阿里云电力 AI 调研（四）：变电侧——归属比能力更值得讨论
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。
结构性变化
新能源并网带来潮流双向化与电压波动，特高压换流站把设备复杂度推上新量级，设备总量增长而运维人力不增长——三股压力同时落在变电环节。阿里云 2021 年把变电侧痛点归为三条：任务繁重、设备繁多、智能升级（C，厂商口径）。
但本篇要回答的不是「阿里云能做什么」，而是「那些已有好看数字的变电案例，到底有多少是阿里云做的」。
场景一：变电站智能巡检
痛点。 国网系统内机器人、无人机 AI 的研发制造主体是国网智能科技股份有限公司（B）。机器人有三大故障：自动回充失败、定位丢失、巡检图片偏移，后果是无法完整执行巡检任务——本质即机器人领域的「绑架」难题（B）。
方案。 2022-09-06，国网智能与阿里云签署发展合作协议，首轮聚焦轮式巡检机器人，技术来源为阿里达摩院自动驾驶定位导航（B）。达摩院公开六项能力，其中「地图任意位置定位初始化成功率 98%」最受关注（B），但口径统一为「有望大幅提升」，属方案宣传，无第三方测试数据。另一条线是达摩院自研的小蛮驴电力巡检机器人（C）。
落地。 轮式机器人截至 2022 年仍在测试场景测试，未见规模投产报道。小蛮驴已投产于国网浙江省电力有限公司嘉兴供电公司（2022）与国网嘉善县供电公司西塘供电所（2022-11）。
局限。 签约不等于投产：2022 年声明的效果指标全部用「有望」，2023—2025 年无规模化投产的公开量化信源。此外高电磁环境下激光雷达产生噪点、IMU 漂移，「自主巡检」需铺设大量二维码与反光贴，本质退化为「循迹小车」（D）。
场景二：设备缺陷识别
痛点与方案。 站内需定期检查裂缝、渗漏、锈蚀、烧蚀、螺丝松动，并对表计读数、红外测温、局放、油色谱做周期感知（A/C）。难点是单模态模型无法同时「看图、读字、理解上下文」。阿里云公开两条线：2021 年披露的变电缺陷识别算法族（刀闸状态 13 种、分合储能开关、外观本体缺陷），已复制至 39 个变电站；以及 5G + MEC 边缘云方案下的鹰眼轮巡、智能读表、缺陷识别、热成像四项能力（A/C）。但缺陷识别网络结构、训练数据规模、类别总数均未找到公开信源。
案例一：国网江苏云端 AI 变电智巡。 江苏电力信息技术有限公司承担核心算法研发，国网江苏省电力有限公司统一部署，100 余座变电站完成标准化配置。技术为「光明电力大模型 + N 个专业小模型」异构融合，借鉴 DeepSeek 的 MoE 思路动态调配权重，小模型分攻套管渗漏油、外绝缘裂纹、引线断股等缺陷。数据策略是仅对约 10% 关键点位精细标注，其余用正样本算法后置验证。收益：缺陷检出率 +36%、误报率 -49%、人工标注工作量 -90%、误报优化周期 1 个月 → 5 天（A，国网江苏官网）。
案例二：国网山东广固换流站换流变健康智能评估。 对象为国网山东省电力公司超高压公司 ±800kV 广固换流站 24 台换流变。以往需联合专家团队到场、至少一周；系统自动读取 8 类 154 个量测点，评估时长 7 天 → 分钟级，具备 13 项常见「疾病」诊断能力、学习 2000+ 故障案例（B）。
局限。 13 项「常见病」之外的罕见与复合缺陷如何处理未找到公开信源，这是覆盖率的隐性上限。
场景三：倒闸操作与防误
痛点。 变电倒闸操作票涉及软压板、设备双重名称、操作术语，票面规范性直接关乎电网安全。一张票人工逐条核对至少 1 小时，复杂操作还需层层审核；传统防误只能识别「带地线合闸」这类基础错误（B）。
调度侧（阿里云直接主导）。 山东「电网调度智慧大脑」底座为通义千问 + 百炼专属版 + 达摩院八观气象大模型，核心技术是图（知识图谱）模（大语言模型）融合增强，定位为专家级「虚拟安全员」；合作是「铁三角」——国网山东定义场景、阿里云与达摩院攻算法、南瑞打通数据（A/C）。专业术语识别准确率提升至 98%，并采用「大小模型协同」推演思维链。收益为 2024 年春检 3000 余条操作指令准确无误（D/B）。
变电侧（阿里为底座之一）。 国网重庆市电力公司永川供电公司构建标准投退卡库 + 操作意图识别模型 + 纠错逻辑模型，以浏览器插件嵌入业务系统，单票审核 1 小时 → 分钟级，效率提升 90%，入库标准投退卡 2255 条（B）。国网冀北电力建 AI 成票、智能校验、巡护辅助、知识问答四大模块，并为应对大模型幻觉建立「逻辑校验、五防校验、术语校验、历史票校验」四重验证机制（B/C）。
局限。 防误的「正确性」无法被完全证明，AI 只能减少已知错误模式；冀北必须建四重校验，正说明纯模型输出不可直接用于生产。调度侧与变电侧目前仍是两条独立路线。
场景四：设备状态评价与状态检修
阿里云官网列有「设备预测性维护」与「电力设备 PLM」两项，但各仅一句描述，无客户案例、无量化指标，属方案宣传（A）。真正投产的是光明电力大模型驱动的设备健康评估：国网山东的设备状态评估智能体自动读取 8 类 154 个量测点，将温度、振动、红外图像等 8 个维度归为文本、图像、时序 3 类，用多模态融合建模（B）。平台底座方面，阿里云官方渠道披露国网山东「基于阿里云飞天企业版……构建亿级以上参数量的行业视觉和文本预训练大模型」（A）——这是设备视觉侧归属最清晰的 A 级证据。
局限。 状态评价关系停送电决策，而大模型推理是概率性的；国网强调模型「自我优化推理路径」，这在需要审计追踪的生产场景中构成合规难点（B）。更关键的是感知装置自身会故障——国网新疆已对其做量化健康评估，准确率 95% 以上（D），说明「评价模型的输入本身可能不可信」，而阿里云未见公开方案。
场景五：站内视频 AI 防控
这是阿里云归属最弱的子场景。 官网对该能力的全部描述只有一句「电力视频AI防控——统一视频监控平台做 AI 视频分析」，无客户、无架构、无指标（A）；间接相关的只有 AR 智能安全帽方案里的电子围栏越界告警与轨迹合规判断（A/C）。行业内已投产的站内视频防控案例均属国网、南网自建或第三方，如国网湖北省电力有限公司信息通信公司覆盖 1672 个变电站、7140 个摄像头，并自研机位智能纠偏（B）。结论先行：未找到阿里云直接实施站内视频 AI 防控的公开客户案例与量化指标——湖北专门做机位纠偏，反证机位偏移普遍且严重。
场景六：集控站与少人值守
集控站本身并非阿里云产品，阿里云的角色是底座：国网 2019 年起建「国网云」由阿里云提供技术支撑，2020 年起共建飞天企业版「一云多 Region」能力（A/C）。顺带澄清：「国网云智」2025 年 6 月上线，其「检修方案编写效率提升 40%」针对的是国网云这个云平台自身的运维，不是变电设备检修。对照之下，南方电网云南电网有限责任公司首批 621 座变电站 AI 巡检后，全套巡视由 5 小时降到不到 5 分钟（B）。
局限。 「18 人管 54 站」这类数字是组织重构 + 自动化 + 少量 AI 的合成效应，不能归因于 AI（D）；国网庆阳的一键顺控明确采用「后台智能识别 + 人工视频确认」逐项双确认（B）。省侧集中部署还把全省百余座变电站收敛到单一算法链路，模型一旦退化，影响面从「一个站」扩大到「全省」（推测）。
先解决归属问题
一、光明电力大模型是国网主导、阿里与百度共同支持。 2024-12-19 发布启动仪式上，国网董事长张智刚、国家能源局副局长任京东、中电联常务理事长杨昆，以及阿里巴巴集团 CEO 吴泳铭与百度创始人李彦宏同台完成；阿里提供「从基础大模型到 AI 开发平台百炼专属版」的全栈支持，同日国网与阿里签署战略合作框架协议（B）。省级落地也是并行——宁夏电力明确采用「阿里百炼、百度千帆」并行路线（B/D）。生态同样如此：国网牵头的新型电力系统国家新一代人工智能开放创新平台联合华为、百度、阿里、腾讯，国网亦明确与多家民企「共同组织实施百余个合作项目」（A/B）。
二、因此山东、重庆、冀北、江苏的多数变电案例只是「阿里为底座之一」。 广固换流变评估、永川操作票纠错、冀北变电运维辅助决策、江苏 100+ 座变电站云端智巡，算法与工程实现均由国网各省公司及其产业单位完成（江苏由江苏电力信息技术有限公司承担核心算法）。直接写成「阿里云方案」属于事实性错误，准确表述最多是「阿里云作为光明电力大模型的技术支持方之一参与」。真正由阿里云直接主导的只有四条：山东调度智慧大脑（调度侧）、国网智能轮式机器人导航（达摩院，停在测试阶段）、国网云与飞天企业版底座、嘉兴与嘉善的小蛮驴。
三、两个高频混淆点。 其一是「调度操作票」不等于「变电倒闸操作票」——山东「虚拟安全员」审的是调度侧票，变电侧倒闸操作票审核走永川、冀北这条光明大模型路线。其二是「国网云智是云平台运维大模型，不是变电设备检修大模型」——它的 40% 提效针对国网云运维，引用为「变电设备检修提效 40%」就是场景错配。
一句话：变电侧不存在「阿里云独占国网」的格局。阿里云强在云平台底座与调度侧大模型，弱在变电视觉与巡检机器人。
需要泼冷水的部分
一、以 81% 为锚点。 阿里云 2021 年自曝的三项变电视觉识别率是：分合储能开关 99%、刀闸状态（13 种）93%、外观本体缺陷仅 81%（C）。三档放在一起才有意义：状态量型识别（形态标准化）成熟度远高于开放式缺陷识别（渗漏、锈蚀、裂纹，形态随机）。只取 99% 会严重高估。
二、行业级反例。 《电子与信息学报》综述对整个行业的缺陷检测平台给出系统性批判：智能巡检系统标准化不足、智能化程度差、误报率高，各厂家平台良莠不齐；平台与电网业务相对孤立；数据冗余、效率低、巡检范围有限（B）。根因三条：有效数据匮乏（缺陷样本少且不均衡、影响泛化）、模型泛化差且迭代慢（多针对特定设备开发，误差数据难再利用）、评价标准缺失（B）。
三、机器人运维负担与感知退化。 「维护跟不上就吃灰」与「自主巡检退化为循迹小车」多源一致；现有机器人多依赖预设阈值与模板匹配，对「外观缺陷 + 温度异常」并发的复合故障、绝缘老化等隐性缺陷识别弱（D）。
四、竞品对照。 国网重庆永川的无人机电力巡检项目中，华为盘古宣称「一个模型适配上百种缺陷」、替代原有 20 多个小模型、支持零样本缺陷检测、开发成本降低 90%（C）。阿里云在小样本/零样本上没有对应公开表述，这是其变电视觉最直接的竞争弱点。注意 18.4% 是相对自身基线的提升幅度、90% 指开发成本，不可与绝对准确率直接比较。
五、四个关键空白。
| 空白项 | 状态 |
|---|---|
| 国网智能 × 阿里云轮式机器人 | 2023—2025 年无任何规模化投产证据 |
| 阿里云站内视频 AI 防控 | 无一个具体客户案例 |
| 变电设备寿命预测（RUL） | 无模型、无案例、无数据 |
| 变电检修决策（策略生成、计划优化） | 无落地案例 |
后两项尤其要紧：它们正是「从 AI 减负走向 AI 决策」的门槛。
信源里的数字矛盾
小蛮驴覆盖率：95% 还是 100%。 新华网（B，2022-11）为巡视点位覆盖 95%，阿里云发布内容经 DoNews 转载（C，2021 云栖）为例行点位 100%。判断：100% 大概率是发布期的理想口径且限定「例行点位」，95% 更接近实际运行；同项目识别精度另有「90% 以上」（B）与「95% 以上」（C，现场口述）两说，未做定义区分，不宜取高值。
山东负荷预测：95.72% 到 99.62%。 同一项目不同时间窗口差异显著：2024 迎峰度夏 7 次极端天气平均 95.72%，中秋国庆 99%，两次重大转折天气 99.13%，2025-06-18 连续高温 99.62%。差距主要来自是否被极端天气样本拉低；只取 99.62% 会严重高估困难场景下的能力，而困难场景恰是调度最需要的。
小结
归属上，阿里云在变电侧主要是「底座供应商之一」，不是方案所有者；山东广固、重庆永川、冀北、江苏这些最漂亮的案例，都只能表述为「技术支持方之一参与」。
能力上，变电视觉的真实锚点是 81% 而非 99%；行业级的误报、样本、标准问题至今未解。
短板上，机器人、站内视频防控、寿命预测与检修决策几条线基本空白——这恰是变电侧最核心的几件事。
最后一处提醒：最能说明阿里云真实技术深度的变电相关案例其实是山东调度智慧大脑，但它属于调度侧。这个「最强案例不在本环节」的错位，本身就值得记住。
本系列其余篇目