面向电力变压器的人工智能：证据、健康指数与人工审核
一份面向采购者的电力变压器人工智能指南，涵盖 DGA、PRPD、SFRA、热负载、健康指数、生命周期上下文，以及经人工审核的 agentic AI。
本页目录
面向电力变压器的人工智能，不应从一个神奇的分数开始，而应从证据开始。
一项电力变压器决策，可能取决于溶解气体分析、油质、局部放电、PRPD 模式、SFRA 曲线、负载历史、冷却状态、套管记录、巡检、工单、停电后果、备用策略以及生命周期假设。当 AI 帮助工程师把这些信号串联成一个可供审核的案例时，它才真正变得有用。
这正是 GridAPM 的立场：人工智能通过整理证据、起草解释来支持变压器工程师，而不取代工程判断。
为什么电力变压器需要证据优先的 AI
电力变压器是高价值、长寿命、后果重大的资产。一个简单的仪表盘可以展示趋势，却很少能解释为什么某项维护行动是合理的。一个通用聊天机器人可以回答问题，却可能丢失来源脉络。
变压器 AI 必须做得更有纪律：
- 保留来源出处；
- 按资产与日期对齐证据；
- 显示缺失或过期的记录；
- 把诊断证据与维护历史关联起来；
- 解释置信度与不确定性；
- 将建议草案路由给人工审核者；
- 保留一份谁批准了什么的审计记录。
CIGRE TB 630 是一个有用的参照，因为它把变压器智能状态监测描述为一种将大量状态数据转化为有用信息的方式。这正是 agentic AI 的用武之地：它不是一个黑箱，而是一个证据编排层。
变压器 AI 的证据栈
面向电力变压器的人工智能，应当能够跨若干证据族开展工作。
| 证据族 | 典型问题 | AI 支持 |
|---|---|---|
| DGA 与油 | 气体趋势是否在变化？油质是否在劣化？ | 汇总趋势、标记加速、链接到既往实验室报告 |
| 局部放电与 PRPD | 是否存在需要专家审查的活动？ | 整理模式族、测量上下文与置信度说明 |
| SFRA | 绕组响应与基线相比是否发生变化？ | 比对来源参考与试验设置说明 |
| 热工与负载 | 老化或负载上下文是否相关？ | 关联负载曲线、环境温度、冷却状态与热点估计 |
| 维护历史 | 未完结的工单或反复出现的结论是否相关？ | 起草工作包上下文与收尾缺口 |
| 生命周期与关键性 | 采取行动或推迟行动的后果是什么？ | 关联资产年龄、备用策略、停电影响与可持续性上下文 |
目标不是让每个信号看起来都同样确定，而是帮助审核者看清哪些证据是充分的、薄弱的、缺失的或相互矛盾的。
DGA 是天然的起点
DGA 往往是电力公司最想自动化的第一条变压器证据流，因为它常见、结构化程度足以支持分析，并与 IEEE C57.104、IEC 60599 等公认指南相关联。
但 DGA AI 必须谨慎。某个气体比值或趋势可能提示潜在的故障行为，但其解读取决于取样质量、运行上下文、既往数值、油保护系统、负载、近期维护，以及更宏观的状态图景。
一套稳健的 DGA 工作流应当：
- 保留原始的实验室或监测装置记录；
- 归一化单位与日期；
- 比较趋势变化，而不仅仅是单个数值；
- 识别气体产生速率方面的隐患；
- 关联油质、负载与巡检证据；
- 起草供审核者思考的问题；
- 在采取行动前要求工程师审批。
请参阅配套指南 DGA 趋势分析，以及更新的工作流 状态检修、DGA 与 agentic AI。
健康指数应当可解释
只有当指数可解释时，变压器健康指数软件 才是有用的。一个没有依据的分数会带来虚假的信心。
对 GridAPM 而言，健康指数应当揭示：
- 哪些证据推动了分数变化；
- 哪些来源已过期或缺失；
- 应用了哪些假设；
- 关键性如何影响优先级排序；
- 维护行动是紧急的、已计划的，还是列入观察清单的；
- 谁审核了该结果。
这种做法把健康指数变成一个决策支持层，而不是工程审核的替代品。
Agentic AI 改变工作流
传统分析只回答一个狭窄的问题。Agentic AI 则可以支持一连串工作：
- 找到最新的变压器记录。
- 提取日期、数值、备注与来源引用。
- 将证据与既往记录及资产上下文进行比对。
- 起草一份通俗易懂的状态摘要。
- 识别缺失的证据与不确定性。
- 提出候选的下一步行动。
- 构建一份审核材料包。
- 等待工程师审批。
MIT News 把 agentic AI 描述为通过工具采取行动的 AI。在变压器 APM 中，最安全的早期行动是证据类行动：检索、比对、汇总、起草、路由与报告。
人工智能不应做什么
对于关键变压器资产，AI 不应：
- 批准送电或负载变更；
- 设定保护参数；
- 凌驾于维护标准之上；
- 在没有来源证据的情况下断言根本原因；
- 未经审核就关闭工单；
- 用一个分数掩盖不确定性；
- 构成最终的工程权威。
这正是 NIST AI 风险指南的用武之处。一套可信的 AI 工作流需要治理、可追溯性、可度量性与问责性。变压器 AI 从一开始就必须为这些要求而设计。
一条务实的试点路径
一家电力公司、油气运营商、工业场站或发电资产所有者，都可以从一个范围受限的试点起步：
| 试点步骤 | 产出 |
|---|---|
| 选择资产 | 具有已知证据历史的关键变压器群组 |
| 选择证据 | DGA 加上油质、负载、巡检或维护记录 |
| 梳理来源 | 来源责任人、日期、格式、单位、敏感度与资产 ID |
| 运行 AI 支持 | 起草状态摘要与缺失证据提示 |
| 审核 | 工程师批准、修改、拒绝或升级上报 |
| 度量 | 汇集证据包的耗时、审核者信心、发现的缺失记录、被厘清的行动 |
首个成效通常不是某个戏剧性的预测，而是团队能够在一处看到完整的变压器案例、并有把握地解释下一步行动的那一刻。
结语
当人工智能让复杂的电气信息更易于理解、更安全地供人审核时，它对电力变压器就是有价值的。
GridAPM 的定位很清晰：来源可溯的证据、agentic AI 辅助、可解释的健康上下文，以及经人工审批的变压器 APM 决策。
参考文献
工程师常问的问题
什么是面向电力变压器的人工智能？
它是一类软件，帮助整理变压器诊断证据、识别模式、起草解释，并准备可供审核的维护或资产决策。在 GridAPM 中，AI 始终经过人工审核。
AI 应当使用哪些变压器证据流？
有用的证据包括 DGA、油质、水分、PRPD、局部放电、SFRA、热负载、套管数据、巡检、工单、资产关键性以及生命周期上下文。
AI 能取代变压器工程师吗？
不能。AI 可以减少证据汇集的工作量并提升可追溯性，但对结果的解读、审批与运行处置，仍应由具备资质的工程师负责。
