★ 江蘇致網科技有限公司 周藝

關鍵詞：工業互聯網；電力云邊協同；模型協同進化；系統集成；智能化運維

1   背景

隨著新型電力系統建設深入推進，高比例可再生能源并網與電力設備集群化部署成為常態。設備運行狀態的實時感知、精準研判與智能調控已成為保障電網安全穩定運行的核心需求。然而，當前電力設備運維智能化升級面臨三重瓶頸：

（1）異常樣本稀缺， 模型泛化能力不足。電力設備異常狀態具有低概率、高突發性特點，導致異常樣本極其稀缺。傳統監督學習模型在此類小樣本場景下易陷入過擬合，難以可靠識別復雜或未知類型的設備故障。

（2）云邊協同機制不暢， 參數同步與數據安全矛盾突出。在總部云、省級云、邊緣站三級云邊協同架構下，跨區域數據分散，現有通信協議與知識共享機制存在同步時延高、帶寬開銷大等問題。同時，邊端數據包含敏感運行信息，直接上傳云端進行集中訓練存在隱私泄漏風險。

（3）模型效能評估維度單一， 缺乏業務導向。傳統模型評估聚焦于推理精度，忽視了響應時延、能耗開銷、增量學習中的遺忘效應等關鍵運維指標，無法全面反映模型在實際生產環境中的綜合性能。

為破解上述痛點，支撐新型電力系統智能化運維升級，本案例依托某省級電力公司“人工智能兩庫一平臺”，開展電力云邊模型協同進化功能封裝與調優服務建設。

2   案例實施與應用

本案例的系統整體架構由五個核心部分組成：數據輸入與樣本生成模塊、特征提取模塊、云邊協同控制模塊、效能評估模塊以及模塊集成管理層。其核心設計理念是充分發揮云端的大規模計算能力和邊端的實時處理能力，支持總部云、省級云及邊緣站三級架構，實現高效、可靠、安全的電力模型訓練與應用。

2.1   電力云邊模型樣本生成與特征提取

數據輸入與樣本生成模塊負責接收來自變壓器、斷路器、呼吸器等電力設備的時序狀態量、圖像以及運維文本等多模態數據。

· 特征提取：針對時序數據，模塊計算電壓、電流和頻率等關鍵指標的統計量， 并識別周期性規律和趨勢變化。針對圖像數據， 通過深度卷積神經網絡提取設備狀態特征。針對文本數據， 通過自然語言處理提取語義特征、關鍵事件和異常描述。最終通過歸一化和特征對齊技術， 將不同模態整合為統一向量。

· 場景數據生成：平臺支持用戶通過人工智能管理平臺的“樣本管理”界面創建數據集并導入數據。基于已有樣本數據， 采用數據增強、仿真和合成技術生成典型故障和復雜場景樣本， 如生成變壓器絕緣子破損、呼吸器油封破損等樣本。

· 二次審核：生成的樣本通過人工標注和算法校驗相結合的方法進行質量控制， 并對樣本的準確性、完整性和多模態一致性進行量化評分。

2.2   電力云邊協同控制與參數管理

協同控制器模塊實現了云端與邊端模型的高效協作。

· 模型參數控制：模塊采用增量同步策略，將云端最新參數傳輸到邊端， 并在邊端結合局部特征進行優化， 避免不同節點之間的訓練差異影響整體性能。在人工智能管理平臺的“模型訓練”界面， 用戶可一鍵創建訓練任務并配置參數。

· 任務調度與數據庫設計：系統底層設計了嚴密的數據結構， 記錄模型訓練任務信息， 包含基礎模型ID、訓練模式、協作模式、執行節點IP等核心字段；通過標準化API接口實現訓練任務的創建與資源調度下發。

· 數據隱私安全保護：模塊采用去標識化處理，將數據中的個人或敏感信息進行脫敏， 同時支持差分計算和加密傳輸技術， 實現結構化數據在節點間跨域共享時的安全防護。

2.3   模型效能評估與可視化閉環

效能評估模塊對模型性能進行全方位監控，重點關注模型在更新和協同過程中的表現。

· 遺忘評估：能夠分析模型在更新過程中信息丟失的情況，包括關鍵特征和歷史樣本識別能力的變 化。 這 有助 于 平衡 新 舊數 據 的訓 練 效果 ，防 止模型在學習新故障特征時喪失對基礎工況的識別能力。

· 協同效能評估：通過多維指標評估參數同步精度、知識共享效率、樣本認知一致性以及數據傳輸延遲和計算資源利用率。

· 系統操作與底層集成：用戶可通過平臺“模型中心-模型評估”模塊創建評估任務。底層數據結構完整記錄了精確率曲線、召回率曲線以及混淆矩陣等評估產物。評估服務通過接口觸發， 并通過可視化界面實時展示各節點的協同狀態。

3   應用創新性

3.1   突破小樣本異常數據限制的生成算法應用

難點問題：電力設備故障極具偶然性，導致真實世界中的異常圖像、極端工況時序數據極度匱乏，模型在邊緣端部署時泛化能力差。

解決思路與創新點：項目創新性地研發了基于生成對抗網絡的樣本增強算法與特征空間映射技術。通過多模態特征對齊，不僅在單一維度上增強數據，更保證了圖像、時序和文本信息在特征層面的高度一致性。在此基礎上， 引入了基于量化評分的二次審核流程，從準確性、完整性和一致性三個維度剔除劣質合成數據， 有效解決了電力設備異常小樣本場景下的模型過擬合問題。

3.2   跨域隱私保護與云邊協同同步機制

難點問題：云邊架構下，不僅存在網絡帶寬和通信延遲的物理限制，更面臨著跨省級云、邊緣站之間運行日志等敏感數據外泄的安全合規風險。

解決思路與創新點：設計了異步分布式云邊通信協議， 大幅降低同步時延。最核心的創新在于構建了基于差分隱私的隱私保護知識共享框架。在樣本認知管理方面， 系統首創了統一證據向量管理機制，將云邊模型對同一樣本的理解偏差嚴格控制在15%以內，確保了協同決策的準確性， 實現了跨域模型參數的安全同步與增量更新。

3.3   貼合電力業務的多維效能評估體系

難點問題：傳統AI模型僅關注準確率、F1分數等純算法層面的指標，但電力工業現場對于“推斷耗時”“設備能耗”以及“模型對歷史規則的遺忘率”有著苛刻的要求。

解決思路與創新點：創建了面向電力業務特征的多維量化評估體系。引入了基于自適應權重分配算法的效能指標融合模型，實現對模型推理精度、響應時延與能耗開銷的聯合綜合評估。特別創新了“信息遺忘評估”機制，通過量化分析更新前后的關鍵特征變化與歷史樣本識別能力，確保模型在適應邊緣端新突發場景的同時，不會引發對常規知識的災難性遺忘。

4   效益分析

本案例的實施與應用，為電網智能化運維帶來了顯著的經濟與技術效益：

（1）極大提升模型泛化與響應能力

通過多模態樣本生成模塊與統 一 特征提取模塊，系統生成了大量高質量、多樣化的異常場景樣本，有效解決了電力設備異常狀態小樣本學習難題。模型在真實異常樣本上的召回率從62%提升至89.5%。同時，系統動態分配電力系統建模任務：邊端側實時處理量測數據、執行控制決策，模型推理響應時延低于50ms，有力保障了供電可靠性；云端側依托海量數據開展全局模型訓練與迭代優化，顯著提升了模型在新場景下的泛化能力。

（2）優化計算資源與通信開銷

針對傳統云邊協同中全量參數同步帶來的高帶寬占用與長時延問題，本案例設計了增量同步與量化壓縮策略，單次模型更新的數據傳輸量平均降低85%以上，同步時延從分鐘級壓縮至秒級。這一機制不僅大幅減少了云端與邊端之間的通信開銷，還減輕了核心骨干網的傳輸壓力，使邊端節點即使在4G/5G網絡波動環境下也能穩定完成模型更新。

（3）筑牢工業數據安全防線

電力行業對核心生產數據“不出域、不泄露”有極高要求。本案例深度集成了差分隱私、去標識化與加密傳輸技術，確保了傳感器數據、運行日志和設備信息在多節點協同訓練全過程中不泄露關鍵內容，完全滿足電力行業網絡安全等級保護及數據安全審計合規要求。

（4）提升運維管理透明度與調優效率

系統提供了全景可視化監控模塊，可實時展示各節點的參數同步狀態、知識共享進度、樣本認知一致性以及計算資源等使用情況。技術及運維人員能夠通過動態曲線和儀表盤快速發現潛在異常和性能瓶頸，使訓練數據準備時間縮短了70%。同時，遺忘效應可視化評估功能幫助團隊精準調控增量學習策略，使模型連續10次更新后對歷史關鍵樣本的識別率衰減控制在5%以內，有效提高了云邊模型更新過程的透明度與調控效率。

5   案例意義

本案例的成功落地，對工業互聯網領域的智能化發展具有深刻的行業示范意義。

首先， 它有效支撐了電網態勢感知 、 負荷預測及故障診斷等關鍵場景，助力新型電力系統向高效、智能、韌性方向升級。其次，本案例打破了傳統AI功能模塊獨立部署的“孤島效應”， 通過將樣本生成、協同控制和效能評估模塊進行標準化容器化封裝，形成了支持彈性擴展的云邊協同進化功能封裝模塊，成功實現了與人工智能“兩庫一平臺”的無縫集成閉環。這不僅為電力設備在復雜工況下快速迭代、穩定運行提供了完整的技術支撐，也為其他流程制造和離散制造領域構建具備多節點協作、嚴格數據隱私保護的工業智能運維中臺，提供了一套高度可復制、技術領先的工程范式。

作者簡介：

周   藝 （1985 - ），女，江蘇揚州人，高級研究員，本科，現就職于江蘇致網科技有限公司，主要研究方向為工業互聯網。

摘自《自動化博覽》2026年4月刊