杨立红 杨永艳 徐雯靓 冯青峰

国网信通股份公司 北京中电普华信息技术有限公司 北京 102208

引言

电力人工智能中台是电力行企业级的人工智能平台，为电力企业应用提供全面的算力资源、计算引擎、模型构建、样本标注等支撑能力，为电力企业应用的智能化和数字化转型奠定基础。随着5G、大数据、物联网等新技术的发展和电力人工智能的深化建设，电力行业各个业务领域将全面开展人工智能应用，传统应用向智能化应用的转变，需要结合AI业务需求将人工智能算力、算法等AI技术和应用场景、业务系统及业务数据等进行深度的融合和流程贯通，当前人智能技术虽已在智慧医疗、智慧城市等多个领域应用，但在电力领域架构设计、应用方法等方面缺乏体系化的研究和实践指导，本文对AI技术进行了深入的研究，为电力人工智能应用提供了从训练、预测、模型和样本管理体系化的技术框架；同时，通过电力多个应用场景的项目实践，总结了一套人工智能应用从数据预处理、样本标注、模型开发训练、生产应用到使用评估等AI应用完整闭环的实践方法，希望能为企业级人工智能架构设计和AI应用及实践提供参考。

1 设计原则

1.1 异构算力适配和模型兼容性原则

充分考虑行业TensorFlow、PyTorch、Caffe等AI技术框架和X86、ARM等各类算力，实现人工智能平台对异构算力的统一管理和调度能力，对异构模型进行标准适配和统一纳管。

1.2 技术先行与实用原则

采用标准、先进、成熟、开放、实用的技术，重点围绕提升电网安全运行、现场作业、客户体验、基层减负等方面，通过人工智能技术解决业务部门和基层单位关切的问题，发挥实用价值。

1.3 安全建设和应用共享原则

充分利用现有安全技术和安全标准，加强平台、算法、数据、模型等的安全体系建设和样本脱敏、数据隐私等安全应用能力建设，实现人工智能模型、样本、AI资源的共建共享和按需使用[1]。

2 电力人工智能体系设计

电力人工智能技术体系包括基础平台、人工智能平台、模型库（通用模型+专业模型）、样本库、应用场景、人工智能服务门户。通过构建电力人工智能中台，为各类业务应用提供算力、模型、样本等软硬件支撑，打造运营生态，充分发挥资源共享价值，助力应用快速、敏捷建设。

2.1 人工智能平台

人工智能平台包括训练环境、推理或运行环境等，是集人工智能模型开发训练、模型部署运行等全栈式技术支撑平台，提供一站式的开发及应用工具，实现算力、样本、模型等能力的共享使用。

（1）人工智能应用训练环境。训练环境具备人工智能数据预处理、算法开发及模型训练等功能。通过采集业务数据构建数据集，模型经过开发训练后纳入模型仓库进行统一管理，实现模型的可视化构建、测试验证及全过程监控，保证模型生产过程的可控和应用质量。

（2）人工智能应用运行环境。运行环境具备模型部署、压缩转换、边缘推理、在线推理及批量推理等模型全生命周期管理功能，模型通过模型仓库或系统导入等方式进行发布， 经运行环境推理后反馈结果至应用层，形成业务应用的全场景运行支撑。

2.2 人工智能服务门户

统一门户为用户提供典型应用场景、体验专区、模型库、样本库等统一操作界面入口，为输变配、智能调度、智能客服等电力人工智能应用提供人机交互，形成模型开发训练、场景使用、样本标注、测试验证、使用分析于一体的用户使用体验，降低人工智能应用使用门槛、简化业务复杂性[2]。

2.3 统一模型库

模型库是对人工智能模型进行存储、适配、纳管和统一管理的组件，依托模型资源服务目录实现模型的逻辑或物理归集管理，提供模型的镜像管理、模型查阅、模型上传与下载、模型发布等功能，通过建立模型运营机制和服务生态，满足模型在各场景的应用需求，为各层单位和业务部门提供模型运营、多级共享、按需使用等服务能力。

2.4 统一样本库

样本库是存储和管理各种样本数据并用于人工智能模型训练的组件，依托样本资源服务目录实现样本的逻辑或物理归集，提供样本数据的预处理、存储、上传、下载、共享、样本标注等功能，将处理完成的样本数据反馈给模型进行训练，进一步提升模型精度和模型识别的准确率，同时，通过建立样本运营机制和服务生态，为各层单位和业务部门提供样本运营、多级共享、按需使用等服务能力。

2.5 人工智能算法

结合应用场景的实际需求利用人工智能训练平台，结合人工智能TensorFlow、PyTorch、Caあ e等AI计算引擎，构建机器学习、深度学习等Ai算法，为业务应用提供通用算法以及电力领域专业应用算法，通过不断丰富样本，对算法使用效果进行评估，不断迭代优化算法。

2.6 应用场景

根据电力人工智能业务需求，开展深入应用的分析和研究，结合人工智能技术体系实现应用场景的业务流程、应用算法、后台逻辑、操作界面等场景的智能化能力实现，依托人工技术体系管理和支撑应用场景实现，并提供业务系统开放的服务能力。面向电力行业，可围绕电网运检、调度、客服、安全管控等方向开展电力业务系的应用场景建设。

3 人工智能技术应用方法

3.1 应用方法概述

本文所述电力人工智能技术体系需要结合一套闭环的应用方法开展电力应用，通过接入各类业务系统数据经数据处理后存放至统一样本库，抽取业务样本数据进行标注，基于人工智能训练环境进行特征分析、模型构建、测试验证及模型应用评估等环节，依据模型评估结果再进行模型优化和训练，从而形成应用的完整闭环，其中模型运行在应用运行环境进行[3]。

3.2 应用方法详述

（1）数据处理。数据处理包括数据的采集、预处理及数据存储，通过各渠道采集的样本数据经过处理，筛选出符合要求的数据后存储到统一样本库内进行统一管理。

（2）样本标注。对训练环境对采集到的样本数据进行分类、标框、区域、描点等标注，支持物体、音频、文本等多种数据的快速标注、在线标注、团队标注和对未标注数据的预标注及主动学习等标注能力。

（3）特征分析。特征分析在人工智能训练环境进行，使用相关性分析、N元语法进行特征选择，实现数据特征可视化，支持图像等多维度数据特征分析。

（4）模型构建。平台支持Python等多种建模语言及GPU、CPU多种资源类型和规格灵活选择，支持拖拽式、可视化和机器学习自动化建模等建模方式，降低AI开发门槛。

（5）模型训练。电力人工智能应用训练环境单个作业可支持GPU大节点规模训练，基于训练资源池化、容器化和“开箱即用”的原则，支持向导配置式、一键式训练和训练过程的可视化，简化人工智能复杂的训练工作。

（6）模型评估。本平台提供训练过程的详情信息查看和资源使用监控，通过建立模型评估指标体系，实现模型训练过程的评估和模型使用过程的效果评估，以支撑模型质量的改进和好坏评估。

4 人工智能技术应用实践

本文人脸识别、文字识别、自然语言处理、语音识别、机器人服务、知识图谱、训练环境、运行环境等技术体系设计和应用方法，已经形成了国家电网公司人工智能相关建设成果和开放的服务接口(API)能力，并基于服务能力在电力输变配、运行检修、电网调度、客户服务、安全管控、智能审计等多个应用场景开展了应用实践，取得了非常好的应用效果[4]。

5 结束语

本文针对电力人工智能技术体系、人工智能技术应用方法进行深入的研究和实践总结，提出了基于电力人工智能应用场景需求、算力、算法、数据等进行电力人工智能企业中台的体系设计思路，希望进一步深化电力人工智能业务系统的智能化建设和多场景落地应用。本文所述体系以企业云端软硬件资源为载体，采用“云边端协同”的计算技术框架，以不断推进企业人工智能应用生态的发展、算力的持续提升以及应用实用化。