★ 江苏致网科技有限公司 周艺

关键词：工业互联网；电力云边协同；模型协同进化；系统集成；智能化运维

1   背景

随着新型电力系统建设深入推进，高比例可再生能源并网与电力设备集群化部署成为常态。设备运行状态的实时感知、精准研判与智能调控已成为保障电网安全稳定运行的核心需求。然而，当前电力设备运维智能化升级面临三重瓶颈：

（1）异常样本稀缺， 模型泛化能力不足。电力设备异常状态具有低概率、高突发性特点，导致异常样本极其稀缺。传统监督学习模型在此类小样本场景下易陷入过拟合，难以可靠识别复杂或未知类型的设备故障。

（2）云边协同机制不畅， 参数同步与数据安全矛盾突出。在总部云、省级云、边缘站三级云边协同架构下，跨区域数据分散，现有通信协议与知识共享机制存在同步时延高、带宽开销大等问题。同时，边端数据包含敏感运行信息，直接上传云端进行集中训练存在隐私泄漏风险。

（3）模型效能评估维度单一， 缺乏业务导向。传统模型评估聚焦于推理精度，忽视了响应时延、能耗开销、增量学习中的遗忘效应等关键运维指标，无法全面反映模型在实际生产环境中的综合性能。

为破解上述痛点，支撑新型电力系统智能化运维升级，本案例依托某省级电力公司“人工智能两库一平台”，开展电力云边模型协同进化功能封装与调优服务建设。

2   案例实施与应用

本案例的系统整体架构由五个核心部分组成：数据输入与样本生成模块、特征提取模块、云边协同控制模块、效能评估模块以及模块集成管理层。其核心设计理念是充分发挥云端的大规模计算能力和边端的实时处理能力，支持总部云、省级云及边缘站三级架构，实现高效、可靠、安全的电力模型训练与应用。

2.1   电力云边模型样本生成与特征提取

数据输入与样本生成模块负责接收来自变压器、断路器、呼吸器等电力设备的时序状态量、图像以及运维文本等多模态数据。

· 特征提取：针对时序数据，模块计算电压、电流和频率等关键指标的统计量， 并识别周期性规律和趋势变化。针对图像数据， 通过深度卷积神经网络提取设备状态特征。针对文本数据， 通过自然语言处理提取语义特征、关键事件和异常描述。最终通过归一化和特征对齐技术， 将不同模态整合为统一向量。

· 场景数据生成：平台支持用户通过人工智能管理平台的“样本管理”界面创建数据集并导入数据。基于已有样本数据， 采用数据增强、仿真和合成技术生成典型故障和复杂场景样本， 如生成变压器绝缘子破损、呼吸器油封破损等样本。

· 二次审核：生成的样本通过人工标注和算法校验相结合的方法进行质量控制， 并对样本的准确性、完整性和多模态一致性进行量化评分。

2.2   电力云边协同控制与参数管理

协同控制器模块实现了云端与边端模型的高效协作。

· 模型参数控制：模块采用增量同步策略，将云端最新参数传输到边端， 并在边端结合局部特征进行优化， 避免不同节点之间的训练差异影响整体性能。在人工智能管理平台的“模型训练”界面， 用户可一键创建训练任务并配置参数。

· 任务调度与数据库设计：系统底层设计了严密的数据结构， 记录模型训练任务信息， 包含基础模型ID、训练模式、协作模式、执行节点IP等核心字段；通过标准化API接口实现训练任务的创建与资源调度下发。

· 数据隐私安全保护：模块采用去标识化处理，将数据中的个人或敏感信息进行脱敏， 同时支持差分计算和加密传输技术， 实现结构化数据在节点间跨域共享时的安全防护。

2.3   模型效能评估与可视化闭环

效能评估模块对模型性能进行全方位监控，重点关注模型在更新和协同过程中的表现。

· 遗忘评估：能够分析模型在更新过程中信息丢失的情况，包括关键特征和历史样本识别能力的变 化。 这 有助 于 平衡 新 旧数 据 的训 练 效果 ，防 止模型在学习新故障特征时丧失对基础工况的识别能力。

· 协同效能评估：通过多维指标评估参数同步精度、知识共享效率、样本认知一致性以及数据传输延迟和计算资源利用率。

· 系统操作与底层集成：用户可通过平台“模型中心-模型评估”模块创建评估任务。底层数据结构完整记录了精确率曲线、召回率曲线以及混淆矩阵等评估产物。评估服务通过接口触发， 并通过可视化界面实时展示各节点的协同状态。

3   应用创新性

3.1   突破小样本异常数据限制的生成算法应用

难点问题：电力设备故障极具偶然性，导致真实世界中的异常图像、极端工况时序数据极度匮乏，模型在边缘端部署时泛化能力差。

解决思路与创新点：项目创新性地研发了基于生成对抗网络的样本增强算法与特征空间映射技术。通过多模态特征对齐，不仅在单一维度上增强数据，更保证了图像、时序和文本信息在特征层面的高度一致性。在此基础上， 引入了基于量化评分的二次审核流程，从准确性、完整性和一致性三个维度剔除劣质合成数据， 有效解决了电力设备异常小样本场景下的模型过拟合问题。

3.2   跨域隐私保护与云边协同同步机制

难点问题：云边架构下，不仅存在网络带宽和通信延迟的物理限制，更面临着跨省级云、边缘站之间运行日志等敏感数据外泄的安全合规风险。

解决思路与创新点：设计了异步分布式云边通信协议， 大幅降低同步时延。最核心的创新在于构建了基于差分隐私的隐私保护知识共享框架。在样本认知管理方面， 系统首创了统一证据向量管理机制，将云边模型对同一样本的理解偏差严格控制在15%以内，确保了协同决策的准确性， 实现了跨域模型参数的安全同步与增量更新。

3.3   贴合电力业务的多维效能评估体系

难点问题：传统AI模型仅关注准确率、F1分数等纯算法层面的指标，但电力工业现场对于“推断耗时”“设备能耗”以及“模型对历史规则的遗忘率”有着苛刻的要求。

解决思路与创新点：创建了面向电力业务特征的多维量化评估体系。引入了基于自适应权重分配算法的效能指标融合模型，实现对模型推理精度、响应时延与能耗开销的联合综合评估。特别创新了“信息遗忘评估”机制，通过量化分析更新前后的关键特征变化与历史样本识别能力，确保模型在适应边缘端新突发场景的同时，不会引发对常规知识的灾难性遗忘。

4   效益分析

本案例的实施与应用，为电网智能化运维带来了显著的经济与技术效益：

（1）极大提升模型泛化与响应能力

通过多模态样本生成模块与统 一 特征提取模块，系统生成了大量高质量、多样化的异常场景样本，有效解决了电力设备异常状态小样本学习难题。模型在真实异常样本上的召回率从62%提升至89.5%。同时，系统动态分配电力系统建模任务：边端侧实时处理量测数据、执行控制决策，模型推理响应时延低于50ms，有力保障了供电可靠性；云端侧依托海量数据开展全局模型训练与迭代优化，显著提升了模型在新场景下的泛化能力。

（2）优化计算资源与通信开销

针对传统云边协同中全量参数同步带来的高带宽占用与长时延问题，本案例设计了增量同步与量化压缩策略，单次模型更新的数据传输量平均降低85%以上，同步时延从分钟级压缩至秒级。这一机制不仅大幅减少了云端与边端之间的通信开销，还减轻了核心骨干网的传输压力，使边端节点即使在4G/5G网络波动环境下也能稳定完成模型更新。

（3）筑牢工业数据安全防线

电力行业对核心生产数据“不出域、不泄露”有极高要求。本案例深度集成了差分隐私、去标识化与加密传输技术，确保了传感器数据、运行日志和设备信息在多节点协同训练全过程中不泄露关键内容，完全满足电力行业网络安全等级保护及数据安全审计合规要求。

（4）提升运维管理透明度与调优效率

系统提供了全景可视化监控模块，可实时展示各节点的参数同步状态、知识共享进度、样本认知一致性以及计算资源等使用情况。技术及运维人员能够通过动态曲线和仪表盘快速发现潜在异常和性能瓶颈，使训练数据准备时间缩短了70%。同时，遗忘效应可视化评估功能帮助团队精准调控增量学习策略，使模型连续10次更新后对历史关键样本的识别率衰减控制在5%以内，有效提高了云边模型更新过程的透明度与调控效率。

5   案例意义

本案例的成功落地，对工业互联网领域的智能化发展具有深刻的行业示范意义。

首先， 它有效支撑了电网态势感知 、 负荷预测及故障诊断等关键场景，助力新型电力系统向高效、智能、韧性方向升级。其次，本案例打破了传统AI功能模块独立部署的“孤岛效应”， 通过将样本生成、协同控制和效能评估模块进行标准化容器化封装，形成了支持弹性扩展的云边协同进化功能封装模块，成功实现了与人工智能“两库一平台”的无缝集成闭环。这不仅为电力设备在复杂工况下快速迭代、稳定运行提供了完整的技术支撑，也为其他流程制造和离散制造领域构建具备多节点协作、严格数据隐私保护的工业智能运维中台，提供了一套高度可复制、技术领先的工程范式。

作者简介：

周   艺 （1985 - ），女，江苏扬州人，高级研究员，本科，现就职于江苏致网科技有限公司，主要研究方向为工业互联网。

摘自《自动化博览》2026年4月刊