智慧电网 AI 项目需求场景与技术方案内部研讨

文档目的： 针对省网基建部提出的两项AI需求，细化业务场景案例，明确技术实现路径及潜在难点，为内部评审提供决策依据。

项目一：配网设计评审智能体难度：高

当前痛点： 每年配网基建项目数以千计。设计院提交的图纸（CAD/PDF）和说明书，主要靠基建部专责人工审核。存在“漏看错看”、“标准记忆偏差”、“重复劳动”等问题。

🔍 具体案例：10kV新建台区工程审查

输入： 设计院提交了《10kV XX台区新建工程设计说明书.docx》和《电气平面布置图.dwg》。
场景动作：

人工做法： 评审员打开CAD，肉眼寻找变压器与围墙的位置，测量距离是否大于国标要求的0.8米。再打开Word，检查引用的“典设编号”是否是2024年最新版。
AI智能体做法：
1. 系统自动读取CAD图层，识别出“变压器”图元和“围墙”线条。
2. AI计算两者几何距离为0.6米。
3. AI检索知识库中的《配电网规划设计技术导则》，发现规定最小距离为0.8米。
4. 结果输出： 在评审报告中自动生成一条红色预警：“图号E-03中，变压器对墙距离0.6m，不满足导则5.3.2条款（要求≥0.8m）。”

为解决“非结构化图纸解析”这一核心难点，建议采取“规则引擎(保底线) + 大模型(做推理)”的混合架构。

模块	技术实现细节
图纸解析层 (最难点)	1. CAD解析：不直接把CAD当图片看。使用`ezdxf`等工具库读取CAD底层数据，提取设备属性、坐标、连接关系，转化为结构化JSON数据。 2. OCR识别：针对PDF/图片图纸，使用高精度OCR识别图例表和文字说明。
知识库构建 (RAG架构)	将国标、行标、反措规定进行切片向量化。对于带参数的条款（如距离、线径），需人工提取为结构化规则表，不能只靠AI模糊搜索。
智能评审引擎	1. 确定性校验：对于“安全距离”、“设备选型”等硬指标，使用Python脚本比对解析出的CAD数据与规则表（确保100%准确）。 2. 语义性审查：对于“设计合理性”、“文字描述错误”，将文档内容投喂给LLM（大模型），让AI以专家身份给出建议。

当前痛点： 项目经理报物资计划往往依赖经验或照搬旧项目，导致“报多了积压，报少了停工”。且物资名称填写不规范，导致库存明明有货却匹配不上。

📊 具体案例：某县农网改造项目物资申报

场景动作：

用户操作： 项目经理在系统填写：项目类型=“农网改造”，规模=“5公里架空线”，拟申报物资=“10千伏绝缘导线 6000米”。
AI数字审核员介入：
1. 清洗对齐： AI识别出用户填写的“10千伏”应对应主数据ID“000234-10kV架空绝缘线-JKLYJ-240”。
2. 历史校验： AI分析历史同类项目，发现每公里线路通常损耗系数为1.05，即理论需求约5250米。
3. 库存联动的预警： AI发现当前库存有同规格闲置电缆2000米。
4. 结果输出： 弹窗提示：“检测到申报数量（6000m）超出模型预测值（5250m）14%，且库存有2000m可用。建议申报数量修改为3250m，并优先利库。”

核心不在于复杂的深度学习，而在于数据治理和业务规则的数字化。

模块	技术实现细节
数据清洗 (NLP)	利用BERT类模型训练一个“物资实体对齐模型”。解决“10kV”、“10千伏”、“10KV”写法不一的问题，将历史脏数据清洗为标准ID，这是预测的基础。
预测模型 (Predictive)	构建“BOM推荐引擎”。输入特征：项目类型、电压等级、地理环境、线路长度、变压器容量。算法：使用XGBoost或随机森林回归，根据历史已完结项目的实际消耗量，预测新项目的标准物料清单。
异常检测 (风控)	利用孤立森林（Isolation Forest）算法检测离群点。如果某个项目的申报清单与主流模式差异过大（例如：申报了变压器却没申报对应的跌落式熔断器），系统自动触发逻辑风险预警。