2025年电力人工智能多模态大模型创新技术及应用报告

西安交通大学电力人工智能多模态大模型创新技术与应用报告总结

1. 研究背景

1.1 人工智能的概念及发展

• 人工智能是研究、开发用于模拟、延伸和扩展人类智能的理论、方法及应用系统的新技术科学。
• 发展历程：推理期、知识期、统计学习时期、集成方法时期、早期神经网络时期、大模型时期。
• 当前主流技术：深度学习（大模型）。
• 发展基石：数据、算力、算法。
• 研究热点与未来趋势：通用模型、高效训练算法、国产算力平台生态成熟。

1.2 人工智能大模型引领新一轮科技革命

• 大模型井喷式发展，推动性能、规模和应用的全面突破。
• 全球大模型竞相发布，成为科技进步的重要动力源。
• 本课题组相关工作：ERNIE3.0、CPM-T、GPT-G、FLAN等。

1.3 人工智能赋能新型电力系统发展

• 传统电网：人工依赖度高，资源配置低效，故障响应不及时。
• 新型电网：人工智能赋能后，通过实时调度优化、智能维护和精确能源管理，提升电网运行效率、稳定性和可持续性。
• 国家政策支持：多部委出台针对人工智能的专项政策。

1.4 自研电力大模型意义重大

• 数据层面：通用数据与电力领域多模态数据差异过大，专业程度低、关联性弱。
• 模型层面：开源通用模型缺乏电力专业预训练，多模态支持不足。
• 应用层面：现有国产化电力大模型在真实电力任务上性能不够高，与实际需求仍存在差距。
• 自主可控：电力人工智能多模态大模型核心技术必须自主可控。

2. 关键技术

2.1 电力大模型全流程关键技术体系

• 数据生成：大规模高质量电力专业数据集构建。
• 模型构建：电力通用大模型研发。
• 模型训练：电力大模型分布式训练关键技术。
• 模型部署：电力大模型轻量化与边缘计算部署。

2.2 数据生成

• 纯文本数据制作管线：大规模、自动化的语料筛选清洗管线。
• 多模态数据制作管线：多类别数据流程更新，构建层次丰富多样性好，知识粒度细的电力场景大规模多模态数据集。

2.3 模型构建

• 多模态编码器：将不同模态数据转化为统一的序列形式映射至同一个特征空间内。

2.4 模型训练

• 预训练技术：多模态模型预训练，电力领域多模态大模型预训练方案。
• 后训练技术：指令微调+强化学习。
• 混合立体并行训练方案：国产集群适配大模型训练流程。

2.5 部署应用

• 大模型轻量化全流程方案：基于特征关系保留的知识蒸馏技术与基于梯度精度分析的模型量化技术。
• 边缘计算+云边协同：单设备状态感知与运维任务可由边缘计算技术本地高效完成，对于变电站层的状态数据处理，需要云边协同技术。

3. 应用案例

3.1 电力专家与客服系统

• 解决电网公司海量客服需求，提供全天候、实时、专业的服务。

3.2 多模态运维安全助手

• 电力设备故障易引发人身安全事故，急需开发高效精准的电力运维规划与安全警模型。

3.3 多模态电力设备状态感知助手

• 完成电力设备的多模态数据状态感知任务并实现与运维人员的实时交互。

3.4 电力时序数据分析监测模型

• 利用时序数据进行电力场景精细化感知与深度分析。

3.5 新能源发电功率预测、智能调度与评估

• 根据历史气象数据和发电出力数据对短期到中长期时间尺度的发电数据进行可靠预测，形成智能化调度建议与后续建设规划。

3.6 电力设备运维助手

• 边侧模型保证推理精度加快推理速度。

4. 未来展望

• 建立并优化以典型场景为导向，以赋能为抓手，以落地应用为目标的电力AI多模态大模型。
• 整合资源优势，加强企业高校合作，推进技术交流，数据共享，建立电力行业数据规范，打造电力行业人工智能合作联盟。
• 成果：电力设备智能运维大模型、电力系统负荷预测与调控大模型、电力智能问答专家系统。
• 功能层：典型场景智慧解决方案。
• 资源层：电力标准数据集打包、云端和本地服务器训练资源、典型电力场景算法模型包、支持底层平台电力领域典型数据库、电力人工智能实训平台、电力领域人工智能基础模型。
• 场景需求：典型电力场景算法模型包。