面向人工审核的变压器 AI 决策审计追踪

变压器 AI 决策应当从原始证据一直可追溯到人工授权。如果一项 AI 辅助的建议无法说明它使用了哪些数据、做出了哪些假设、拥有哪些权限,以及由谁批准了相应操作,那么它就尚未准备好用于高后果的维护工作流。

GridAPM 将审计追踪视为一项产品功能,而非事后补充。

证据包结构

一份变压器 AI 证据包应当包括:

• 资产 ID、站点、变压器背景以及受影响的部件。
• 决策类型、严重程度、时间戳以及审核人。
• 源数据来源:DGA、PRPD、SFRA、热学、SCADA、巡检以及维护记录。
• 数据质量标记与缺失证据。
• 标准背景与内部工程实践。
• AI 建议、不确定性以及已知局限。
• 人工批准、驳回、覆盖或升级。
• 维护或监测之后的结果闭环。

这建立在 GridAPM 研究中已经描述过的人在回路 AI 工作流之上。

治理背景

NIST AI RMF 与 AI RMF Playbook 围绕治理、映射、度量与管理 AI 风险提供了有用的公开表述。当 AI 智能体能够使用工具或代表人员行事时,NIST 的生成式 AI 剖面(profile)以及关于软件与 AI 智能体身份及授权的新兴工作尤为相关。

在变压器 APM 中,智能体应当具备身份、受限范围的权限、工具边界以及审批阈值。

标准对照

审计追踪应当将证据与公认的技术背景关联起来,而不复制受保护的标准文本。例如:

• DGA 证据可引用 IEEE C57.104 与 IEC 60599。
• 监测证据可引用 IEEE C57.143 以及 CIGRE 智能状态监测相关工作。
• PRPD 证据可引用 IEC 60270。
• SFRA 证据可引用 IEEE C57.149。

产品应当进行转述、引用公开来源页面,并让工程师对最终解读负责。

智能体身份与授权

智能体式 AI 改变了审计问题。仅仅记录模型输出是不够的。团队应当了解:

• 是哪个智能体产生了该建议。
• 是哪个用户或工作流委派了该任务。
• 智能体访问了哪些工具与数据源。
• 访问权限是只读还是具备写入能力。
• 该建议是否越过了审批阈值。
• 是哪位人员批准或覆盖了它。

当该建议会输入到工单系统或规划流程时,这一点尤为重要。

人工审核记录

人工审核记录应当记录审核人角色、决策、理由、评论、升级以及任何覆盖操作。对于高风险的变压器状况,进行第二轮可持续性或资产绩效审核可能是恰当的。AI 应当准备证据;而治理政策由组织来决定。

结果闭环

审计追踪应当在建议之后继续。采取了什么行动?行动后的遥测数据是否确认了此前的担忧?该建议是否为误报?新证据是否降低了不确定性?这一结果闭环能够改进未来的维护决策,并帮助团队理解模型漂移或工作流缺口。

GridAPM 的实际承诺很简单:每一条 AI 建议都会附带工程师批准、驳回或升级它所需要的证据。