四个高毛利、高门槛、少竞争的卡位。这既是理性的差异化，也是主动的退让；但把「阿里云没做」直接读成「阿里云做不了」，同样是误读。
需要泼冷水的部分
一、长尾会稀释准确率。 南网「大瓦特」输电 CV 的公开数据是一条清晰的下降曲线：2024-06 识别 30 类缺陷平均准确率 91.24%；2025 年识别 35 类降至 85%；2025-09 识别 46 类，报告为超过 80%（均 B 级，南网官网与人民日报）。类别从 30 扩到 46，准确率从 91% 掉到 80%——识别能力每往前一步，平均准确率就被长尾拖回来一截。
二、误报是行业级灾难。 国网设备部给 2025 年定的目标是重点缺陷算法识别率 90% 以上、误检比 2 以下（C 级，建议核实原文后再引用）。「误检比 2」意味着每 1 个真缺陷最多容忍 2 个假警报——这是标杆机型的目标值，不是达标值；光明 CV 实测误检比 2.13，尚未达标（B 级）。巡线员的信任是有限资源，一旦告警被反复证明是「狼来了」，整套 AI 就会被绕过。
三、缺陷样本稀缺不可绕。 南网一线专家黄文琦：「如果有几十亿数量的缺陷图片，我相信深度神经网络能够靠纯数据驱动的方法准确识别。但是缺陷样本往往是稀缺的。」（B 级，南网官网）广西电网口径：截至 2023 年底输电领域缺陷隐患超 100 类，其中 30% 的样本极少，传统小模型平均识别准确率低于 80%（B 级）。
四、复杂地形航线规划仍未过关。 国网设备部把仿线飞行、巡检航线实时规划列为仍处技术攻关阶段的能力（C 级）；国网湖南新宁直到 2026 年才有自适应巡航试点（B 级）。输电巡检的瓶颈正在从「算法」转向「工程与航线」。
五、准确率与误报率同源，不可交叉验证。 同为「无人机缺陷识别准确率」，公开口径至少有六个（大尺寸 90% 与小尺寸 70%、国网全网 85% 以上、山东特高压 95% 以上、光明 CV 88.06%、设备部目标 87% 与 90%，C 级到 B 级不等），分属尺寸、范围、目标值与实测值等口径，不可直接比较；更麻烦的是多数准确率与误报率出自同一信源。根源见《电子与信息学报》综述：公开数据集少、样本严重不平衡、算法多针对特定场景定制（B 级）。
小结
- 输电侧是阿里云五环节中公开信息最少的一环，且稀缺本身是结论。 官网无输电专用客户案例，最佳实践栏只挂国家电网、中海油两个 logo（A 级）。
- 阿里云在输电侧的真实成果全部落在非视觉方向：调度故障研判、八观气象大模型、算力与数据底座。它拿到的是底座，不是眼睛。
- 输电本体视觉识别由国网（光明 CV 0.45B 自研）、南网（大瓦特）、华为（盘古，深圳 20 天到 2 小时）、百度（一见）占据。
- 三个高传播度案例全部张冠李戴：佛山外破识别归百度 EasyDL，老挝 EDL-T 与广西输电 CV 归南网。
一句话概括：在输电侧，阿里云不是一个视觉算法供应商，而是一个电网智能化的底座供应商。理解这个区分，比争论它「强不强」有用得多。
本系列其余篇目