面向 TSO 与 DSO 变压器的 AI 辅助维护规划

当 AI 辅助的变压器维护规划能够将状态证据转化为可供审查的工作包时，其价值最高；而当它生成一条没有工程师能够追溯的、看似笃定的建议时，其价值最低。

对于电力企业、TSO 与 DSO 而言，真正的维护难题不仅在于技术诊断，还在于协同。规划人员需要资产关键度；变压器工程师需要状态证据；现场团队需要可操作的作业指令；资产经理需要后果与时机；可靠性负责人需要站得住脚的理由；安全团队则需要知道哪些数据发生了流动、流向了何处。

正因如此，人工智能在变压器维护规划中的最佳首要用途并非自主决策，而是证据整理、草稿准备以及经人工审查的工作流支持。

电网 AI 正在成为一个规划问题

能源行业之所以探索 AI，是因为电气化、可再生能源接入、基础设施老化以及电网扩建都在加剧规划的复杂性。MIT Energy Initiative 将 AI 描述为一种能够在规划、运行、材料与系统层面支持清洁能源转型的工具。哈佛大学的 Salata Institute 也强调了 AI 在释放电网容量、改进决策方面的潜力。

变压器维护规划正处于这一更宏观的背景之中。变压器是关键资产，但同时也是瓶颈：造价高、寿命长、易受供应链影响，且对运行影响重大。美国能源部（U.S. Department of Energy）的《Large Power Transformer Resilience Report》强调了变压器韧性对电网的战略重要性。

对于 TSO 或 DSO 而言，机会在于在能够提升规划质量而不削弱问责的环节使用 AI 辅助。

变压器工作包应包含哪些内容

可供审查的变压器维护工作包应使决策易于检视，而不应将推理过程隐藏在单一评分之后。

核心部分通常包括：

• 资产标识、所属位置分组、电压等级、归属方以及关键度。
• 状态证据，例如 DGA、油质、PRPD、SFRA、热/负荷、巡检以及告警背景。
• 维护历史、未关闭的工单、以往的纠正措施以及已知的约束条件。
• 来源出处、时间戳、单位以及证据质量说明。
• 风险与后果背景，包括停电影响与备品备件策略。
• AI 辅助的草稿摘要，并明确标注为草稿性支持。
• 工程师审查意见、审批状态、升级状态以及下一步行动。

这正是 agentic AI 能够发挥作用的地方。OpenAI 与 Anthropic 都将 agentic 系统描述为围绕多步骤工作、工具调用以及可组合工作流构建的系统。在变压器维护规划中，有界的工作流并不是“决定对变压器采取什么措施”，而是“准备证据并起草表述，以便合格的审查人员能够更快、且以更好的可追溯性做出决策”。

面向电力企业、TSO 与 DSO 的规划工作流

维护工作流

从状态证据到可供审查的工作包

当每一步都始终与证据挂钩、且最终产出始终处于工程审批之下时，AI 辅助才有用。

1 资产选择

按关键度、证据可用性或已知的规划需求，选择一个聚焦的变压器群组。

2 证据汇集

收集 DGA、PRPD、SFRA、热、巡检、维护以及来源出处记录。

3 AI 草稿支持

起草摘要、缺口、审查人员的问题以及候选的工作包表述。

4 工程审查

合格的审查人员对 AI 辅助内容进行批准、编辑、驳回或升级。

5 维护工作包

生成作业理由、下一步行动、来源链接以及审批记录。

6 规划交接

将已批准的产出用于 CMMS/EAM 讨论、停电规划或进一步调查。

时间检修、CBM 与 AI 辅助的 CBM

最强的维护组织不需要在时间检修与状态检修之间打口号战。它们需要的是针对每一类资产、每一种证据类型以及每一项运行约束的清晰决策规则。

规划模式	最佳适用场景	不足	AI 辅助的改进
时间检修	例行巡检、法定任务、可预测的活动以及简单排程。	可能遗漏状态变化，或对低风险资产过度检修。	AI 可在审查前帮助核对排程、维护历史与证据缺口。
状态检修	具备有意义的状态证据且拥有明确工程审查流程的资产。	需要良好的证据质量、趋势背景以及审查人员的严谨态度。	AI 可准备摘要、缺失证据清单以及工作包草稿表述。
风险检修	在状态与后果同等重要的情形下进行机群优先级排序。	若将风险驱动因素隐藏在单一评分中，可能变得不透明。	AI 可揭示驱动因素、假设与来源链接，供人工审批。

治理是产品的一部分

AI 辅助的维护规划会触及敏感的运行证据。电力企业应在追问模型问题之前，先追问治理问题。

关键问题包括：

• 试点中可以使用哪些来源记录？
• 工作流将在本地、离线、受控云环境，还是混合架构中运行？
• 哪些产出属于草稿性支持，哪些产出属于已批准的记录？
• 谁有权批准一条维护建议？
• AI 辅助的段落是如何标注的？
• 审查人员能否看到使用了哪些证据？
• 团队能否导出带有来源链接的证据包？

NIST AI Risk Management Framework 之所以有用，是因为它鼓励组织在治理、映射、度量与管理各个层面管控 AI 风险。就变压器维护而言，这转化为一项务实的要求：AI 的行为必须有明确边界、可审查，并与电力企业既有的授权模型保持一致。

GridAPM 的安全与数据处理页面阐述了针对试点的这一公开立场。

GridAPM 在维护规划体系中的定位

应将 GridAPM 视为一个变压器 APM 工作台与试点脚手架来评估，而非一套自主的电网控制系统。

在聚焦的试点中，GridAPM 可以帮助：

• 围绕选定的资产群体整理变压器证据。
• 突出缺失的来源出处、日期、单位以及审查归属。
• 起草维护规划摘要以及审查人员的问题。
• 使 AI 辅助的表述与已批准的工程结论保持区隔。
• 构建供利益相关方审查的证据包样例。
• 支持与维护、工程、资产管理与规划团队之间的交接沟通。

平台页面阐述了工作台模式。试点页面可用于界定范围、数据边界与成功指标。当团队不确定其现有记录是否就绪时，证据就绪度检查清单是最值得优先阅读的内容。

务实的试点成功指标

试点应以工作流方面的证据来评判，而非以对 AI 的热情来评判。

有用的指标包括：

• 在使用 GridAPM 前后，创建一份审查工作包所需的时间。
• 在工程审查之前识别出的缺失证据缺口数量。
• AI 起草的结论中被编辑、批准、驳回或升级的比例。
• 审查人员对每项产出都可追溯至来源的信心。
• 针对选定变压器群组的维护规划清晰度。
• 团队日后能否复现该证据包。

这些指标使试点保持务实。它们还能降低这样一种风险：在标准引擎、导出工具、集成或本地 AI 执行尚未完全实现并被接受之前，就将原型当作生产级权威来呈现。

规划原则

AI 辅助的变压器维护规划应使人的决策更优，而非让人的决策消失。

对于 TSO 与 DSO 而言，可信的未来并不是一个自行签发工单的黑箱智能体，而是一个可供审查的工作流：状态证据、维护历史、资产关键度、草稿表述与审批状态共处一处。

这正是 GridAPM 的路径：帮助电力企业团队评估以本地优先、经人工审查的 agentic AI 工作流，用于变压器 APM 与状态检修，并将证据可追溯性置于核心。