打卡智能中国（二）：他在电线杆下，却没有电用_风闻
脑极体-脑极体官方账号-从技术协同到产业革命，从智能密钥到已知尽头02-07 20:14
云南省迪庆藏族自治州，深林密布，环境优美。吸引游客的秘境，却是电力人员的险境。
因为地形复杂，很多输电线路都在山脊、密林之中，线路上连4G信号都没有，一些自动化巡检手段根本用不了，只能依靠人工巡检。所以，迪庆供电局的电路巡检员，日常工作是这样的：
长时间奔走在山路上。拿该州金格线来说，全长只有39千米，但人工巡检双回路88 基铁塔，往返一次就需要7天时间。
人工巡检时需要随时警惕周围的情况。每一次穿山越林，巡检员被蛇虫干扰、猛兽侵袭都时有发生。
很难有闲暇休息时间。因为电路线路的隐患多且不确定，比如出现火灾，大型挖掘机碰到了高压电网等，等人工巡检发现故障的时候，可能隐患已经发生了很长时间，所以电路巡检员的工作强度很大，这才能最大程度地保障电网的稳定运行。
工作过程十分艰苦。遇到隐患需要排除，工人们需要在高空作业，吃饭时是不能从线上下来的，要把饭吊上去，在大山谷里伴着高处呼呼的风声，吃着工作餐。晚上，巡检人员经常要露宿在巡检沿线。大多数情况，他们就睡在电线杆下，但却无电可用，连手机都要小心翼翼地打开。
工人们负重前行，还是无法彻底杜绝意外的发生。
2021年初，该州金格线220千伏高压线路曾因单相接地导致山火。火势经供电局联合林草局紧急处置，但当地2至3天才恢复正常供电。
心酸于他们风餐露宿的艰苦，敬佩于他们保电保供的奉献，同时也真的特别盼望，智能化能早日在那些隐秘的角落中落地生根，推动改变。
我们就从电力AI这颗“洋葱”开始，去看看智能技术在走入产业时，到底发生了什么？
一个切口
康德说过，人是目的，而不是手段。AI的本质与目的，当然也要服务于人，所以每一个行业中的人，应该是我们理解智能化的第一个切口。
一线电力人的日常，很适合用《洋葱》中的一句歌词来形容，“沉默的守护你，沉默的等奇迹，沉默的让自己像是空气”。
电力系统安全稳定运行，背后是无数电力工人，在无声地付出。
可以看到，无论是日常的管理运维，还是突发情况的应急处理，AI的到来会给巡检员乃至电力系统，带来实打实的价值。
提起AI，媒体更倾向于关注一二线城市、科技巨头、大型峰会和展会等领域的消息，而真正与电力行业及工作者交流之后，会发现传统的行业与沉默的人，也希望与AI发生一段专属的剧情。他们对AI技术和智能化的热情，并不比知名投资人、高校师生或大厂CTO更低，提出的很多问题和对电力AI的看法，也格外真实而生动。
一个截面
目前，AI技术如图像识别、自然语言处理、知识图谱等，在电网公司各个领域都进行了一些试点的应用。其中，电路巡检的应用成效是最为显著的。
AI巡检在电力行业的成功和广泛复制，是有基本逻辑的。关乎一个行业智能化的首要问题——应用场景的选择。
一个行业，智能化需求是无穷无尽的，可被改造的场景和环节也很多。拿电力行业来说，从从发电、输电、配电、售电、用电的所有环节，都可以引入AI技术，为什么巡检会成为AI落地电力企业的头号选择？
而这一场景的特点在于：从一线人员中来。
据中国电科院的一位专家分享，目前为止，中国电网企业在使用AI的时候，才基本采用的是“从自己向上”的模式，就是具体执行环节的员工，根据自己日常工作的需要，提出需求，然后算法工程师、模型开发师基于这个场景去策划、设计模型，开发完成之后，去把相关的模型应用到实际的业务场景中。
而AI巡检，就是从很苦很累的巡检员出发，形成了一个行业AI应用的完美闭环。
人工巡检难，这个通用性的痛点，催生了广泛存在于电力行业的AI巡检需求。
前文中提到的云南迪庆，就在山火发生后，下决心优先尝试为无4G信号、穿越林区和雪山的输电线路进行智能化升级，将“行路难”的金格线作为试验田，解决基层员工巡检难的问题。
迪庆供电局经过前期考察，最后选择通过自组网微波+电网自有通信通道相结合的方式，改变了该输电线路没有通信覆盖的局面。有了通信网络和数据传输，大量数字化、自动化技术就可以被应用起来了。金格线落地了端到端电力巡检解决方案，就把端（智能摄像头）、边（边缘计算与存储）、应用（AI算法），融为一体。
端侧采集的实时视频回传之后，通过主站侧AI 分析+摄像头端侧AI 分析，就能实现远程智能巡维，只需要2小时就能完成原本需要7天的巡检任务，大大减少了人工巡线的次数，AI实时告警也有效减少了外力破坏导致的非计划停电，让当地居民和企业的用电更加稳定。
变电环节。亚联发展推出的变电站智能运检解决方案，对变电站设备状态、人员行为、区域安全等进行智能化监控，将传统的人工监测变成机器自动识别，也对电网稳定运行十分重要。国家电网也变电站引入了智能机器人，机器人每天沿着固定的线路去巡一遍，一些缺陷都能自动识别，也能够减轻人员的巡检负担。
输电环节。实践中，可能存在前端算法精度过低、端侧算力不足、模型识别速度低、实时性不足、监控空白期长等问题，这些都会让AI巡检的效果打折扣。我们看到，有ISV企业与百度、华为这样的平台型公司合作，不断对算法模型进行训练优化，推出更高准确率、更高报警速度、更高计算效率的模型，将AI巡检报警的速度也从小时级提升到了秒级。
一位工作人员向我们透露，某日下午5点35分，山东淄博的郊区就发生过一次火情，上方刚好就是国家电网的220千伏的高压，飞桨加持的输电线路可视化监控第一时间发现并且报警了，从而避免了一场灾难的发生。
可以看到，相比“自上而下”的研发模式，AI巡检“从基层向上”的模式，从基层员工开始，针对一线人员的具体痛点问题提出应用需求，电力企业内部科研单位进行相关模型开发，完成之后再由产业单位进行部署实施，在具体模型运行过程当中再收集新的样本，重新优化模型。
曾有一个智能化项目的负责人跟我们吐槽，AI行业参与者对应用场景并不陌生，但行业用户CRO们、数据科学家在申请预算投资AI的时候，又会觉得无从入手。到底哪些应用场景是真正成功的实践，真正能够给业务部门带来价值，ROI真的合理，很难找到充足的实践案例。
一个个AI巡检案例/解决方案的不断成型，或许可以看到，行业AI往往趋于保守和谨慎，产业智能化的开端，可能会从基层人员的痛点开始，比如危重工作或高风险的作业环境，需求强烈，价值确定，更适合作为AI落地的第一站。
一个导游
电力AI的蛋糕很大，AI巡检只是其中的一个切角，AI要向更广阔、丰富的产业腹地前行，是必然趋势。
那么问题来了，优质数据从哪里来，行业知识怎么积累，专属模型谁来研发，谁又有能力研发？这就涉及到行业AI从单点走向全线、从案例走向普及的一个关键——重点企业的示范效应。
大型企业和头部企业的数据多，人才优势明显，基础设施相对完善，数字化水平较高，拥有更好的技术创新土壤，非常适合作为AI应用的中转站。
电力行业中，将AI从巡检、运检等场景推广到全链路的，大多是位于北上广等地的头部电力企业，比如国家电网、上海电厂、南方电网。
1.规划者。他们为整个行业的智能化建立路线图。比如国家电网从2018年开始就开展电力人工智能顶层设计，开展总部人工智能平台的开发，到2020年基本完成总部级平台开发并开始省级平台建设，总部的成熟模型可以快速的下发到省级和边端侧，形成全过程的完整链条。
2.优化者。如前所说，AI算法在实际落地中会遇到很多约束，面对复杂的户外光亮环境、用电忙闲时分配、缺陷及事故数据不足等问题，逐一针对性地综合解决，才能真正提升输电通道巡检的准确度，头部企业是AI应用迭代、效果优化的重要力量。
3.赋能者。头部企业的数字化水平高，更容易训练出行业大模型，为其他中小型企业降低智能化门槛。比如飞桨与国家电网共同打造了知识增强的能源行业NLP大模型，就将电力业务积累的样本数据和特有知识，交给AI进行训练，从而提升传统电力专用模型的精度。行业大模型开源之后，能够降低个性化算法的研发门槛，让更多服务商、开发者以此为基础，运用AI来针对性地解决电力行业的问题。
一段旅程
在这些重点头部电力企业的探索下，可以看到，AI在电力行业的应用正在变得更多、更深，展现出电力智能化的整体面貌。
具体表现在几个方面：
1.智能客服。电力企业要服务广大居民和各行各业，咨询服务量非常庞大，而传统坐席客服越来越难以满足日常客服的需求。很多人用过国网95598，就会发现自动对话机器人在回答问题，而这个智能客服系统，就采用了大量AI技术，包括NLP、语音识别、电力领域知识图谱。
2.智能调度。把电送到千家万户，要有一套稳定的控制系统，调度很多输变电设备，这是电网运行的一个关键环节。一些省级电力公司，用AI帮助调度员来干这件事。智能调度会根据调规、知识、规程，自动给出决策建议，出现一些故障抢修的情况，就能够迅速的提供抢修的路径规划，减轻故障处理的时间。
3.节能减排。双碳目标是国家的整体趋势，新型电力系统建设又是促进双碳目标实现的关键因素，太阳能、风电等分布式电源接入电网，已经有了时间表。这会形成一个直流、交流、混合的大电网，而风机、光伏的稳定性，远没有煤电技术那么高，一旦风没有了、光没有了，如何防止突发性能源短缺，对电网系统运行的影响？这些问题都需要依靠AI等数字化技术去解决。
4.运营管理。电厂进入精细化运营，需要智能技术参与到降本增效中去。外面买进来的水电、风电或其他新能源，能不能完全消纳，需要强大的分析能力，来保障供需平衡。
此外，用电端的负荷调节、电气化水平的提高和用电需求的增加也让用电负荷越来越大。保障居民用电体验就需要精细化的调度，比如同样是电动汽车充电，上海比北京的电动汽车保有量多，据某上海电厂统计，每一周要在上海装4000个充电桩。电网运行就需要对负荷的资源数据匹配，通过24小时实时分析，对整个电网的负荷做最优的控制，将负荷变化对用电体验的影响最小化，这是人力所无法做到的。
可以看到，AI正在成为电力行业的真正“大脑”，从简单的识别、预警，走向预测、决策。
这段旅程，可以提炼出一个行业智能化的几步走方法论：
第一步，单点探索。这些行业的企业往往都有很多年的沉淀，有些是核心资产，有些是历史包袱，反正都很难为了引入AI，就一下子将原本的设施推倒重来。所以，智能化一般都从一些特定行业、危重岗位等，进行浅层的、灵活的单点探索，比如电路巡检，来快速验证AI的可行性。没有第一步，不可能跨出第二步。
第二步，广泛试点。头部企业为代表，推动AI在各样业务场景里面进行技术探索，在电网的调度、运检、营销、基建、安检、财务、办公等领域，都开展大量的试点应用，迭代优化、去伪存真。这个过程中，容易出现“按下葫芦起来瓢”的情况。即一些算法模型在技术上很成熟，但实际应用中根据现实环境、光线条件、网络情况等，各种各样的规则和阈值叠加，导致效果不太理想，A地的解决方案未必能解决B地的问题，这就需要定制化的深度开发，锤炼出更加务实、个性化的解决方案。
第三步，深入融合。随着AI应用场景越来越丰富，形成了一些通用场景和模型组件，构建高质量的行业样本集和模型库，带动更多行业企业参与进来，促进电网AI生态的繁荣。如果行业AI开发平台能够提供丰富的资源支持，包括包括软硬件兼容、模型基础、端到端能力、开发工具、社区等，会大大加速这一进程。
我听说过一个故事，某一天美国纽约证券交易所断了电，无法正常运转，为了恢复电力供应，电力工人计划沿着曼哈顿下城的街道，铺设巨型的延长电线。纽约联邦储备银行时任行长威廉·麦克唐纳冷酷地评论道：“它看起来有点像第三世界的解决方案。”
这确实是某种现实，人拉肩扛的工作模式，很长时间都是中国一线电力工人的日常。
AI尽快先去到这些地方，将工人从可能流血流泪的危重岗位上，解脱出来。更先进的行业解决方案，为什么不能率先发生在这片大地上呢？