黃宗碧

（武漢泰坦信息科技有限公司，湖北省武漢市 430077）

0 引言

“從完全不同的線索出發(fā)，用不同的方法也可以得到同樣的數(shù)據(jù)——所有這些方法都支持同一個觀點，這個論據(jù)是很重要的，因為它說明了（自然規(guī)律）本質(zhì)上的一致性?！盵1]這是愛因斯坦早在1938年即向世人宣告的具有認識論高度的觀點。也是近一百年來大量科學(xué)研究中所一貫秉持的主流觀點。放眼當(dāng)今的神州大地，千百條江河不舍晝夜的奔流，全球最大規(guī)模的發(fā)、變、輸、配電系統(tǒng)將其中所蘊含的巨大能量源源不斷地轉(zhuǎn)化為電能，供給億萬用戶，其間所產(chǎn)生的海量生產(chǎn)數(shù)據(jù)、監(jiān)測數(shù)據(jù)、計量數(shù)據(jù)、檢修實驗數(shù)據(jù)、管理維護數(shù)據(jù)以及相關(guān)的水情、氣象、地質(zhì)、航運、漁業(yè)、環(huán)保、經(jīng)濟數(shù)據(jù)一起，正標識著當(dāng)今的生產(chǎn)力水平和社會生產(chǎn)基本規(guī)律。而其中的“智慧化”進程，則正詮釋了現(xiàn)代科技對于自然規(guī)律的更深層次的認知水平，以及更高層面的運用水平。

“智能水電 ”已經(jīng)不僅僅只是作為一個新概念被探討和構(gòu)想，而是和 “智慧電網(wǎng)”“智慧用電”一起成為標定我們所處時代節(jié)點的“技術(shù)標簽”，成為新時期電力建設(shè)的實際模板，成為更高效、更經(jīng)濟、更環(huán)保、更安全的生產(chǎn)組織形式的基礎(chǔ)架構(gòu)，以及更新、更快、更好、更利于持續(xù)發(fā)展的技術(shù)創(chuàng)新源泉。

本文作為本刊《人工智能技術(shù)在水電狀態(tài)監(jiān)測中的需求及應(yīng)用》[8]一文的續(xù)篇，將進一步介紹具體的“智慧水電”AI大數(shù)據(jù)應(yīng)用及其優(yōu)點，并將展開闡述其中的關(guān)鍵性問題，包括：復(fù)雜監(jiān)測系統(tǒng)互聯(lián)所導(dǎo)致的多源數(shù)據(jù)融合問題，利用智慧平臺實現(xiàn)開放式智慧監(jiān)測系統(tǒng)，以及中國特色網(wǎng)絡(luò)環(huán)境中的AI大數(shù)據(jù)脫敏應(yīng)用，并介紹相應(yīng)已經(jīng)獲得應(yīng)用效果的實例。

1 “智慧化”的AI大數(shù)據(jù)內(nèi)涵

《自然》雜志在150周年紀念文章中提到：“在過去的150年里，關(guān)于什么是數(shù)據(jù)、哪些數(shù)據(jù)是可靠的以及誰擁有這些數(shù)據(jù)的觀念發(fā)生了巨大的轉(zhuǎn)變。數(shù)據(jù)曾經(jīng)被認為是具有穩(wěn)定的固有價值，其重要性由少數(shù)專業(yè)解釋人員決定，但現(xiàn)在，數(shù)據(jù)的價值已經(jīng)是可重復(fù)利用的。而且，通過數(shù)據(jù)創(chuàng)造更大價值的限制，似乎只取決于數(shù)據(jù)在多大程度上被跨環(huán)境調(diào)動起來，并與其他領(lǐng)域的人分享的勇氣！隨著數(shù)據(jù)在數(shù)量、種類和價值上的增長，數(shù)據(jù)已經(jīng)開始驅(qū)動發(fā)現(xiàn)的過程?！盵2]在智慧水電領(lǐng)域，人工智能技術(shù)使得數(shù)據(jù)在各類智能應(yīng)用中獲得了高增值表現(xiàn)，正成長為可以具體支撐相關(guān)技術(shù)進步的“實體”資源。AI大數(shù)據(jù)應(yīng)用也成長為智慧平臺上的具體服務(wù)形式。

表1為實際某水電廠嘗試AI大數(shù)據(jù)分析的主機數(shù)據(jù)構(gòu)成，以及某檢修公司的電網(wǎng)設(shè)備數(shù)據(jù)構(gòu)成。

表1 數(shù)據(jù)資源實例：主機數(shù)據(jù)及電網(wǎng)設(shè)備數(shù)據(jù)Table 1 Data resource ： main-generator data and power grid equipment data

續(xù)表

由表1可以看出，同級別電廠、電力公司的數(shù)據(jù)基礎(chǔ)已經(jīng)普遍具備，甚至某些初步數(shù)據(jù)分析也已經(jīng)完成，但顯然還沒有達到“智慧化”的應(yīng)用水平。這其中的核心問題是：智能數(shù)據(jù)分析和傳統(tǒng)數(shù)據(jù)工程的區(qū)別是什么？人工智能技術(shù)相對傳統(tǒng)統(tǒng)計分析技術(shù)的提升到底是什么？

人工智能學(xué)習(xí)算法可以用如下通用形式刻畫：

其中，X為原始數(shù)據(jù)空間，Y為分析目標空間，F(xiàn)=X→Y為輸入、輸出間的映射關(guān)系，S（F（X），Y）為監(jiān)督函數(shù)（因其差別可以分為監(jiān)督學(xué)習(xí)Supervised Learning、 無監(jiān)督學(xué)習(xí)Unsupervised Learning、半監(jiān)督學(xué)習(xí)Semi-Supervised Learning）[5]，?i(X)為學(xué)習(xí)參數(shù)矩陣，為學(xué)習(xí)評價結(jié)果，為學(xué)習(xí)評價函數(shù)。

由此可以清晰看出，學(xué)習(xí)算法具備根據(jù)不同輸入集訓(xùn)練出不同針對性分析成果的獨特能力，正是這一本質(zhì)上的優(yōu)點使得傳統(tǒng)的數(shù)據(jù)工程技術(shù)和統(tǒng)計分析技術(shù)迎來了顛覆性的發(fā)展乃至革命。數(shù)據(jù)工程的核心任務(wù)是數(shù)據(jù)層的提取、變換及載入；而AI數(shù)據(jù)技術(shù)的核心任務(wù)是價值層的發(fā)現(xiàn)、獲取及凝練。傳統(tǒng)統(tǒng)計分析的典型模式是建立確定性的模型、實現(xiàn)確定性的算法，獲得具有確定性效果的分析結(jié)果；而AI數(shù)據(jù)技術(shù)的典型模式是建立通用型的模型、架構(gòu)進化型的算法，獲得具有持續(xù)改進性效果的分析結(jié)果。

從更深的分析層次而言，AI大數(shù)據(jù)分析比傳統(tǒng)數(shù)據(jù)分析多了一個至關(guān)重要的層次——認知層次。這個層次以學(xué)習(xí)的態(tài)度試圖回答“數(shù)據(jù)所反映的內(nèi)在本質(zhì)規(guī)律是什么？”——這將對我們正確理解、使用數(shù)據(jù)起到?jīng)Q定性的作用?？梢哉f，認知層的探索性實現(xiàn)完全顛覆了數(shù)據(jù)的價值體系和使用方式，是目前正在進行中的一場關(guān)于數(shù)據(jù)分析技術(shù)的革命。

圖1 AI大數(shù)據(jù)分析與傳統(tǒng)數(shù)據(jù)分析的差異Figure 1 Differences between AI big data analysis and traditional data analysis

例如圖2所示，這是一臺水電機組的健康狀態(tài)分析結(jié)果。數(shù)據(jù)經(jīng)過基于AI學(xué)習(xí)算法的“健康狀態(tài)模型”[8]進行計算。計算結(jié)果以紅色數(shù)據(jù)點表示，健康樣本以綠色曲線表示。橫軸表示樣本空間，縱軸表示健康狀態(tài)的優(yōu)劣（下方為優(yōu)）。從這個結(jié)果我們可以明確地認識到如下內(nèi)在規(guī)律：

（1）這臺機組的健康狀態(tài)在整個樣本空間中體現(xiàn)為比較復(fù)雜的非線性形式，不適合以某個單一數(shù)值標準（如報警限）來簡單評價機組狀態(tài)。

（2）該機組的健康狀態(tài)存在一個明顯的過渡區(qū)（彎折區(qū)，對應(yīng)“亞健康”狀態(tài)），此時可以明確改變機組運行方式以避免進入危險區(qū)，而無需盲目報警。

（3）最右側(cè)危險區(qū)的狀態(tài)變化最劇烈，有發(fā)生偶然性破壞或失效的可能。應(yīng)當(dāng)從調(diào)度方式中予以避免。

（4）左側(cè)健康區(qū)占據(jù)了樣本空間的絕大部分，說明該機組的健康工況范圍大，適合主力發(fā)電運行。

（5）健康區(qū)狀態(tài)變化平穩(wěn)，接近線性，可以利用線性回歸模型進行狀態(tài)預(yù)測。

圖2 機組健康狀態(tài)分析實例Figure 2 An example of unit health status analysis

這些客觀的規(guī)律性認識已經(jīng)深入到機組的內(nèi)在運行機理，包括了報警/預(yù)警模式優(yōu)化，運行方式優(yōu)化，調(diào)度方式優(yōu)化，運行成本預(yù)測，服役壽命預(yù)測，檢修成本預(yù)測等諸多成果。這種深刻性和實用性是傳統(tǒng)數(shù)據(jù)分析手段所難以達到的。

進一步，將AI學(xué)習(xí)算法基于宏觀數(shù)據(jù)視角和微觀數(shù)據(jù)視角分別應(yīng)用后，可以產(chǎn)生如下豐富的AI大數(shù)據(jù)應(yīng)用成果，歸納總結(jié)如表2所示。

表2 AI大數(shù)據(jù)應(yīng)用效果Table 2 Application effects of AI big data

所以，AI大數(shù)據(jù)應(yīng)用的實質(zhì)就是：由AI自主完成數(shù)據(jù)分析，自動以展示界面形式形成分析結(jié)果，并主動將結(jié)果推送給人使用，從而幫助人達到更高的認知水平，實現(xiàn)“智慧型”工作。

2 智慧平臺中的多源數(shù)據(jù)融合

在“智慧電廠”“智慧電網(wǎng)”和“智慧用電”等智慧平臺的建設(shè)過程中，存在一個共同性的難題，即多個復(fù)雜數(shù)據(jù)系統(tǒng)的互聯(lián)，以及由此帶來的多源數(shù)據(jù)融合問題。

隨著電網(wǎng)及電力技術(shù)的發(fā)展，自動化測控大系統(tǒng)的智能提升，網(wǎng)絡(luò)信息化不斷引入，電力企業(yè)也步入了一個新的歷史階段——不再局限于離散設(shè)備的智能化或者自動化，而是覆蓋了調(diào)度、發(fā)電、輸電、配電、變電、用電等所有相關(guān)環(huán)節(jié)的完整體系。新技術(shù)、新電壓等級的應(yīng)用，在提升電力企業(yè)自動化、智能化水平的同時，電力設(shè)備的組件數(shù)量、子系統(tǒng)和其下分支數(shù)目也在迅猛增加，系統(tǒng)間的交聯(lián)方式更顯復(fù)雜，離線數(shù)據(jù)（如儀表觀測、監(jiān)盤、表觀缺陷等）數(shù)目龐大、難以處理等新問題也已經(jīng)出現(xiàn)。在不遠的將來，多個、多種或多級監(jiān)測系統(tǒng)的數(shù)據(jù)以及人工數(shù)據(jù)、實驗數(shù)據(jù)、廠家數(shù)據(jù)的互聯(lián)使用將成為必然。然而，這些非同源數(shù)據(jù)是無法簡單統(tǒng)一使用的。

以前文[8]得出的故障率參數(shù)為例，故障率實際是與采樣方式及數(shù)據(jù)量有關(guān)的：

在互聯(lián)的不同系統(tǒng)中，由于采樣方式及數(shù)據(jù)量均不相同，所以非同源數(shù)據(jù)間的對比、運算、對應(yīng)實際上都不再可行，不加區(qū)分地使用非同源數(shù)據(jù)將導(dǎo)致完全錯誤的結(jié)果。這種情況其實已經(jīng)在現(xiàn)實中屢屢表現(xiàn)出來：在一個復(fù)雜系統(tǒng)中，總有一些儀器的誤報率遠高于系統(tǒng)的平均水平。

要解決這一根深蒂固的難題，我們需要從更深刻的角度來考察量測數(shù)據(jù)。量測，一方面意味著測量值的獲取，另一方面也意味著這種獲取可以在多大程度上被我們信賴?；蛘哂脭?shù)學(xué)語言來表述：每一個測量數(shù)據(jù)都對應(yīng)著一個“置信度”，或者稱為測量不確定度。這種不確定度既是獨立的，又是密切與測量結(jié)果相聯(lián)系的，它既是表明測量結(jié)果分散性的一個參數(shù)，也是對導(dǎo)致出現(xiàn)這種分散性的“潛在自然規(guī)律”的客觀描摹。在對測量的嚴格完整的表示中，應(yīng)該同時包括測量結(jié)果與測量不確定度。所以，解決多源數(shù)據(jù)融合問題的首要關(guān)鍵就是引入數(shù)據(jù)置信度，將單純的數(shù)據(jù)一元運算擴展為（數(shù)據(jù)，置信度）二元組的相關(guān)計算。

一個系統(tǒng)的數(shù)據(jù)置信度，或者叫測量不確定度可以由式（3）描述：

其中，（θ1，θ2）為置信區(qū)間。?(θ)為概率分布。當(dāng)計算結(jié)果涉及多個來源測量數(shù)據(jù)時，可以按各量的方差和協(xié)方差算得合成置信度。它是測量結(jié)果標準偏差的估計值[9]，實際上描述了多源變量的聯(lián)合概率分布特性，也表征了計算結(jié)果的分散性起因。置信度的合成方法，明示了低維數(shù)據(jù)和高維數(shù)據(jù)的不同處理方法，內(nèi)含了依據(jù)多維數(shù)據(jù)所做評定的可靠程度。因此不僅不會產(chǎn)生大量沖突性誤報，反而可以清晰展示出不可信數(shù)據(jù)所暴露出的系統(tǒng)隱患或測量缺陷。

例如，圖3為某電廠3個子系統(tǒng)數(shù)據(jù)的綜合處理，清晰顯示了多源數(shù)據(jù)聯(lián)合分布概率的異常變化，即置信度異常變化。這種異常并不體現(xiàn)在具體數(shù)值的異常上（因而并未被監(jiān)控系統(tǒng)發(fā)現(xiàn)），而是體現(xiàn)在異常的數(shù)據(jù)分布規(guī)律上（出現(xiàn)了7次大的異常）。特別嚴重的是，異常發(fā)生期間，數(shù)據(jù)平臺的監(jiān)視、決策、管理、預(yù)判都是根據(jù)這些不可信數(shù)據(jù)做出的，這實際給系統(tǒng)安全穩(wěn)定運行帶來了極大的隱患。

其次，在低維擴展到高維的情況下，還有一個特別需要注意的問題是：隨著多源數(shù)據(jù)融合技術(shù)的發(fā)展，越來越多的低維數(shù)據(jù)分析手段被“不自覺地”擴展到了高維，而這實際上是有巨大數(shù)學(xué)風(fēng)險的。純以數(shù)學(xué)上的嚴格正確性而論，很簡單地從二維到三維的擴展都不一定必然成立，一個著名的反例是：二維面積的“有限可加性”并不能導(dǎo)出三維體積的“有限可加性”。

事實上，這就是著名的希爾伯特第三問題[10]所闡明的內(nèi)容。因此，AI大數(shù)據(jù)應(yīng)用必須要基于嚴格的數(shù)學(xué)方法，而不是近似的工程處理手段。這也是人工智能技術(shù)區(qū)別于數(shù)據(jù)工程技術(shù)的顯著特點。

圖3 多源數(shù)據(jù)置信度變化實例Figure 3 Example of multi-source data confidence change

正如DeepMind在論文中所明確指出的：“（人工學(xué)習(xí)網(wǎng)絡(luò)）能夠模擬各種各樣的問題的解決方案，包括有監(jiān)督的和無監(jiān)督的；但隨著它們的大小和表達能力的增加，模型的方差也會增加。……通常的解決方案是尋找大量的訓(xùn)練數(shù)據(jù)，希望這些數(shù)據(jù)足夠接近所測試領(lǐng)域的數(shù)據(jù)分布——然而，這些數(shù)據(jù)不一定容易獲得?！盵3]只有直面數(shù)據(jù)分布的差異化問題，才能充分、正確、合理地使用智慧平臺上的海量多源數(shù)據(jù)。

3 開放式智慧監(jiān)測系統(tǒng)

圖4是某水電機組的AI大數(shù)據(jù)能效分析實例，黃色表示輸入能量狀態(tài)，綠色表示輸出電能狀態(tài)。由此可以清楚判斷，在圖線的中部區(qū)域，對應(yīng)著機組的最佳效率運行區(qū)，此時較少的輸入依然獲得了幾乎最大額度的輸出。這種能效規(guī)律的全面獲取是以往通過機組實驗途徑無法實現(xiàn)的。

圖4 AI大數(shù)據(jù)能效分析實例Figure 4 An example of energy efficiency analysis of AI big data

但特別有趣的是，上例所利用的原始數(shù)據(jù)中并沒有完整的效率測量數(shù)據(jù)。AI大數(shù)據(jù)分析技術(shù)可以使用和機組能效相關(guān)性最強的“間接數(shù)據(jù)”進行計算，從而擴展出原本系統(tǒng)并不具備的相關(guān)監(jiān)測與分析能力。這就是“智慧水電”中的開放式監(jiān)測的典型應(yīng)用場景。

再舉一個數(shù)學(xué)上更為嚴格的例子，根據(jù)平均遍歷定理[11]，有：

其條件為：

即，經(jīng)歷足夠長的時間之后，狀態(tài)量關(guān)于狀態(tài)空間的平均收斂與關(guān)于時間的平均收斂相等。簡單表述，就是可以通過狀態(tài)量分析設(shè)備的服役壽命（時間）。因此，我們并不需要為全壽命監(jiān)測再投入一整套軟硬件系統(tǒng)，而是通過AI大數(shù)據(jù)分析就可以嚴格、準確、高效地在智慧平臺上實現(xiàn)此種功能。

“新一代機器學(xué)習(xí)技術(shù)（如AlphaGo）不是通過一套預(yù)先編寫的指令進行訓(xùn)練，而是通過練習(xí)和反饋。事實證明，這與人類兒童學(xué)習(xí)技能的方式有著驚人的相似之處?！盵4]基于智慧平臺的開放式智慧監(jiān)測系統(tǒng)，具備運行過程中的性能擴展、提升、學(xué)習(xí)進步的能力，從而使得針對“跑、冒、滴、漏”等無從規(guī)劃的監(jiān)測對象有了切實合用的技術(shù)手段，也使得“電磁泄漏監(jiān)測”等全新技術(shù)手段得以展示其廣譜、靈敏、高效的優(yōu)點。

“如果科學(xué)僅僅是在關(guān)聯(lián)數(shù)據(jù)，并不告訴我們物理世界實際是什么樣的，那么就很難看到花費在這個事業(yè)上面的所有時間、精力和人力是值得的。它的成就就會顯得過于貧乏，不足以證明有必要做出如此大的投入。”[1]通過開放式智慧監(jiān)測系統(tǒng)，就可以借助人工智能手段，真正從機理層面觀察、了解、認知、把握物理世界的客觀規(guī)律。

4 AI大數(shù)據(jù)脫敏應(yīng)用

“在物理上準確地表征一個事件發(fā)生的地點與時間比歷史更為重要，因為這些數(shù)據(jù)是定量描述的根本?！盵1]反而言之，如果我們隱藏掉這些關(guān)鍵的時空信息，只留下通用規(guī)律的數(shù)據(jù)表述。那么，這個數(shù)據(jù)其實就已經(jīng)實現(xiàn)“脫敏”，可以安全、廣泛、充分地發(fā)揮其內(nèi)在價值了。

例如圖5展示了采用AI大數(shù)據(jù)技術(shù)對合格的三相電量調(diào)節(jié)數(shù)據(jù)進行的規(guī)律“發(fā)掘”，由圖可見，在不同工作區(qū)域，系統(tǒng)采用了較大差別的控制策略，自然也就獲得了完全不同的控制效果。既然所有的生產(chǎn)指標都是合格的，就可以根據(jù)能耗、效益指標來選擇最優(yōu)運行方式。重要的是，這種規(guī)律性成果即使是分享給其他單位，依然不會泄露用戶的敏感信息，卻還是可以起到幫助兄弟單位優(yōu)化其效益的顯著效果。

本文所選取的所有實例，均以脫敏方式展示出來。這些分析成果并不需要標注時間、地點等用戶信息，也不需要提供測點名稱、具體量值、計量單位、坐標比例等原始數(shù)據(jù)。在AI大數(shù)據(jù)應(yīng)用中，應(yīng)用的核心價值是數(shù)據(jù)的內(nèi)在規(guī)律，而不是數(shù)據(jù)的秘密屬性。同理，在AI大數(shù)據(jù)分享中，廣大用戶分享的也是這種共性的規(guī)律及知識價值，而不是分享機密。

圖5 數(shù)據(jù)規(guī)律實例Figure 5 Examples of data rules

在這種本質(zhì)安全的脫敏技術(shù)支撐之上，多個AI服務(wù)可以同時并列運行于“容器云”中，互不沖突。各種AI服務(wù)也能以“試用”“租用”“自有”等多種形式快速推廣，大大提升了項目落地的速度和應(yīng)用效果。另外，用戶也可以只在當(dāng)前最優(yōu)先發(fā)展的層級展開自建工作，而將其他層級的工作以服務(wù)方式購置。甚至，用戶可以打造完全屬于自己的“虛擬云應(yīng)用”，卻沒有傳統(tǒng)的機房運維、平臺運維、應(yīng)用運維負擔(dān)，從而創(chuàng)建出真正便捷高效的“綠色”智慧平臺。這一點，對于擁有全球最大規(guī)模專業(yè)“內(nèi)網(wǎng)”資源的中國電力企業(yè)而言，是極其難得的時代機遇和得天獨厚的環(huán)境條件。

圖6 AI大數(shù)據(jù)應(yīng)用推廣方式Figure 6 Application and promotion of AI big data

如此，借助國家電網(wǎng)、南方電網(wǎng)已經(jīng)建成的“內(nèi)網(wǎng)”和正在推進的“內(nèi)網(wǎng)云平臺”，世界最大規(guī)模的電力系統(tǒng)完全有能力建立起具有世界一流價值的數(shù)據(jù)應(yīng)用體系，以及人工智能應(yīng)用體系。例如眼下，正在飛速打造的“雄安泛在電力物聯(lián)網(wǎng)綜合示范區(qū)”已經(jīng)展現(xiàn)出智慧電力的曙光。

5 結(jié)束語

1984年普朗克獎?wù)芦@得者，物理學(xué)家 Res Jost曾最先描述過：每一科學(xué)分支都遵循一種“三階段發(fā)展模式”[12]，我們可以用來借鑒思考“智慧水電”的建設(shè)工作：

第一階段為定性階段，主要是收集和描述事實，以及提出普遍的分類原理和解釋。這就是大數(shù)據(jù)平臺建設(shè)之前的水電及電力自動化系統(tǒng)運行狀態(tài)寫照。

第二階段為定量階段，主要是進行定量的測量，并用方程來表述定律。這就是大數(shù)據(jù)平臺建設(shè)之后，利用數(shù)據(jù)建模、回歸分析、統(tǒng)計計算來描述水電及電力自動化系統(tǒng)運行狀態(tài)的實際情況。

第三階段則又是定性的，這時將在更深刻的層面上理解定量理論的內(nèi)涵，并且上升到用定理而不是方程來描述所得到的自然現(xiàn)象的規(guī)律。這就是將人工智能技術(shù)應(yīng)用于水電及電力大數(shù)據(jù)平臺后將要取得的新的進展——“規(guī)律發(fā)現(xiàn)”及“知識發(fā)現(xiàn)”！這不僅僅只是技術(shù)手段的提升、發(fā)展和延伸，更多的是相關(guān)科學(xué)內(nèi)容的認知水平將在一個前所未有的更高層面上被展現(xiàn)出來。

人工智能，將不僅僅作為工具，還將成為人類的科學(xué)及專業(yè)認知能力的一個有機組成部分，進而確立為社會及科技進步的強大基礎(chǔ)推動力?？萍疾扛咝滤舅鹃L秦勇說，新一代人工智能重大科技項目選擇大數(shù)據(jù)智能、跨媒體智能、群體智能、混合增強智能和自主智能系統(tǒng)五個主力方向，從基礎(chǔ)理論、支撐體系、關(guān)鍵技術(shù)、創(chuàng)新應(yīng)用四個層面進行系統(tǒng)性、前瞻性任務(wù)布局。以“智慧電廠”“智慧電網(wǎng)”和“智慧用電”全面布局來整體提升電力自動化水平的技術(shù)浪潮正在到來，以“內(nèi)網(wǎng)云平臺”“定制云服務(wù)”“跨部門數(shù)據(jù)應(yīng)用”為新增長點的業(yè)務(wù)模式正在迅速普及。

《自然》雜志寫到：“中國不僅擁有世界上最多的人口，而且有望成為世界最大的經(jīng)濟體——它還希望在人工智能方面引領(lǐng)世界?！盵6-7]作為中國電力事業(yè)建設(shè)者、奮斗者中的一員，我們“不忘初心、砥礪前行”！