近年來，人工智能(AI)與圖學技術在電力行業得到廣泛應用。隨著 AI 的高速發展，圖學領域取得階躍性突破，各行業涌現出更智能化的業務需求，大模型技術(簡稱 “大模型”)應運而生。將大模型與圖學技術和電力行業相結合，逐漸成為業內學者廣泛關注的研究熱點。

　　首先，大模型技術能提供龐大且清晰的知識體系。通過海量電力知識作為模型訓練數據，不斷優化大模型參數，使其具備電力行業通用知識，可在電力輸電、調度、營銷等業務領域提供智能支撐，在電力系統運行中快速識別缺陷、定位故障，輔助人員決策處置，為電網運行提供智能決策引擎。同時，相較于小模型，大模型具有更深刻的語義理解能力，能快速識別用戶意圖，推薦相關政策知識及處理意見，高效解決客戶問題，提升客戶服務質量。

　　其次，大模型技術擁有更高效的學習能力，對解決電力系統多源異構數據難處理、知識庫難以實時更新等問題具有深遠意義。大模型憑借龐大的模型參數，可表征電力行業基本且龐雜的業務知識，再借助提示詞工程(Prompt engineering)、微調(Fine-tuning)與檢索增強生成(retrieval augmented generation, RAG)等技術，能實現對電力行業具體業務流程的知識理解與分析，并不斷擴充新知識。與小模型需不斷訓練更新不同，大模型只需利用檢索增強技術結合向量知識庫的內容，就能理解新業務需求。因此，大模型技術可更高效地學習電力行業眾多子領域的新知識，賦能電力行業各業務場景，形成新質生產力。

　　未來，大模型將實現跨模態數據分析、大小模型協同應用，解決電力行業痛點。電力行業調度、輸電、營銷等業務領域均涉及不同模態的知識，目前小模型雖能在特定格式下自動分析數據并適當給出判斷結果，但無法實現對圖像、音頻、視頻、文檔、表格等多模態的綜合數據分析。多模態大模型作為打破數據格式壁壘的重要技術，將不斷探索各類數據間的關系，在數據處理過程中顯著提高模型的可解釋性、預測精準性等指標。

　　1 大模型技術由來與發展

　　1.1 大模型發展

　　21 世紀初，深度學習開始崛起，尤其在圖像識別和語音識別領域的突破，標志著深度學習時代的到來。2010 年以后，隨著 Google 的詞嵌入向量(Word2Vec)模型、微軟的深層結構語義模型(deep structured semantic model, DSSM)等模型的出現，人們開始嘗試更大規模的神經網絡模型。隨后，多種深度學習模型被廣泛應用于圖像識別、自然語言處理(natural language processing, NLP)、圖計算等 AI 任務，為大模型技術奠定了基礎。

　　2017 年，Google 公司發布 Transformer 模型架構，NLP 領域發展迎來新里程。Transformer 采用多頭注意力機制，允許模型在編碼或解碼的同時考慮輸入序列的所有部分，優化了循環神經網絡對序列順序處理的缺陷。

　　Transformer 架構以注意力機制為核心算子構建模型，有效解決了模型訓練易過擬合等問題，但并未改變深度學習模型在數據、參數規模上的局限。模型需手動標注大量數據，且針對不同場景需經過專門訓練才能獲得較強性能。因此，大模型逐漸成為研究學者關注的焦點。大模型的參數量從小模型的幾百萬增長至數百億乃至數千億，這對增強模型泛化性具有重要意義。同時，在數據稀疏場景中，也可借助大模型的通用能力，通過少量標注數據微調模型權重，得到專業模型，大幅降低數據標注的任務需求。

　　1.2 大模型應用場景與關鍵技術

　　1.2.1 大模型應用場景

　　目前，多數行業的垂直領域都針對大模型應用開展了不同程度的研究。

　　在醫學領域，SONG 等使用圖像編碼器處理圖像，輸入到語義大模型(large language models, LLMs)中處理并輸出診斷結果;LEE 等借鑒視覺量化生成對抗網絡和 Transformer 在雙向圖像和文本生成中的應用，改進了大模型在胸部 X 線圖像理解和生成中多模態處理能力的問題。

　　在交通領域，ZHANG 等結合 LLMs 技術能力與交通專業知識，利用交通領域大模型協助人類進行交通控制決策;DING 等構建多視角視頻 - 問答對數據集，提出鳥瞰圖注入的多模態大模型，高效獲取具有指令意識的鳥瞰圖特征，提升了大模型在自動駕駛領域的各項表現性能。

　　在金融領域，WU 等提出布隆伯格語義大模型，該模型不僅在金融領域展現專業性，在通用 NLP 任務中也表現出色;LIANG 等提出訓練多模態變換器模型來自動預測人類反饋的方法，通過豐富的人類反饋改進文生圖像的質量，其在金融市場情景模擬等方面蘊含巨大潛力。

　　在法律領域，CUI 等研究了基于混合專家大語言模型的多代理協作法律助手 Chatlaw，通過集成知識圖譜和模擬真實律師事務所工作流程的標準操作程序，提高 AI 法律服務的可靠性和準確性。

　　綜上所述，語義大模型、圖像(視頻)和文本多模態大模型、雙向圖像和文本生成等人工智能生成內容(artificial intelligence generated content, AIGC)模型已在多個行業探索應用，實現了復雜文本、圖像分析及文本、圖像、視頻等數據形式的跨模態處理與內容生成，相關技術路線為大模型技術在電力行業的應用提供了經驗借鑒。

　　1.2.2 大模型關鍵技術

　　預訓練模型的微調技術：2018 年，Google 公司推出人工智能預訓練模型 BERT(bidirectional encoder representations from transformers)，為 AI 學者提供了遷移學習新思路，即采用 “預訓練 - 微調” 策略滿足具體應用需求。目前該方法被普遍應用于 NLP、計算機視覺等多個領域，衍生出 GPT、ViT(vision Transformer)等眾多大模型。根據微調技術原理及不同微調需求，微調方法又分為適配器微調、前綴微調、LoRA(low-rank adaptation)等。

　　檢索增強生成技術：盡管大模型訓練數據集龐大，但仍存在幻覺、時效性不佳及數據安全問題，制約其在電力行業嚴肅場景的應用。針對這些問題，LEWIS 等提出 RAG 架構，其主體包含兩部分：以預訓練模型為生成器的參數記憶，以及以各類文檔作為檢索器的非參數記憶部分。非參數記憶的查詢編碼器將問題向量化，文檔索引可通過另一個編碼器將文檔向量化并構建文檔向量索引。系統將接收的問題編碼成向量，在向量數據庫中找到最相關的文檔塊，將檢索到的文檔塊與原始問題共同作為提示輸入到 LLMs 中，生成精準答案。目前，最新的 RAG 技術結合知識圖譜，形成新一代圖檢索增強技術(graph-based retrieval augmented generation, GraphRAG)，即通過將數據集中的實體和關系生成圖結構化數據，利用社區檢測算法推理密切相關的實體組，構建分層知識圖譜。這些社區摘要有助于模型在回答問題時提供更深層次的理解和更準確的答案。

　　提示詞工程：由于傳統監督學習方法受數據稀缺性限制，難以充分發揮模型潛力，提示詞工程應運而生。其核心目標是在少量或無標注數據的新任務場景下，有效利用預訓練語言模型的強大能力。將原始輸入通過預設模板修改成具有引導性的文本提示，利用預訓練語言模型計算填空概率得到預測結果。通過定義新的提示函數，語義大模型可基于極少甚至無標注數據進行少樣本學習或零樣本學習，以適應新場景。

　　以上三類方法在大模型研究與應用中發揮不同作用，對額外數據標注量級及模型適配性也有不同特點。提示詞工程對外部知識、模型適配度等方面的依賴較小，但不能輔助指導大模型生成新知識;微調技術適用于對外部知識需求量不高，但對模型適配度要求很高的場景;RAG 技術則適用于大量外部知識需求，但對模型適配度要求不高的場景。

　　2 人工智能技術在電力行業多領域的應用現狀

　　2.1 AI 技術在電力調度故障處置中的應用

　　隨著特高壓交直流混聯電網的發展及運行方式的變化，電網調控業務愈發復雜，對人工調控的需求增加，同時也對自動化和智能化提出更高要求。目前，電力調度控制中心作為決策核心，仍依賴人工經驗進行數據處理、方案模型關聯等工作，導致大量重復性勞動且效率較低。因此，AI 技術在電網調度故障處置領域的應用已成為近年來研究熱點。

　　2020 年，喬驥等提出一種面向電網故障處理輔助決策的知識圖譜框架。該框架將非結構化的調度規程轉化為結構化知識網絡，設計了基礎數據層、圖譜構建層等 5 層架構，通過關鍵技術實現故障信息解析、智能輔助決策及多維度人機交互。同年，余建明等提出面向智能調控的知識圖譜構建方法，以支持運行規則電子化、故障處置等應用，并構建了線路故障處置知識圖譜。2021 年，郭榕等以電網調度故障處置預案文本為研究對象，提出電網故障處置知識圖譜構建方法，針對電網故障處置預案文本的特性，構建電網故障處置知識圖譜，有助于提升電網應急處理能力與調度智能化水平。2021 年后，眾多學者也在研究利用知識圖譜優化電力系統主網、配網故障處置的方法，知識圖譜技術的應用在一定程度上提升了電網故障處置的效率與準確性。

　　為提高電網調度運行管理系統的智能化水平，2023 年，苑菲等利用知識圖譜技術進行多模態數據融合、信息流關聯推理、電網腦態勢解析和智能體輔助決策。2024 年，田波等針對電網故障響應能力提升的需求，提出一種基于多任務協同理解模型和故障處置知識圖譜的框架，采用 BERT-CRF(bidirectional encoder representations from transformers-conditional random fields)模型進行信息編碼和意圖、槽位識別，結合故障處置知識圖譜，實現對電網故障信息的快速理解和輔助決策生成。

　　上述案例研究驗證了包括大模型在內的 AI 技術在電網調度故障處置中的有效性。AI 模型在面對調控方式主要依賴人工經驗分析、存在大量重復性勞動以及工作效率較低等問題上，已實現自動化決策支持、故障診斷與輔助決策、自動化調度執行等工作，為電網調控故障處置工作提供了技術支撐與革新。

　　2.2 AI 技術在輸電無人機巡檢中的應用

　　電力行業輸電領域傳統巡檢方式主要依賴人工排查設備缺陷，不僅工作量大、效率低，還易發生缺陷漏判、誤判等問題，導致設備缺陷排查不及時、缺陷問題難以有效追溯，嚴重制約電力企業輸電運維的質效提升。

　　為減輕人工排查缺陷的繁雜任務，提高輸電無人機巡檢工作效率，改變傳統巡檢人工看圖方式，縮短巡檢與消缺響應周期，大量學者已基于深度學習、圖像識別等先進技術，開展無人機巡檢圖像壓縮、缺陷目標智能識別、智慧巡檢平臺構建等關鍵技術的應用研究。

　　2.2.1 輸電無人機圖像壓縮傳輸

　　針對無人機圖像數據傳輸效率低的問題，2021 年，ZHANG 等提出一種邊緣側到云側圖像傳輸的多尺度特征壓縮(multi-scale feature compression, MSFC)技術，在圖處理過程引入單流特征編碼器與末端特征重構機制。

　　2023 年，張云飛等提出一種改進的 MSFC 特征融合壓縮模型，引入殘差變換算法去除特征相關性，末端預測采用與前者對稱設計的逐層預測方式實現圖像重建。隨著圖像端到端壓縮技術的研究深入，輸電無人機設備缺陷檢測前端數據傳輸難的情況逐步改善。

　　2.2.2 輸電巡檢電力線路目標檢測

　　針對桿塔各類數據量不平衡導致模型性能欠佳的問題，2019 年，郭敬東等對小類別桿塔圖像進行樣本擴充，并提出一種基于 YOLO 算法的低時延電力設施檢測模型。2022 年，仲林林等提出一種基于改進生成對抗網絡的異常檢測方法。

　　深度學習技術在電力線桿塔缺陷識別的研究應用，為輸電無人機智能巡檢積累了寶貴經驗，基于 AI 的設備缺陷檢測研究逐漸向更為精細的識別場景和大小目標同步檢測的方向拓展。

　　2020 年，SIDDIQUI 和 PARK 基于深度學習的架空電力線智能檢測系統，利用無人機圖像數據驗證該檢測系統在高度雜亂的環境下仍具有較高的泛化能力。為準確識別懸掛于電力設備上的異物，2021 年，ZU 等利用外部異物目標檢測模型，通過對設備異物數據集進行數據增廣，使該模型訓練后能夠較準確地識別多類異常目標。

　　圍繞識別算法優化及提高模型多目標檢測能力，業內展開大量研究。2022 年，羅瀟等基于 YOLOv3 的目標檢測算法，引入了多尺度特征金字塔融匯 ResNet18 主架。2023 年，閻光偉等提出一種基于改進 Cascade RCNN 的設備缺陷識別模型。同年，為進一步提高輸電線路缺陷檢測效果，注意力機制被引入設備缺陷識別領域。

　　目前，主流檢測算法對常見缺陷類型的檢測已基本達到應檢盡檢的目的，部分優質模型已在實際巡檢場景完成部署應用，取得較好的巡檢效果。但在識別樣本稀缺的缺陷類型和小型部件細微缺陷的任務中，專用模型召回率和總體性能表現仍有待提高。經過微調的輸電巡檢視覺大模型與專用模型進行對比驗證，前者在百張級圖像小樣本缺陷類型訓練和缺陷識別方面已初步展現出性能優勢，驗證了其應用于輸電無人機巡檢領域的可行性。

　　2.2.3 輸電無人機智慧巡檢平臺

　　隨著輸電無人機巡檢業務在圖像壓縮傳輸、缺陷智能識別等領域的技術突破，無人機智慧巡檢平臺的研究與建設應運而生。目前在輸電無人機巡檢方向，行業內研究團隊先后攻克缺陷識別模型實用化水平低、輕量化部署難及云邊模型協同弱等難題，有力推動無人機巡檢智能化升級。

　　輸電領域基于 AI 技術構建了無人機巡檢缺陷智能識別體系，包括集成缺陷識別模型的邊端工作站部署;基于機器視覺、模式識別等技術的圖像智能處理設備應用;無人機飛行班組輸電巡檢 AI 輔助拍照;無人機巡檢圖像實時高速壓縮傳輸與圖像增強恢復;設備巡檢圖像 AI 檢測，現場生成分析報告，及時發現輸電線線路、桿塔的問題缺陷。

　　綜上所述，AI 技術已逐漸賦能輸電無人機巡檢各個工作環節，實現輸電專業巡檢工作從人工巡檢到智能巡檢的數字化轉型，顯著提高缺陷檢測效率，縮減消缺周期。這些研究驗證了包括視覺大模型在內的 AI 技術在輸電無人機巡檢中的可行性，經過微調的輸電巡檢視覺大模型在驗證階段的缺陷識別任務中表現良好。隨著大模型技術迅猛發展，未來在輸電領域將進一步對樣本稀缺的缺陷類型檢測、大小模型融合協同、多模態數據處理與業務輔助決策生成等方向展開研究。

　　2.3 AI 技術在電力營銷客戶服務中的應用

　　隨著數字化和通訊技術在電力營銷領域的發展以及電力客戶辦電行為偏好的轉變，面向電力客戶的供電服務體系逐漸豐富完善。電力客戶服務從以營業廳、供電所為主體的傳統服務模式，轉向供電服務熱線、線上電子渠道、線下服務網點、客戶現場、社區等多渠道綜合運營的新型供電服務模式。

　　多元化的供電服務體系為客戶個性化辦電提供便利的同時，給電力企業服務質量管理帶來了巨大挑戰。例如，供電服務熱線事件判別人工成本高且準確率不佳，營業廳音視頻監管存在盲區、難以實時識別服務質量問題，客戶業務辦理依賴人工、智能化水平較低等。為解決以上問題，相關學者和電力企業在利用 AI 技術提升供電服務質效方面展開大量研究。

　　2.3.1 供電服務熱線智能客服

　　隨著電力企業服務熱線語音通話接待量的快速增長，有限的人工客服難以高效接納海量話務信息，因此，研究可自動理解電力客戶語音內容并且為話務員準確識別、快速學習關鍵訴求的機器學習模型具有重要意義。

　　在 AI 語音識別模型研究進程中，需解決語音文本分類精度不佳、訓練與測試數據分布不匹配、模型性能依賴數據預處理等問題。2017 年，SUN 等提出一種無監督深度域適應方法以解決語音識別中的魯棒性問題。該方法在多任務學習框架下，通過一個深度神經網絡聯合學習標簽預測器和域分類器，以消除數據分布的差異。

　　在語音識別領域，漢語語音變體豐富且方言眾多，相較于英語語音其韻律特征復雜、同類詞描述方式多樣，從而更具識別難度。針對語音特征恰當的選擇和分類方法優化，2017 年，ZHU 等提取 5 種最常用的漢語語音特征，提出了結合深度信念網絡模型(deep belief network, DBN)和 SVM(support vector machine)的新分類方法，其中 DBN 用于提取深度語音特征，SVM 則對特征進行訓練。

　　針對電力客戶服務中心人工篩選重大服務事件效率低下和存在主觀偏差等問題，2018 年，朱龍珠等提出一種話務連線問題工單自動化識別方法，并利用多個深度學習模型對經預處理的通話語音轉寫文本進行對比分析，以提高問題工單識別準確率和處理效率。2023 年，程超等提出一種基于深度學習的多任務集成模型。該模型可處理電力客戶通話意圖理解中的意圖檢測和語義槽填充 2 個分支運算，以提高客戶通話意圖辨識精準度。

　　以上圍繞電力客戶服務熱線識別感知的研究和其他服務行業開展的大模型技術應用，為大模型技術賦能服務熱線語音全自動識別與個性化交互提供了可行性驗證。需要注意的是，為實現跨語種、適配多種方言的語音通話精準識別，兼顧多輪對話、關鍵需求理解、用戶特征辨識、人機智慧協同的個性化語音交互，有關技術領域仍需進一步展開研究。

　　2.3.2 線上渠道智能客服助手

　　隨著智能問答技術的發展，電力企業線上客服系統使用聊天機器人實現電力用戶的訴求識別與業務咨詢、故障報修答復等功能，提高了客服答復效率和人工客戶接待能力。然而，因早期系統難以兼顧用戶個性、上下文語境以及電力用戶故障描述口語化，引出了機器人答復語言風格生硬、無法處理用戶訴求中的歧義、脫離情境的答復精準度不佳、故障類型識別準確率低等問題。

　　針對客戶訴求目標導向個性化對話，2018 年，LUO 等提出一種新型 Transformer Transducer 模型，并設計了一種混合帶寬訓練方法。2020 年，王豪等提出一種個性化對話內容生成方法，利用 Transformer 編解碼結構構建通用對話和個性化對話模型，通過編碼歷史對話內容和個性化特征信息，實現符合用戶個性化表征的多輪對話內容生成。

　　為提高客戶電力故障描述識別準確率，2021 年，俞學豪等基于 BR–GBDT(binary relevance-gradient boosting decision tree)集成學習的多標簽文本分類方法，提出了多標簽訓練集自動化構建方法，為電力行業 NLP 和多模態大模型預訓練及微調提供了數據預處理的新思路。

　　綜上，包括大模型在內的 AI 技術已在電力營銷線上客服智能化方向展開研究與應用，滿足了電力用戶對線上智能客服的基本咨詢需求。隨著研究日趨深入，在跨模態智能客服交互、電力營銷知識服務、客戶訴求工單 AI 生成等方向將迎來進一步的技術突破。

　　2.3.3 營業廳智能化服務管控

　　供電營業廳作為電網企業重要的服務渠道，其運營水平和服務質量直接影響著用戶辦電服務體驗。傳統的營業廳服務質量管理和安全風險辨識依賴人工，存在實時監控難、管理盲區多等弊端。近年來，物體檢測、人臉跟蹤和行為識別等機器學習技術，逐漸在營業廳視頻監督領域開展研究與應用。

　　在營業廳服務質量智能化管理方面，2021 年，XIE 等設計了一種基于用戶行為跟蹤的營業廳客戶服務質量控制平臺，通過深度排序多目標跟蹤和 3D 卷積神經網絡技術實現多人行為識別，根據行為分析服務質量并反饋給服務質量管控人員。人臉識別技術的研究不僅在營業廳運營管理中發揮作用，在客戶業務辦理提效中依然彰顯價值。基于面部信息精準識別匹配的刷臉辦技術，為傳統辦電業務模式帶來變革。2022 年，榮龍等采用 FABE(face detection based on adaboost eye detection)人臉檢測算法和融合多種人臉識別技術構建了一種新型電力營業廳供電服務系統，旨在提高用電客戶識別的效率和準確性，為用戶提供更優質的服務。

　　為提升供電營業廳服務人員業務辦理效率，增強數字化服務手段，相關學者圍繞營業廳智能終端服務技術展開研究。其中，電力營業廳智能服務機器人的應用提高了客戶服務的接待效率，但其未能個性化分析用戶情緒和偏好，生硬的答復在一定程度上影響了用戶辦電體驗。2020 年，王楚等基于 BP(back propagation)神經網絡模型，研究了營業廳智能服務機器人的個性化情感分析技術，并將其應用于智能電力客服領域。

　　在研究邊緣智能服務設備方面，為構建更小、更高效的視覺模型，以適配邊緣算力資源和設計要求，2017 年，FU 等提出一種名為 MobileNets 的卷積神經網絡模型，用于嵌入式設備視覺應用。2022 年，張明等針對邊緣設備算力低、不能承載大參數人臉檢測模型的問題，提出一種便于輕量化部署的人臉檢測方法。該方法引入卷積注意力模塊，將距離交并比與非極大值抑制結合，以解決端側小模型識別精度問題。2024 年，劉冀辰等設計了一種供電營業廳柜臺服務智能化終端，通過對營業廳柜員和電力客戶的特征識別，根據客戶到柜臺的距離變化，自動展示相應界面信息，代替柜員手動翻轉柜臺標識牌，提升電力客戶辦電服務體驗。同年起，電網企業開始研究推進營銷客戶服務領域大模型技術規模化應用，在測試階段驗證了大模型技術在營銷業務知識庫和智能問答服務中應用的可行性。

　　綜上，包括大模型在內的 AI 技術正以前所未有的速度滲透到電力行業多個專業領域的業務場景。隨著大模型在電力調度、輸電巡檢、營銷服務等電力行業垂直領域的深入研究以及企業算力資源持續豐富，推進高階智能云系統、智慧邊緣設備和電力企業人員三方深度協同將成為可能，以大模型技術為代表的新質生產力正逐步重塑電力行業的面貌。

　　3 大模型技術在電力行業應用存在的問題與挑戰

　　在電力行業各業務領域中應用大模型技術存在一些現實問題和技術挑戰，具體包括：

　　數據安全與用戶隱私保護：在電力行業中，電網數據包含大量敏感信息，如用戶基本信息、用電習慣、地理位置等。大模型的應用需要處理這些數據，因此必須實施數據脫敏和制定嚴格的安全策略，以避免數據泄露和保護用戶隱私。

　　預測準確性與模型幻覺：電網調度等應用場景對預測模型的準確性有著極高的要求，以確保電網的穩定運行和電力供應的可靠性。同時，大模型在處理復雜的電網數據時可能會產生幻覺，即模型生成看似合理但實際上不準確的預測結果。這種現象與電網調度對高準確度的需求形成矛盾。

　　數據質量與模型泛化能力：電力系統中存在大量的異構數據和噪聲數據，數據清洗和預處理成為一項復雜而艱巨的任務。大模型的性能高度依賴于數據質量，因此需要有效的數據管理和質量控制策略。大模型需要具備強大的泛化能力，以適應電網運行中的各種不確定性和變化。這要求模型在訓練時能夠捕捉到數據的內在規律，并能夠在新的數據上進行準確預測。

　　計算資源與模型部署效率：大模型的訓練和推理通常需要大量的計算資源，這可能會導致高昂的成本和能源消耗問題。在電力行業中，需要平衡模型性能與能源效率，以實現可持續發展。大模型需要在電網控制系統中快速部署和更新，以響應實時變化的電網狀態。這要求模型部署流程簡潔、高效，以減少停機時間和維護成本。

　　應對這些問題與挑戰的關鍵在于綜合考慮電力行業自身特點、現階段大模型技術成熟度，合理規劃電力領域大模型應用技術路線。規范行業數據采集與處理流程，制定嚴格的數據安全策略和保護措施。同時，要加強跨領域合作和協同創新，推動大模型技術在電力行業各領域的應用賦能。

　　4 大模型技術在電力行業多領域應用的未來展望

　　4.1 技術發展趨勢

　　在電力行業領域，AI 技術的應用趨勢正朝向跨模態、通用性、專業適應性、輕量化等方向發展，具體如下：

　　跨模態分析電網運行狀態：目前，NLP、計算機視覺等 AI 技術已在一定程度上解決了電網調控運行、營銷用戶質量管理等問題，但在進一步分析業務邏輯時仍缺乏主動學習能力，因此多模態的融合應用將成為 AI 技術在電力行業更深層的應用，實現其通用性、自主性、智慧性提升。

　　多場景知識庫智能化構建：目前電力行業多場景知識庫較多依賴人工標注、命名實體識別模型抽取知識等方式進行知識圖譜等數據庫構建，為了更好地分析、抽取電力行業知識，大模型技術需發展為智能梳理業務領域知識、智能化構建各場景知識庫，為 AI 技術分析電力行業問題提供專業性、可解釋性的領域知識。

　　智能解答的實時優化：電力行業運行數據作為大數據的典型代表，無法通過實時訓練的方式優化大模型，而大模型存在著知識截斷的弊端，即無法通過自身訓練數據分析不斷更新的知識，需結合 GraphRAG 等技術通過 AI 生成的知識圖譜來增強 AI 驅動的問答系統。根據私有數據集自動創建知識圖譜，從而改善問答過程。

　　大小模型協同應用與輕量化部署：電力行業的 AI 模型已針對多個細分領域提供了智能化解決方案，但仍存在模型開發周期長、協同性差、資源有效利用率低等問題，將大模型的通用能力與小模型的專業能力協同，并考慮采用多智能體等方案，以實現能力與資源的合理應用，以高效、精準的模型能力解決具體的電力場景問題。

　　這些技術發展趨勢將使 AI 技術在電力行業各業務領域發揮更為重要的作用。隨著技術的不斷進步，大模型有望打通各模態數據壁壘，實現電力業務實時感知、高效判斷、精準生成的應用效果。

　　4.2 大模型技術在電力行業的應用分析

　　大模型技術的崛起為電力行業智能化帶來了新的發展機會和問題挑戰，該技術在電力行業相關業務場景的研究與應用需要綜合考慮以下幾個方面：

　　把握行業特點開展閉源大模型研發：電力行業涉及到國家發展戰略與能源安全，肩負保障社會穩定、經濟發展和人民生活的重任，對安全性要求極高，確保行業數據的安全性和電力系統的穩定性是開展大模型技術應用研究的首要前提。電力行業的業務流程涵蓋多個生產與服務環節，涉及的行業人員、電力設備和管理系統眾多，擁有大量的結構化和非結構化數據，且伴隨著海量數據涌現和相關政策變化，行業復雜性及業務功能需求的可靠性對大模型技術提出更高的適配要求。因此，在應用大模型技術之前，需要首先進行電力行業閉源大模型研發，做好數據隱私保護和數據清洗、歸集等研究工作。

　　追蹤大模型技術成熟度提升過程：目前，大模型技術在一些領域已取得重大突破，但總體仍處于不斷發展和完善的階段。在 NLP 方面，國內外開源大模型能夠進行準確的文本生成、問答和翻譯等任務。然而，在面對復雜的電力行業業務場景時，還需要進一步提高電力行業大模型的精確度、實時性和可靠性。大模型技術理解和處理電力行業各類復雜的業務場景需求，存在不斷驗證和技術迭代的過程，其在電力行業滲透率與自身成熟度正相關。對大模型技術的驗證與應用，優先考慮現階段 AI 技術滲透率高、容錯空間較大且實時性要求低的電力業務場景，如輸電無人機巡檢、客戶服務管理等領域，待大模型技術日趨成熟，由勝任到精通，將其逐漸過渡應用到電網調度運行、故障處置等電力行業嚴肅生產場景。

　　明晰電力行業賦能應用技術路線：結合電力行業特點、大模型技術發展進程以及前期可行性驗證研究，制定科學有效的大模型應用研究技術路線：①對電力行業各種場景數據進行采集、清洗和整理，以提高大模型的訓練效果;②根據電力行業具體需求，開發行業通用大模型架構和算法，以海量電力領域通用知識完成預訓練;③合理選擇大模型微調和 RAG 技術，提高電力行業大模型的性能和精確度，規避知識截斷、模型幻覺、數據安全等問題;④開展大模型驗證與部署，綜合考慮模型推理算力、響應時間和擴展性等因素，將大模型部署到電力行業實際應用場景，完成驗證測試，以勝任相關場景業務處理需求;⑤推進大模型技術迭代和優化，在電力行業完成語言大模型和視覺大模型的部署應用后，結合業務需求定期進行訓練和參數調整，并適時開展相關電力業務場景的多模態大模型和高水平智能體的研究。

　　這些方面的有機集合將有助于大模型技術在電力行業的研究思路制定，循序漸進開展場景驗證，逐步將大模型應用到電力行業各細分領域。

　　4.3 大模型技術在電力行業的應用展望

　　在電力行業的多個專業領域，大模型具有廣闊的應用前景。在未來，大模型技術有望在電力行業調度、輸電、營銷等專業的各類應用場景中發揮重要作用。

　　4.3.1 大模型在調度領域的應用場景

　　大模型可作為調控故障處置決策引擎。目前的調度故障處置系統層出不窮，依賴的數據不僅呈現出多源異構的特點，還需大量人工參與分析調用相關平臺數據才能解決故障。

　　若以大模型作為故障決策引擎，對故障告警數據、現場視頻等多模態數據進行實時分析，通過匹配歷史故障案例、設備實時運行數據、相關調度運行規程等信息，自動生成故障處置方案，在調度員的校正完善下，調用現有系統并結合相關小模型，既實現了平臺化的模型服務，減少重復訓練和創新的需求，也實現了高效的自動故障處置。

　　GraphRAG 技術可賦能調控大模型可解釋性決策過程。利用 GraphRAG 技術可隨時更新電網調度專業的相關知識圖譜，減少數據庫更新所需的時間、技術成本，同時與圖機器學習算法結合，可實現跨越多系統多源異構數據分析故障知識鏈路，從而提高電網故障診斷的準確性。通過社區檢測算法將調控領域知識圖譜的圖索引劃分為緊密相關的節點組，并為每個子圖生成摘要，因此調控大模型在故障決策時可提供關于故障處置方案的多維度安全綜合評估，幫助調度員快速選擇合適的處置方案。

　　4.3.2 大模型在輸電領域的應用場景

　　大模型可提升缺陷隱患識別能力。利用大模型泛化能力強的特點，提升樣本稀缺缺陷類型識別能力。結合原有專有模型優勢，深化大小模型融合應用，在完善樣本庫基礎上，結合樣本模擬增廣、正負樣本融合等技術提升專用模型識別效果，應用視覺 - 文本多模態技術，推進在圖像理解基礎上的缺陷隱患識別技術，完成輸電智能巡檢專業應用模型演進及現場應用適配，持續提升算法識別效果。

　　多模態大模型可實現數據機理融合。隨著無人機、可視化裝置等新技術裝備在輸電線路巡檢中的規模化應用，積累了海量的可見光、紅外、聲紋、三維點云、文本等多模態數據，且規模持續增長，現有單一模態數據分析處理模式已無法適應多模態數據融合分析發展趨勢。基于 AI 多模態大模型技術，從多個模態數據中提取有用信息，結合物理機理，強化對數據的全面理解和分析，實現數據機理融合的關鍵部件缺陷識別和推演，全面提升缺陷識別能力，保障大電網安全穩定運行。

　　知識服務可提升全流程智能化水平。基于行業語義大模型，開展巡檢輔助決策應用，提升全流程智能化水平，融合設備屬性、巡視數據、檢修記錄、運行規程等，推動缺陷自動定級、缺陷處置策略輔助生成，輔助編制檢修工單及各類工作票、消缺報告，減輕一線負擔，保障各項操作安全。

　　4.3.3 大模型在營銷領域的應用場景

　　行業大模型可賦能電子渠道智能客服。基于電力行業多模態大模型技術研究設計新型智能客服系統，發揮大模型處理復雜輸入信息、客戶多輪對話的優勢，快速理解電力客服系統中對話文本、客戶語音、圖片視頻等跨模態信息，精準分析電力客戶連線訴求，根據客戶訴求自動生成工單信息，輔助工作人員制定業務流轉決策。

　　依托海量電力業務專業知識，利用大模型技術構建支持跨語種和各地方言的電力服務知識庫，應用于電網企業服務熱線與線上客服渠道，輔助業務人員結合電力客戶訴求智能調用知識服務，提高客戶服務的便捷性和規范性，減輕人工客服工作負擔。

　　多模態大模型可助力智慧營業廳建設。結合現有細分場景專有模型識別技術與音視頻管理平臺，利用多模態技術將數字化手段與營業廳服務場景深度融合，構建多模態智慧供電營業廳。研究以多模態大模型為基礎的客戶服務智能體，實現電力客戶在供電服務智能體中進行文本、語音、視覺等數據交互形式完成電力業務查詢與簡單業務受理。

　　針對無人值守營業廳，對需要供電服務人員提供咨詢、參與辦理的復雜業務，供電服務智能體通過大模型與 RAG 技術獲取精準的需求分析后，自動將客戶業務訴求通知到所轄班組的工作人員，提高客戶辦電體驗和供電服務水平。針對有人值守營業廳，利用大模型對復雜視覺信息的識別與處理能力，擴展客戶刷臉辦理的業務場景，優化用電客戶業務受理環節，提高客戶業務辦結效率。通過多模態大模型技術同步分析客戶的言談、舉止和表情變化，及時提醒供電服務人員對出現不滿傾向的客戶調整服務策略，提升客戶滿意度。

　　5 結束語

　　本文介紹了大模型的發展歷程和技術特點，總結了包括大模型在內的 AI 技術在電力調度、輸電巡檢、營銷服務等電力行業垂直領域的應用現狀，討論了大模型在電力行業應用中存在的問題與挑戰，并對相關領域應用場景進行了分析和展望。

　　AI 是引領未來的戰略性新興技術，當前進入大模型引領的 “爆發期”，加快由 “感知智能” 向 “認識智能”“決策智能” 拓展升級，大模型在電網多個場景中將發揮重要作用，推進 AI 技術與電網生產經營深度融合，支撐新型電力系統建設，提升生產效率，助力新質生產力發展。

　　綜上所述，大模型在電力行業的應用場景非常廣闊且技術需求十分迫切。值得注意的是，大模型在電力領域的技術研究，應綜合考慮大模型技術優劣與行業自身業務特性。同時，需研究解決大模型在電力行業嚴肅專業場景可能出現的知識截斷、模型幻覺、數據安全等問題，以使人工智能技術更具規模化地賦能新型電力系統建設，發揮大模型復雜任務處理、跨模態內容生成等優勢，推動電力行業進入高階智能化發展新階段。

劉冀辰;李金星;吳佳;張威;齊宇諾;周國亮,保定電力職業技術學院;國網冀北電力有限公司技能培訓中心;國網承德供電公司;國網冀北電力有限公司,202406