面向智能体 AI 的电力变压器诊断证据模型
为什么面向变压器 APM 的智能体 AI 需要一个可审计的证据模型，将资产层级、数据溯源、标准背景与诊断矛盾联系起来。
本页目录
面向变压器 APM 的智能体 AI 只有在能够基于证据模型、而非一堆文件进行推理时，才是可信的。一条变压器建议应当回答：哪台资产、哪个部件、哪项观测、哪种方法、哪个标准背景、哪个时间戳，以及哪种置信水平？
这份证据契约，正是可复核的可持续性工作流与黑箱评分之间的区别。
从资产层级开始
变压器证据应当附着到可能发生故障的部件上。一个有用的层级包括：机群、站点、变压器、油箱、绕组、套管、分接开关、冷却系统、传感器以及保护背景。诸如 IEC 61850 等电力数据标准，以及诸如 PNNL 的 IEC CIM 指南 等面向 CIM 的工作，都是思考一致的资产标识与互操作性的有用参考。
对 GridAPM 而言，务实的规则很简单：每一条记录都必须知道自己归属于什么。一份 DGA 结果归属于某台变压器及其油系统。一次套管试验归属于某个部件。一条 SFRA 曲线归属于特定的绕组配置、分接设置与测量设置。没有层级，AI 就没有可靠的位置来附着证据。
先溯源，后预测
如果输入记录不可信，AI 推理就会很脆弱。变压器证据模型应当捕获：
- 来源系统或文件。
- 测量方法。
- 时间戳与采样时间。
- 单位与归一化。
- 校准或试验设置说明。
- 数据质量标志。
- 数据转换历史。
- 创建该记录的审阅人或系统。
NIST AI 风险管理框架 强调治理、透明与问责等主题，这些正好直接对应这一要求。在变压器 APM 中，溯源不是文书工作，而是判断一条建议是否值得关注的基础。
为各诊断通道建模
变压器证据模型应当按各诊断通道自身的特点分别予以表示：
- DGA：气体、比值、产气速率、取样来源、油处理背景以及解释历史。参见 IEEE C57.104 与 IEC 60599。
- PRPD 与局部放电：视在电荷、相位参考、测量回路、传感器类型、噪声说明以及图谱族类。参见 IEC 60270。
- SFRA：曲线文件、仪器、引线布置、接地、分接位置、基线以及比对事件。参见 IEEE C57.149。
- 热负荷：负荷、环境温度、冷却状态、顶层油温、热点温度估计以及老化背景。参见 IEC 60076-7。
- 监测设备：传感器应用、数据质量、通信以及风险—收益背景。参见 IEEE C57.143。
智能体不应过早地将这些压缩成单一数字。
矛盾即信号
在一个建模良好的系统里，矛盾并不是需要被平均掉的噪声，而是诊断提示。可燃气体上升但热历史正常，可能需要与有热老化却无化学标志物不同的复核方式。出现 PRPD 图谱却没有 DGA 演变，可能提示测量背景问题或正在发展的绝缘缺陷。穿越性故障后出现的 SFRA 变化，可能改变原本中等风险评分的置信度。
当证据相互冲突时，智能体 APM 应当提出后续追问。这比强行把每一条记录都塞进单一的混合健康评分更有价值。
智能体工作流
一旦证据完成建模，AI 智能体便可执行有边界的工作：
- 检索附着于该资产及受影响部件的记录。
- 检查溯源信息与过时数据。
- 将观测与基线、标准背景及既往决策进行比对。
- 形成假设与不确定性说明。
- 请求缺失的记录或重新试验。
- 起草供工程师复核的维护方案。
这直接关联到 DGA 产气速率分析、PRPD 复核质量 以及 SFRA 绕组位移分析。
一份务实的证据契约
GridAPM 的变压器诊断证据契约可以概括为：
资产/部件 ID + 观测 + 方法 + 溯源 + 标准背景 + 置信度 + 解释 + 下一步行动 + 审计轨迹。
这份契约帮助变压器团队清楚地看到，一条由 AI 辅助形成的建议究竟是如何得出的。真正站得住脚的主张，并不是 AI 能预测每一次故障；更有力的主张是，AI 能让变压器诊断推理更可追溯、更跨模态、更可复核。
