面向变压器可持续性决策的人在回路 AI

电力变压器的可持续性决策很少是简单的阈值判断。某个诊断信号看上去可能令人担忧，但相应的行动取决于资产历史、负载、取样质量、绝缘状态、故障后果、备件策略、停运窗口，以及合格工程师的判断。

人在回路（human-in-the-loop）AI 之所以重要，是因为它让这种判断始终可见。GridAPM 的设计思路是让 AI 智能体承担有边界的可持续性任务：收集证据、比较趋势、识别不确定性、起草建议并准备评审材料包。证据意味着什么、哪种行动才是相称的，则由工程师来判断。

为什么变压器 AI 需要工程管控

变压器诊断融合了多路证据流。溶解气体分析（DGA）的解读可以参考 IEEE C57.104 与 IEC 60599。局部放电评审可能需要遵循测量规范，并结合符合 IEC 60270 的干扰背景。绕组变形评审可以借助诸如 IEEE C57.149 之类的频率响应分析实践。状态评估与智能监测主题也在公开的 CIGRE 资料中有所讨论，包括 TB 761 与 TB 630。

这些参考标准并不能替代工程评审。它们只是让评审更加一致的框架。AI 应当帮助团队更快地找到证据，而不是掩盖决策的依据。

GridAPM 的人在回路模式

面向变压器可持续性的、真正有用的 AI 工作流应当区分四类职责：

1. 数据来自实验室报告、在线监测装置、电气试验、运行背景、巡检以及维护系统。
2. AI 洞察对异常、趋势变化、可能的故障模式以及不确定性进行梳理。
3. 工程师核实背景、应用标准、评估风险并记录论证依据。
4. 决策与行动被记录为：监视、调查、基于状态的计划、维护行动或持续观察。

这种模式把 AI 输出转化为可评审的工程记录。它也避免平台把某项建议当作最终裁决来呈现。

哪些内容必须可追溯

只有当团队能够弄清一项变压器可持续性建议的来龙去脉时，它才是有用的。对于每一项建议，GridAPM 力求清晰记录以下内容：

• 建议所依据的源数据。
• 缺失的数据以及数据质量说明。
• 趋势窗口与比较基线。
• 所考虑的诊断方法或规则族。
• AI 置信度说明与不确定性因素。
• 工程师评注、修改、审批状态以及行动责任人。

这与 NIST AI Risk Management Framework 所倡导的负责任 AI 治理理念，以及哈佛 Berkman Klein Center 等机构更广泛的以人为本的 AI 治理工作是一致的。其现实启示很简单：高后果的资产决策需要问责、可评审性以及明确的责任归属。

智能体 AI 应当从事有边界的工作

在 GridAPM 中，智能体并不是自主的维护决策权威。它是一个有边界的工作单元，只承担可持续性工作流中某个特定环节。一个智能体可能负责规范化 DGA 记录。另一个可能负责比较 PRPD 图谱。还有一个可能负责准备符合标准的评审简报。再有一个可能负责起草附带假设与置信度说明的行动计划。

这种分工帮助工程师检视从原始证据到最终建议的整条链路。如果某个诊断结论在内部评审中受到质疑，团队可以逐步检查每一个环节，而不必对黑箱输出进行逆向推演。

更稳健的可持续性运营模式

人在回路 AI 的价值不仅在于更快地撰写报告，更在于一套更为严谨的可持续性流程：

• 为每一台受评审的变压器提供一致的证据材料包。
• 资产管理人员、诊断专家与现场团队之间实现更顺畅的交接。
• 更少基于孤立数据点做出的决策。
• 在证据不完整时更明确地表达不确定性。
• 在工作获批之前，给出更清晰的健康指数与全生命周期论证依据。
• 为团队为何选择监视、调查、推迟或采取行动留下一条经得起审查的审计轨迹。

GridAPM 的产品方向，正是要让 AI 在变压器可持续性工作最具挑战之处发挥作用：多源证据、高后果、专家判断，以及对可追溯决策的需求。