用于电力行业的生成式人工智能：方法论、安全性、可靠性与政策考量

《Next Energy》：Generative AI for the power sector: Methodology, safety, trustworthiness, and policy

　　卡莱德·阿尔谢赫里|穆阿马尔·赛义德-穆查韦
阿卜杜拉国王石油研究与研究中心（KAPSARC），邮政信箱88550，利雅得11672，沙特阿拉伯

**摘要**
将可再生能源、氢燃料电池、电池储能以及电网互联等新兴能源技术整合到电力系统中，给发电预测、电网稳定性和供需平衡带来了显著的不确定性。因此，电力系统正在经历一场重大变革，以支持向可持续、低碳能源系统的过渡。这些系统正在演变为数字化的智能电网，其中网络、物理和社会领域通过智能组件、先进的计量基础设施和无线连接得以融合。与此同时，人工智能（AI）领域的最新突破，特别是生成式AI（GenAI），为应对这些新兴挑战提供了变革性的技术能力。尽管现有文献广泛探讨了AI在电力行业的各种应用，但对其多维度影响的全面评估——包括运营价值、安全性、可靠性和监管框架——仍然有限。为了填补这一空白，我们提出了一个三维分析框架，重点关注运营价值创造、安全性和可靠性方面的考量，并探讨了相应的政策和监管影响。我们提出了一种结构化、可复制的方法来构建GenAI用例，以预测性维护为例展示了其有效性，其性能提升超过了31%，相比传统AI方法更为显著。此外，我们还批判性地评估了GenAI的安全风险，建立了可量化的可靠AI部署标准，并根据与电力行业相关的全球实践提出了有针对性的政策和监管建议。

**1. 引言**
自21世纪初“智能电网”一词被提出以来[26]，电力行业从业者、经济学家和政策制定者已将电网视为一个网络-物理-社会系统。实际上，电网是涉及复杂工程操作的基础设施，旨在确保即时供需平衡。实现这一平衡需要利用先进的技术和计量基础设施，并具有重大的社会和经济意义。随着公用事业规模可再生能源的整合、分布式可再生能源资源（如屋顶太阳能）的普及、氢燃料电池作用的增强、电动汽车（EV）的兴起以及电网互联和双向能量流动（如车对网和网对车）的重要性增加，电力行业的运营和经济复杂性显著提高。

与智能电网运营和经济学方面的丰富文献和创新同步，人工智能（AI）的快速发展也在全球范围内颠覆了许多行业，尤其是在2010年代深度学习（DL）出现之后。值得注意的是，许多当今AI领域的创新早在1960-1980年代就被理论证明是可行的，但由于数据可用性和计算能力的限制而无法实施。DL利用受人类大脑启发的“神经”网络数学表示，通过大型历史数据集中的输入输出关系来识别复杂模式并执行特定任务。神经网络架构的快速突破加速了生成式AI（GenAI）模型的发展，这些模型能够“生成”文本、代码、音频和视频等内容。借助GenAI，我们迎来了一个通用模型的新时代，这些模型可以执行多种任务，通常针对特定领域（如电力行业）进行微调。

为便于阐述，我们在表1中将AI在电力行业的演变分为四个范式：基于规则的AI、机器学习（ML）、深度学习（DL）和生成式AI（GenAI）。基于规则的AI不一定需要数据，因为它主要依赖于从专家知识中得出的预定义的If-Then逻辑规则；而其他范式则广泛利用数据来执行各种任务。ML包括多种学习方法，例如分类（如识别特定电力线路的健康状况类别）。其他学习任务包括聚类（如根据统计相似性对电力消费者进行分组）、回归（如预测可再生能源供应或消费者需求）、排名（如网页排名）和降维（将大型数据集压缩为更小的数据集同时保留关键特征）。ML任务和应用的一个共同特点是它们依赖于历史数据。

**表1. AI范式的演变及其在电力行业的应用示例**
| 范式 | 描述 | 里程碑 | 电力行业示例 |
|------|------|------|---------|
| 基于规则的AI | （1950-1990年代） | 使用逻辑规则（IF-THEN语句构建，需要大量的领域特定知识 | 专家系统（例如MYCIN、DENDRAL）[86] | 特定规划、诊断和操作活动的自动化 |
| 机器学习（ML） | （1990-2010年代） | 利用来自各种来源的数据“学习”模式以执行特定任务 | 通用逼近定理[18]、支持向量机（SVMs）和循环神经网络（RNNs）[35] | 操作设备故障检测与分类、负荷预测和电压稳定性 |
| 深度学习（DL） | （2012年至今） | 利用大型结构化数据和计算能力；高性能但解释性和生成能力有限（“黑箱”模型） | 各种神经网络架构，推动了计算机视觉（图像/视频）、自然语言处理（文本/代码）和音频[61]的发展 | 负荷预测、可再生能源集成与管理、基于视觉的资产识别和映射 |
| 生成式AI | （2017年至今） | 能够生成新的、真实的数据；高效处理大型非结构化数据集；通用模型的出现 | Transformer模型[93]实现了序列数据的高效并行处理；生成对抗网络（GANs）和变分自编码器（VAEs）的进步 | 控制室中的决策辅助、电力系统建模、状态估计和预测性维护 |

**1.1 相关工作和文献中的空白**
多项研究提出了基于AI的方法来支持发电和需求预测、规划、维护以及电网运营中的许多其他活动。虽然这些不断增长的文献为个别应用提供了有意义的见解，但现有贡献在范围或分析深度上往往有限。大多数论文要么狭隘地关注特定技术任务，要么广泛介绍AI在电力行业的理论潜力，而没有提供可测量的结果或实施框架。此外，GenAI的最新进展尚未在其运营价值、安全性和政策相关性方面得到全面评估。本研究通过提供一个与我们框架的三个关键分析维度相一致的文献综述来填补这一空白：（1）运营价值创造；（2）安全性和可靠性；（3）政策和监管影响。

从运营角度来看，各种AI范式已被用于预测能力、预测性维护（PM）和电网优化。现有研究证明了ML和DL在改进需求和可再生能源发电预测、识别资产健康状况以及优化市场运营方面的适用性。然而，许多这些贡献依赖于传统的AI方法，并未利用新模型的生成能力。因此，目前还缺乏用于构建可跨电力系统功能通用且能在数据集有限或不平衡的情况下运行的基于GenAI的用例的结构化方法。

在安全性和可靠性方面，电网被视为关键基础设施，因此需要严格的保障措施。关于GenAI安全的新兴文献概述了高级风险分类，包括恶意使用、模型故障和系统依赖性带来的风险。然而，很少有研究将这些风险转化为电力系统的操作术语。同样，尽管许多论文讨论了公平性、可解释性和隐私保护技术，但缺乏特定于行业的分类标准和可量化的基准仍是一个关键挑战。只有有限的研究探索了数字孪生、人在回路架构和审计机制作为在真实电网环境中部署可靠GenAI的推动因素。

最后，尽管全球范围内有越来越多的政策倡议和AI治理框架，但大多数现有标准都是通用的或行业中立的。虽然欧盟（EU）、北美电力可靠性公司（NERC）和英国天然气和电力市场办公室（Ofgem）等机构已经开始解决关键风险，但目前还没有最终的监管结构来规范GenAI在电力行业的安全部署。特别是，风险分类和分阶段开发流程尚未系统地适应电网的特点。

**表2. 按分析维度分类的文献综述**
| 分析维度 | 研究领域 | 代表性参考文献 | 总结与空白 |
|---------|------------|-----------------|-----------------|
| 运营价值创造 | 发电、负荷管理和控制 | [100], [13], [22], [29], [38], [42], [50], [52], [64], [74], [81], [96] | 这些研究强调了ML/DL在供应侧或需求侧的广泛应用，但大多数工作是特定于任务的，缺乏与GenAI方法的整合或系统性的全电网优化 |
| 优化和控制 | 电网运营和维护 | [1], [37], [69], [70], [82], [89], [91], [39], [29], [65], [56], [75], [62], [28], [19], [11], [15] | 文献为预测性维护等关键应用提供了坚实的基础。以优化为重点的贡献展示了电网管理和控制策略的价值，但很少结合GenAI的上下文推理 |
| 安全性和可靠性 | 安全风险评估：恶意使用、故障、系统故障 | [48], [61], [7], [76], [79], [8], [9] | 越来越认识到与GenAI相关的安全风险以及避免损害的必要性，但对于关键基础设施和特定行业安全协议的分析仍不充分 |
| 可靠的AI | [2], [21], [27], [33], [4], [47], [54], [57], [58], [60], [80] | 虽然文献探讨了AI的公平性、隐私和可解释性，但很少有工作提出与电网可靠性和安全标准相一致的可量化信任指标或特定行业的验证方法 |
| 政策和监管影响 | 支持AI治理和创新的政策和监管结构 | [16], [25], [31], [34], [43], [44], [45], [49], [53], [73], [77], [85], [99] | 许多框架是通用的，提供操作和伦理指导，但很少针对电力行业的需求进行定制。分阶段的部署和创新模型为将GenAI与电力行业需求对齐提供了结构，但仍存在空白 |
| 行业特定政策、法规和框架 | [20], [23], [24], [71], [72] | 电力行业的政策和法规尚未明确考虑GenAI的特定需求，但仍承认需要解决这些差距 |

**1.2 贡献**
涵盖GenAI的所有直接和间接影响本身就具有挑战性，尤其是在像电力行业这样复杂的领域。我们对AI和电力行业内的科学文献及监管报告的全面回顾证实了这种复杂性。当前的贡献通常要么狭隘地关注特定应用（如负荷预测），要么广泛探讨GenAI的理论潜力，但没有提供可测量的结果或部署路径。认识到这一差距，我们着手解决变革性技术（生成式人工智能，GenAI）与复杂的网络物理社会基础设施（电网）之间的交叉问题。为此，我们构建了一个三维框架（图1），该框架涵盖了（1）运营价值创造、（2）安全性和可信度，以及（3）政策和监管影响，并将这些维度明确整合到一个统一的方法论和治理结构中。下载：下载高分辨率图片（93KB）下载：下载全尺寸图片

图1. 将生成式人工智能方法论、可衡量的可信度维度以及针对关键电力基础设施的风险分级治理机制联系起来的综合框架。Gen AI = 生成式人工智能。

本研究的核心贡献是开发并验证了一个综合的、特定于行业的生成式人工智能部署框架，该框架在关键电力基础设施的背景下同时连接了方法论、可信度和治理机制。我们的主要贡献可以总结如下：
（1）我们提出了一种特定于生成式人工智能的方法论流程，该流程通过将基于语义大型语言模型（LLM）的洞察力提取、合成少数类生成和上下文感知优化整合到一个针对安全关键电力系统的统一架构中，与传统的机器学习工作流程不同。
（2）我们通过可衡量的验证指标、可靠性阈值和与电网特定性能指标相对应的审计机制，使电力行业的生成式人工智能具有可信度。
（3）我们引入了一个专为关键能源基础设施设计的风险分级、阶段式治理框架，超越了通用的AI治理模型。

据我们所知，此前没有先前的工作将这些三个要素整合到一个统一的生成式人工智能部署框架中。本研究旨在作为一个垫脚石，旨在阐明人工智能、电力行业运营以及更广泛的网络物理社会系统之间的相互作用和依赖关系。值得注意的是，我们的许多讨论也适用于其他领域（石油和天然气、石化、制造业等）。

本研究直接支持可持续发展目标（SDG）7（负担得起的清洁能源）、SDG 9（产业、创新和基础设施）通过关键能源基础设施的数字化转型，以及SDG 13（气候行动）通过提高可再生能源的整合度和减少与维护相关的低效率。通过将生成式人工智能的部署与安全和治理原则对齐，该研究为可持续和负责任的基础设施现代化做出了贡献。

2. 价值创造：生成式人工智能开发的方法论
电力行业包括5项主要活动：发电、输电和配电、公用事业规模和分布式储能系统、需求以及交易和市场。为了释放电力行业数据的价值并在日常（或每周或其他）运营中使用这些数据，数据的质量和数量必须足够代表电力行业中不同活动的动态和行为。这通常限制了传统AI方法的部署和投资，影响了它们利用学习能力的能力，并需要高度熟练的劳动力。然而，生成式人工智能的能力可以通过高效生成高质量的数据（表格、文本、音频、视频）来帮助弥合这些差距，从而实现各种技术的实施和利用。

生成式人工智能的影响可以大致分为（1）增强预测和（2）在电力行业运营中的引导优化。通过提高预测准确性，生成式人工智能能够更可靠地预测变量，如可再生能源发电、负荷需求和设备健康状况。除了预测之外，生成式人工智能还通过自动化复杂的决策过程并引导操作员采取高效的数据驱动行动来支持优化。其生成现实场景和模拟系统行为的能力提高了应急计划和运营韧性。此外，生成式人工智能可以自动化常规任务，减少人为错误，并提供可解释的建议，从而促进人工智能辅助运营的透明度和信任。这些能力共同提高了电力系统的效率、可靠性和适应性——这是应对能源转型日益增加的复杂性和波动性的关键要求。我们在图2中将这些两组应用案例进行了归纳（非详尽列表）：
•发电：生成式人工智能提高了风能和太阳能发电预测的准确性和可靠性。这种改进减少了调度成本、碳排放、辅助服务采购和可再生能源的削减。
•输电和配电：生成式人工智能提供了更准确的输电和配电线路容量预测，考虑到天气条件和负荷情况。这使得公用事业公司能够扩展现有线路的容量，降低拥堵成本，减少对新架设线路的投资，并防止因线路过载而导致的停电。此外，生成式人工智能可用于通过设计个性化培训计划和定制的模拟场景来培训电网操作员，加速新员工的技能发展。
•储能系统：生成式人工智能提高了储能系统充电状态的预测准确性。这使得在非高峰时段更有效地储存多余电力，并在电价较高的高峰时段更好地利用电力。
•需求：生成式人工智能提高了需求预测的准确性，有助于利用可再生能源发电和储能系统（例如插电式电动汽车、供暖、制冷和甲烷气体生成）在各种需求领域（如交通和工业供暖应用）中转移或削减高峰负荷。此外，生成式人工智能使公用事业公司能够通过自我诊断技术中断、自动化服务提供商协调和跟踪问题解决来减少客户投诉的响应时间。它还允许消费者通过详细的年度、月度和每日报告监控他们的电力使用情况，并接收减少能源浪费的个性化建议。
•交易和市场运营：生成式人工智能改进了可再生能源发电预测，使电力供应商能够在多个时间框架、电力市场和电网服务中优化出价策略，从而获得更高的利润。更好的可再生能源发电预测还有助于消费者制定更高效的电力消费计划，并帮助监管机构维持稳定的市场运营。此外，政策制定者可以利用生成式人工智能模拟新法规（如碳税、电价和发电组合）的影响，从而做出明智的决策。

图2. 生成式人工智能为电力行业主要应用案例带来的附加值。Gen AI = 生成式人工智能。

实现每个应用案例的价值需要适当的数据采集和分析，构建生成所需合成数据的正确模型，以及引导优化，从而做出更高效的决策。在这里，我们提出了一种三步方法论，涵盖了电网运营和管理的决策过程中的这些步骤，如图3所示：
1. 数据收集与洞察力提取：这一步涉及从各种来源收集相关结构化数据（例如表格数据）和非结构化数据（例如文本）。这些来源包括一般的电力工程知识、公开可用的电网数据集、专家分析报告和访谈、历史工作订单、运营和管理程序、公用事业和运营传感器日志等。然后，分析这些收集到的数据以提取洞察力，从而实现更高效和有指导的决策过程。例如，这些洞察力可能是识别应在决策过程中优先考虑的电力系统中最关键的组件。
2. 预测与合成数据生成：在这一步中，基于一组输入变量预测特定时间范围内的输出变量的价值。时间范围可以是短期的（从1小时到1天）或长期的（超过1年）。电网中的预测任务示例包括预测能源需求[74]、预测来自间歇性来源（如风力涡轮机[22]或光伏板[100]）的能源发电、评估变压器[91]和发电机[1]的健康状况，以及估计电力传输线的热传输容量[87]。此外，当真实数据稀缺、有限、敏感或收集成本高昂时，会生成合成数据。然后使用生成式人工智能生成的合成数据来训练预测模型，并在极端天气事件或设备故障等关键情况下提高其预测准确性。此外，这种生成还使得风险建模、分析和验证AI驱动的建议成为可能，提高了决策过程的可解释性和可靠性。
3. 优化与指导：这一步侧重于使用目标函数来确定一组行动，以最小化成本或最大化利润。目标函数是待优化标准的数学表示，同时满足特定约束。它定义了目标与决策变量之间的关系。例如，优化可以确定调整能源消耗和发电的行动，同时最大化可再生能源的使用，同时考虑电网拥堵、高峰负荷、电价信号等因素[56]、[65]。在这一步中，生成式人工智能通过提供类似应用案例的上下文信息来改进优化活动的执行[39]。为此，生成式人工智能搜索与实际案例相关的工作订单或案例，以回答操作员和决策者的问题。它还创建工作订单、采购请求，并支持所有级别的操作。这有助于促进优化行动的执行和实施，简化其验证和确认，并减少决策时间。此外，还突出了增强操作员和决策者理解的关键信息。这是通过交互式和动态界面调整他们的提示和查询的视觉表示来实现的。

接下来，我们将上述三步方法论应用于预测性维护（PM）应用案例，并证明其有效性，与传统AI方法相比，性能提高了31%。与传统遵循线性结构的机器学习流程不同，所提出的方法论引入了3个特定于生成式人工智能的差异化特点：
- 通过LLM微调从非结构化文本中进行语义推理，
- 生成合成罕见事件数据以解决数据不平衡和极端情景建模，
- 通过基于案例的推理和相似性检索支持上下文感知的优化。

这将流程从一个纯粹的预测架构转变为一个适应数据稀缺和高不确定性的自适应决策支持框架，这是电力系统的典型特征。

2.1. 应用：生成式人工智能提升电力行业预测性维护的好处
虽然在本研究中使用预测性维护作为实证验证的示例案例，但所提出的生成式人工智能方法论并不限于这一特定应用。该方法论被设计为模型无关、任务无关和资产无关的。合成数据生成模块可以根据数据集的特点和运营目标，结合各种生成架构，包括变分自编码器（VAEs）、生成对抗网络（GANs）、扩散模型或基于表格的Transformer模型。同样，优化和指导模块也可以适应多种决策背景，如经济调度、拥堵管理、动态线路评级、韧性规划、可再生能源预测、储能调度和电力市场优化。同样的三阶段流程——从结构化和非结构化数据中提取语义洞察力、合成罕见事件增强以及上下文感知的优化——适用于发电、输电、配电、储能和需求侧的应用。因此，这里将发电侧的预测性维护作为一个具有可衡量经济成果的代表性、安全关键应用案例进行介绍，而不是框架范围的限制。

预测性维护旨在预测设备或组件可能发生故障的时间，从而在最佳时间安排维护干预。为此，预测性维护估计剩余使用寿命（RUL）——即资产在需要维修或更换之前的预期运行时间。与反应性或基于时间的预防性维护相比，预测性维护具有显著优势，因为它确保仅在必要时进行维修，从而减少了不必要的维护成本。此外，它通过战略性地安排干预措施来优化维护操作，以最小化与更换、检查、库存和停机相关的费用。运营和维护成本通常占电网总成本的30%到35%[92]。预测性维护的好处包括：
- 设备运行时间增加10-20%，
- 总维护成本减少5-10%，
- 维护计划时间减少20-50%。

对于电网而言，预测性维护特别有价值，因为它们的规模和地理分布（例如广泛的输电和配电线路）、停电的连锁效应（例如，由于过载或天气条件导致的变压器故障或线路损坏可能导致电网崩溃），以及与手动或定期检查相关的高成本。实施预测性维护可以增强电网的可靠性，减少计划外停电，并优化运营效率。为了充分利用预测性维护的好处，必须解决两个主要挑战：
1. 故障数据的可用性：需要足够的数据来训练能够检测早期退化迹象并准确估计剩余使用寿命的模型。关于故障事件的更多数据可以使剩余使用寿命的估计更加精确。因此，关于故障动态演变的有限数据会显著降低预测性维护的有效性。然而，大规模部署传感器和通信网络覆盖广泛的电网资产在成本上是不可行的，这使得收集必要的故障数据变得困难。2. 整合和分析多种数据来源：维护操作依赖于来自各种格式（例如，数值、文本、数字日志、语音记录和传感器数据）和来源的数据，包括传感器读数、运行和天气数据、财务和成本数据、维护日志、机器文档、备件库存、运输可用性和成本等。有效的预测性维护（PM）需要无缝整合和分析这些结构化和非结构化数据，并确保涉及维护行动的多个部门和服务之间的协作。这些整合和协作对于充分利用收集到的数据并优化维护操作至关重要。解决这些挑战将提高电网运营和管理中PM的可靠性和成本效益。生成式人工智能（GenAI）使电网能够克服这些挑战，并充分实现PM的好处。为此，图3中提出的方法被应用于实现PM用例的GenAI。这些步骤详细如下，并在图4中进行了说明。下载：下载高分辨率图像（605KB）下载：下载全尺寸图像图4. 应用三步法进行预测性维护。AI = 人工智能；DL = 深度学习；GenAI = 生成式AI；LLM = 大语言模型；ML = 机器学习；PEFT = 参数高效微调；RUL = 剩余使用寿命。2.1.1. 数据收集和洞察力提取收集的数据包括传感器数据、与设备故障模式和术语相关的工业文本以及维护记录。传感器数据由安装在各种电力系统资产上的传感器提供，用于测量关键的环境、运行和性能指标，如电流、振动、空气温度、风速和方向、发电机速度、齿轮箱油温、功率因数、发电量等。这些实时测量提供了对电力系统健康状况的持续监控。维护记录包括工作订单历史、维护持续时间、故障严重程度和症状等。表3展示了风力涡轮机齿轮箱中观察到的各种故障模式的维护记录示例。1. 齿轮箱将转子的低速旋转转换为发电机的高速旋转。它是关键组件，其故障既常见又昂贵。该表突出了组件的重要性、故障描述、关键性评分和相关维护成本。该表区分了三种类型的维护事件：修理、更换和检查，每种事件对应不同的故障严重程度和系统影响。第一条记录描述了一个中等关键性的故障，涉及齿轮齿的剥落和凹陷，修理成本为20,000美元。维护工作持续了2天，需要更换齿轮和冲洗润滑油。第二种情况是高关键性的事件，即齿轮齿断裂，更换成本为100,000美元。修理工作需要7天，包括更换齿轮、重新对准轴和恢复润滑油质量。这次故障之前有振动增加、异常噪音和温度骤升，表明有更严重的退化。第三条记录代表了一个由振动异常引起的低关键性例行检查，检查成本为5,000美元，停机时间为4小时。这些记录可以支持PM策略，改进组件可靠性建模，并优化风力涡轮机运营中的生命周期成本分析。分析许多历史维护记录有助于识别关键组件及其相关的故障模式。高严重程度的故障模式通常会导致更高的维护成本和更长的停机时间。因此，对这些故障的PM应该是最高优先级。使用预训练的LLM（如双向编码器表示变换器[BERT] [70]和生成预训练变换器[GPT] [95]）来识别关键故障。历史维护记录用于训练或调整LLM模型，例如‘bert-base-uncased’。这种训练提高了LLM的语义理解能力、准确性和洞察力提取的相关性，确保它们真正理解训练数据集和提示，并提供准确且上下文相关的洞察。然后，使用LLM回答关于关键故障、维护持续时间和行动等的问题。然而，训练一个完整的LLM——尤其是在小数据集上——在计算上非常昂贵且容易过拟合。与其更新所有模型参数，不如使用参数高效微调（PEFT）等技术，用更少的可训练参数进行微调。PEFT允许LLM适应特定领域的数据集，同时显著降低内存和计算成本。此外，PEFT在数据有限的情况下减少了过拟合风险，并支持跨不同领域的多任务微调（例如，从日志中预测故障关键性或停机时间），而无需完全重新训练。低秩适应[89]和偏差项微调[37]是两种著名的PEFT技术。图4中的第一步总结了GenAI驱动的PM方法的数据收集和洞察力提取活动。2.1.2. 预测和合成数据生成分析收集的传感器数据以预测故障可能发生的时间。这一步使得可以采取主动维护而不是被动修理。为了量化使用GenAI提高故障预测准确性的好处，让我们来看看风力涡轮机发电机的PM场景。作为关键组件，发电机故障往往会导致高昂的修理成本（表4）。PM的目标是在故障发生之前准确预测故障，从而通过修理而不是更换来降低维护成本。因此，通过准确故障检测节省的成本表示为TPSavings，计算公式为：TPSavings = NTP * CReplacement - CRepair，其中NTP表示正确的故障预测次数（真正例，TPs）。表4. 基于GenAI的合成数据增强带来的预测性维护成本节省风力涡轮机发电机的维护成本更换成本修理成本检查成本40,000美元15,000美元5,000美元没有GenAI的PM节省成本使用GenAI的PM节省成本3,850,000美元5,060,000美元1,210,000美元（+31%）AI = 人工智能；GenAI = 生成式AI；PM = 预测性维护。然而，如果模型在实际上没有故障的情况下预测到故障（假正例，或FP），这将导致不必要的检查成本，如下所示：FPCosts = NFP * CInspection，其中NFP表示错误的故障警报次数（当发电机健康时）。当模型未能检测到实际故障（假负例，或FN）时，这将导致更换成本，因为发电机意外故障：FNCosts = NFN * CReplacement，其中NNF表示发电机中未检测到的故障次数。通过PM实现的节省成本使用以下公式计算：SavingsPM = TPSavings - (FPcosts + FNcosts)。如表3所示，修理发电机的成本远低于更换它的成本，而检查的成本低于修理成本。因此，使用GenAI减少FN的数量非常重要。让我们使用ReneWind公司提供的代表风力涡轮机发电机正常运行和关键故障的数据。这些数据包含20,000个样本；每个样本是由40个环境和机械传感器提供的测量值向量。当没有发电机故障时，目标值为0；当有发电机故障时，目标值为1。5.5%的样本表示发电机故障，而其他94.5%的样本代表正常运行。我们使用极端梯度提升（XGBoost）[3]构建了一个先进的基准模型来预测是否有发电机故障，以便在发电机故障/损坏之前进行修理，从而降低总体维护成本。可以使用任何其他ML或DL方法。需要强调的是，这项研究的贡献不在于提出一种新的分类器架构，也不在于将多个ML模型相互进行基准测试。第二步中的预测模型是更广泛的GenAI方法论中的一个模块化组件，可以被任何能够处理表格传感器数据的监督ML/DL方法替换（例如，随机森林、长短期记忆、人工神经网络）。选择XGBoost是因为其在结构化工业数据集上的强大性能、计算效率和对抗类别不平衡的鲁棒性；然而，报告的性能提升并不归因于分类器本身的选择。相反，收益来自于基于GenAI的合成罕见事件增强的集成，它增强了少数类的表示并减少了安全关键场景中的FN。因此，方法论的贡献与特定的预测算法无关，旨在提高故障检测性能，无论底层模型架构如何。发电机故障样本数量与正常样本数量的不平衡影响了XGB的故障预测准确性。实际上，代表发电机故障的样本数量太少，只有5.5%，而正常运行为94.5%。这种不平衡偏置了XGB模型对故障类别（少数类）的预测准确性，从而降低了PM节省。图5左侧显示了XGB使用不平衡数据集获得的真正例（TN）、真正例（TP）、假正例（FP）和假负例（FN）的数量。图5右侧显示了在使用GenAI生成故障类别的合成数据后，使用XGB获得的故障预测性能（左）和平衡数据后的性能（右）。为了提高故障预测准确性，生成合成数据以增强训练数据集中的少数类（发电机故障类别）。常用的GenAI技术包括GANs [98]、VAEs [90]和用于表格数据的扩散模型 [84]。我们使用VAE方法生成代表发电机故障类别的数据。VAE生成新的、真实的样本，而不是复制样本。右侧显示了FN预测准确性的显著提高。FN会导致高昂的更换成本。表4展示了由于使用VAE生成的故障模式合成样本而获得的PM节省成本提升。我们可以观察到，在这个例子中，使用GenAI使PM节省成本增加了31%。接下来，我们讨论第三步，通过机会主义优化进一步利用GenAI的能力。为了确保方法论的透明度和可重复性，实验协议遵循了一个适用于不平衡分类的标准监督学习评估框架。数据集（20,000个样本，40个特征）被随机划分为训练（70%）、验证（15%）和测试（15%）子集，同时保持类别分布。此外，在模型开发期间应用了分层5折交叉验证，以确保性能估计的稳健性并减少数据划分导致的方差。使用网格搜索在验证折上优化了XGBoost分类器的超参数（包括学习率、最大树深度、估计器数量和正则化系数）。VAE模型仅在少数类样本上进行了训练，以学习故障模式的潜在表示；潜在维度、重建损失权重和学习率是根据验证损失收敛性和稳定性标准选择的。合成样本仅从训练集生成，然后与真实的少数类样本结合以重新平衡训练数据，而验证和测试集保持不变，以避免数据泄露。使用基于混淆矩阵的指标（TPs、FPs、TNs、FNs）评估模型性能，特别关注少数类的召回率，因为其在PM成本函数中的主导经济影响。因此，报告的31%的PM节省归因于少数类召回率的提高和经济成本高昂的FN的减少，而不是架构调整的优势。该协议确保了实证结果的可重复性，并且经济收益与合成罕见事件增强有结构上的联系。实证结果表明，在提出的GenAI框架中整合合成少数类生成时，PM节省增加了31%。这种改进不是由于特定生成架构的优越性，而是由于在安全关键数据集中纠正了类别不平衡。在PM应用中，FN（未检测到的故障）带来的经济和运营成本远高于FP。通过合成生成增强罕见故障模式，训练数据集更好地捕捉了退化模式的统计特征，从而提高了少数类的召回率，并显著减少了经济成本高昂的FN。这一发现与更广泛的ML文献一致，强调了不平衡分类问题对少数类表示不足的敏感性。在电力系统、航空和医疗保健等安全关键领域，总体准确性等性能指标往往不够；相反，最小化高影响错误类型至关重要。研究结果表明，生成式数据增强可以通过重塑预测模型的误差分布直接影响经济结果。重要的是，这项研究的贡献在于方法论层面，而非算法层面。实验验证了所提出的三步GenAI流程的第二阶段——合成罕见事件生成——作为一种在数据稀缺情况下增强预测鲁棒性的机制。虽然可以使用各种生成模型（例如VAE、GAN、扩散模型），但核心观点是，结构化的生成式增强可以显著改善数据受限环境中的运营决策。从运营角度来看，这些结果揭示了一个更广泛的意义：在关键基础设施系统中，GenAI的价值不仅在于提高点预测的准确性，还在于重塑风险暴露。通过减少未被检测到的故障，该框架有效地将维护策略从被动更换转变为主动修复，从而提高可靠性，减少停机时间，并降低生命周期成本。这些发现支持了本文的核心论点：当GenAI整合到一个结构化且注重安全的框架中时，它可以在解决传统机器学习方法在电力行业中的结构性局限性的同时，产生可衡量的经济价值。

2.1.3 优化与指导
基于预测输出（例如，预测的故障、估计的剩余使用寿命等）以及从维护记录中提取的洞察（例如，故障的严重性、维护持续时间等），可以为新故障安排最佳的维护时间，以最小化成本和停机时间。这一步考虑了操作员可用性、备件库存、运输物流和天气条件等因素。需要注意的是，维护计划需要一定的提前时间来考虑这些物流限制，以确保高效执行。来自各种来源的上下文数据（例如，团队可用性、运输物流、故障严重性、备件库存等）被用来生成机会主义维护订单（即在最佳时间安排维护行动）。机会主义维护[62]、[75]通过收集和分析不同格式（文本、表格、结构化、非结构化）和来源（运输计划和成本、操作员可用性、备件库存、维护现场的可访问性、电力市场价格等）的数据，在适当的时候对维护任务进行分组。这使我们能够定义一个全面的维护计划，以实现显著的维护减少，如图6所示。

下载：下载高分辨率图片（74KB）
下载：下载全尺寸图片
图6. GenAI通过在适当的时候对维护任务进行分组来促进机会主义维护。Gen AI = 生成式人工智能。
运输成本是维护成本的重要组成部分。对于海上风电场来说，运输成本可能占总成本的20-30%[28]。运输成本指的是与调动船只、人员和设备以到达和服务海上风力涡轮机相关的费用。这些成本通常很高且时间敏感，因此准确的故障预测对于减少不必要的行程和优化维护计划至关重要。例如，对于一个20年的租约期，每日费用范围从45,000英镑到112,200英镑（大约60,000美元到150,000美元），具体取决于船只的规格[19]。由于风力发电停机造成的收入损失可能占总维护成本的15-40%（例如，每兆瓦每年15,000美元到40,000美元，具体取决于故障类型和电力价格）。

3. 最后，由于天气条件等原因导致无法到达维护现场的成本，占总成本的10%到20%[11]。
图7展示了GenAI如何指导机会主义维护，如图6所示，以最小化总成本。蓝色部分表示由于高风速导致无法及时维护，或者在有利风条件下停机导致发电量损失，从而减少潜在的能量输出和相关收入。图表显示了相关收入损失，例如，在T=8和T=12时发生的两次故障。

下载：下载高分辨率图片（306KB）
下载：下载全尺寸图片
图7. GenAI通过在适当的时候对维护任务进行分组来促进机会主义维护。绿色矩形表示满足所有必要条件的时期，包括船只可用性、适合现场访问的天气、备件可用性和维护人员的准备情况。相比之下，红色矩形表示一个或多个因素不可用的时期，这阻止了维护并可能延长涡轮机的停机时间。Gen AI = 生成式人工智能。
从数十年的历史故障和维护操作中提取的维护洞察被用来指导、促进和改善维护实践和行动[69]、[82]。为此，维护案例库存储了历史记录或案例。对于新的故障场景（例如，当前的故障），通过应用文本相似性技术（如余弦相似性[36]）检索出与该故障场景最相似的top-k个案例。维护操作员可以保留这些top-k案例中最相关的案例，或者对其进行修改以改进故障模式描述和维护行动。Top-k历史维护案例指的是基于故障模式、组件类型、环境条件和操作数据等特征的最相似的k个过去故障或维护事件，这些案例被操作员检索和分析，以指导和新出现的故障的维护计划。这些案例帮助操作员预测所需资源、维修时间、成本和潜在限制，提高决策和规划效率。此外，新的维护案例，包括以前未见过的故障模式或更新的维修方案，不断被添加到维护案例库中。这种持续的丰富确保了系统的更新性，能够适应新的故障模式，并随着时间的推移提供更准确的建议。图4中的第3步展示了GenAI驱动的PM方法的优化和指导阶段，其中模型不仅选择最相关的历史案例（top-k），还生成洞察，建议最佳调度策略，并根据预测故障的具体情况推荐行动，同时考虑资源可用性、天气窗口和成本效率等限制。

值得一提的是，基于LLM的洞察提取和上下文优化模块（步骤1和3）分别用于非结构化维护文本的领域适应和基于案例的决策支持，并通过定性和操作评估进行了验证（例如，改进的故障分类、增强相关维护案例的检索和结构化指导的生成）。尽管使用参数高效的适应技术对LLM进行了微调，以改进对维护日志的语义理解，但本研究没有进行控制性的消融研究来隔离其对整体经济节省的边际定量贡献。系统性的组件级消融和语义模块的跨数据集验证是未来实证研究的重要方向。

3. 安全性
虽然GenAI有潜力显著改变电力行业，如前一节所示，但确保其应用的安全性和可信度仍然是一个关键问题[14]、[15]。电力系统被归类为关键基础设施，需要采取严格措施来维护其可靠性和稳定性。然而，尽管相关文献迅速增长，关于GenAI应用的安全性和可信度的关键问题仍然未得到解决[7]、[8]。尽管如此，正在进行的研究、完善的治理框架和不断发展的监管标准为开发和优先考虑用例提供了基础。本节和下一节将探讨GenAI的两个基本维度——安全性和可信度——通过澄清它们的概念区别，评估它们对电力行业的影响，并确定关键的政策考虑因素。在本节中，我们明确定义了安全的概念及其类别，将电力行业的视角带入围绕GenAI安全的持续辩论中，评估风险，并详细阐述缓解策略。我们的分析是第5节讨论的政策和监管影响的基础。

安全性是指避免伤害。对于本研究，我们采用了最近发布的《关于先进AI安全性的国际科学报告》[7]中概述的定义，该报告由96位AI专家编写，其中包括30位政府提名的专家代表，以及经济合作与发展组织、欧盟和联合国。根据国际报告，AI系统的安全性（这里我们指的是能够在多个领域执行多样化任务的AI系统）被定义为“避免有害输出的属性，例如向用户提供危险信息、被用于恶意目的或在高风险环境中出现昂贵的故障。”安全性主要关注防止伤害，确保GenAI不会损害基础设施的可靠性，不会造成安全漏洞，不会做出可能扰乱电网运行的错误决策，或造成社会和/或环境伤害。为了清晰和一致性，在本节和本文的其余部分，我们将“先进AI”和“GenAI”这两个术语互换使用。

接下来，我们从电力系统从业者和能源经济学家的角度批判性地审视这份国际报告，得出关键见解和政策建议。据我们所知，很少有研究从电力行业运营和关键基础设施治理的角度探讨2025年《关于先进AI安全性的国际科学报告》的影响。

3.1 分析：2025年国际科学报告关于先进AI安全性的电力行业视角
鉴于GenAI在各个领域的广泛应用，已识别和新兴的风险可以分为3个关键组：恶意使用、故障和系统风险。
1. 恶意使用风险指的是利用GenAI针对个人、组织或整个社会造成的故意伤害。
2. 故障包括意外伤害，例如失控、错误决策或在高风险环境中的意外后果。
3. 系统风险从宏观层面考虑GenAI可能扰乱劳动力市场、引入安全漏洞或导致环境退化的潜力。为了便于阐述，我们将系统风险分为结构风险和治理风险，以及运营风险和伦理风险。
图8提供了本研究中采用的风险类别的总体概述。接下来，我们将在电力行业的背景下解释这些风险，并对其影响和缓解策略进行定性分析。需要注意的是，我们的讨论并不全面，因为这是一项快速发展的技术，当前的GenAI已知能力并不一定反映未来的能力。此外，不同风险对电力行业的相关性也各不相同。

下载：下载高分辨率图片（228KB）
下载：下载全尺寸图片
图8. GenAI风险类别概述。Gen AI = 生成式人工智能。
表5提供了恶意使用风险的概述，这些风险涉及利用GenAI能力造成的故意伤害。这些风险分为3个类别：通过虚假内容对个人的伤害、操纵公众舆论和网络攻击。在电力行业中，第一类的一个例子是向电力系统控制室操作员伪造虚假停电警报，导致不必要的服务中断。第二类的例子包括深度伪造和声称即将发生停电的有说服力的社交媒体帖子。关于网络攻击，例子包括针对电力公司员工的基于GenAI的网络钓鱼攻击和自主恶意软件。虽然恶意使用风险可能会严重扰乱电力系统运营，但其总体影响目前仍然适中且可以通过标准做法来管理。

表5. 恶意使用风险的全面概述
风险类别
子类别
示例
影响和严重性评估
缓解策略
恶意使用风险：故意滥用GenAI系统造成伤害
通过虚假内容对个人的伤害：AI生成的错误信息直接或间接伤害个人。
向电力系统控制室操作员伪造虚假停电警报
虽然可能会发生不必要的电力系统设备关闭和额外成本，但关于这一风险的影响信息有限[7]
使用专门的GenAI检测工具和/或媒体认证技术
操纵公众舆论：使用GenAI生成虚假内容（文本、图片或视频）来操纵公众舆论
声称即将发生停电的有说服力的社交媒体帖子
专家们对于其影响程度没有达成一致意见
使用诸如水印等预防技术
网络攻击：基于GenAI的网络攻击
针对电力公司员工的基于GenAI的网络钓鱼攻击，或自主恶意软件
如果成功，基于GenAI的网络攻击可能会对电力系统运营造成重大干扰[61]。然而，目前仍然可以通过现有的能力来防御[7]
强大的网络安全标准，持续评估不断发展的基于GenAI的网络攻击，并开发电力系统测试平台进行更深入的评估

AI = 人工智能；Gen AI = 生成式AI；PM = 预测性维护。
表6概述了故障风险，这些是GenAI模型的意外失败。这些风险被分为三类：可靠性问题、偏见和失控。可靠性问题指的是所谓的“幻觉”，即生成式人工智能（GenAI）模型的错误行为。例如，错误预测电力系统需求或生成关于电力系统设备状态的虚假（但具有一定说服力的）解释。为了规避这些风险，从业者需要部署基于物理知识的GenAI，并确保人类参与决策过程。在整个GenAI开发周期中，从数据收集到解决方案部署，都可能产生偏见。当模型存在偏见时，它可能会对特定消费者或地区产生不成比例的影响。虽然很难完全避免GenAI模型中的潜在偏见，但使用多样化和具有代表性的数据集、在学习过程中依赖人类反馈以及采用可解释的人工智能技术[57][80]有助于最小化这些风险。最后，失控涵盖了GenAI失控的假设性未来情景，这可能导致电力系统的连锁故障和不稳定。在GenAI专家中，对于这类风险在未来发生的程度存在分歧，但他们普遍认为当前的GenAI能力仍在人类控制范围内，因此，在电力行业的GenAI解决方案开发阶段加强人类监督和责任至关重要。总之，处理故障需要人类的专业判断、责任和验证，这在GenAI解决方案的开发和部署过程中（特别是在实时应用中，如经济调度）是必不可少的。

表6. 故障使用风险的全面概述

| 风险类别 | 子类别 | 例子 | 影响和严重性评估 | 缓解策略 |
| --- | --- | --- | --- | --- |
| 故障：AI模型中的意外故障导致错误决策、系统不稳定或操作失败 | 可靠性问题：GenAI模型未能实现预期功能，通常称为“幻觉”。这是由于GenAI的技术限制。 | 例如，错误预测电力需求或误导控制室操作员。 | 增加电力系统停运的风险 | 当前的防护措施并非万无一失，因此对GenAI解决方案进行严格测试和验证、基于物理知识的决策以及人类参与决策至关重要[14][15] |
| 偏见：AI模型对特定消费者或地区产生不成比例的影响。偏见可能出现在GenAI生命周期的任何阶段，从数据收集到部署 | 由于训练数据质量差导致的偏见可能导致市场扭曲 | 使用多样化和具有代表性的数据集、在学习过程中依赖人类反馈以及使用可解释的人工智能技术[79]。 |
| 失控：GenAI失控的假设性未来情景 | 连锁故障、大规模停电和电力系统运行不稳定 | 专家们对先进AI系统中失控情景的可能性持有不同观点。虽然一些研究人员认为这些风险在长期内是可能的，并提倡采取预防措施，但其他人认为当前AI的能力远未达到自主系统级控制故障的程度。因此，在电力行业的GenAI解决方案开发阶段加强人类监督和责任，并使用安全机制[14][15]。 |

第三类是系统性风险。这些风险包括由GenAI依赖性、自动化和能源消耗增加所带来的更广泛的社会经济、环境和地缘政治问题。我们将系统性风险分为两类：结构性风险和治理风险以及运营和伦理风险。这些风险本质上是结构性的，源于获取、控制和权力的不对称性。它们主要受政策、经济激励和制度决策的影响，而不仅仅是技术设计。需要政治、监管和国际治理解决方案，例如促进公平的研发投资和计算资源获取的对话。这些风险以不同程度和多种形式影响电力行业，进而影响全球AI发展和经济体系。

表7. 结构性和治理风险的全面概述

| 风险类别 | 子类别 | 例子 | 影响和严重性评估 | 缓解策略 |
| --- | --- | --- | --- | --- |
| 结构性和治理风险：由GenAI驱动的自动化导致的劳动力市场变化、全球AI研发差距以及市场集中和单点故障 | 劳动力市场风险：GenAI将改变现有工作，创造新的工作机会，同时淘汰一些工作。 | GenAI自动化减少了手动劳动的需求；GenAI生成的合成数据减少了现场工作人员和客户支持助理的需求；GenAI显著提高了工作效率，其采用率正在迅速增长[10][7]。 | 针对受影响员工开展主动培训和再培训计划。鉴于变化的快速节奏，建议保持灵活性和适应性。 |
| 全球AI研发差距：拥有强大数字基础设施和图形处理单元（GPU）的国家的大型科技公司主导了大部分GenAI开发 | 不平等的GenAI能力和创新获取阻碍了电力行业运营商（尤其是在发展中国家）利用GenAI的价值。 | 大多数GenAI模型在美国开发，占比超过50%[7]。此外，GenAI的开发成本一直在上升，而GPU的获取集中在少数几个国家，其中美国和中国处于领先地位。另一方面，像DeepSeek R1这样的开源模型的发布在降低计算成本和向全球开发者提供技术方面取得了一些成功[7]。 | 国际政府间合作，确保所有国家都能公平获取GenAI开发所需的芯片，并进一步开展计算要求较低的GenAI解决方案的研发。 |
| 市场集中和单点故障：少数公司垄断了最先进的GenAI解决方案，增加了故障风险 | 电力系统公司依赖少数GenAI平台，导致潜在的故障点增多 | 在电力行业投资GenAI平台的多样性和冗余性，并采取谨慎的监管和政策制定，以在规避风险和利用GenAI价值之间取得平衡。 |

运营和伦理风险，如表8所示，可以分为环境风险（应对资源密集型GenAI模型带来的能源需求增加）、隐私风险（AI训练、部署或数据使用过程中的潜在违规行为）以及版权侵权风险（GenAI未经授权使用专有电网数据或算法）。这些系统性风险与GenAI的部署和日常运营更为密切相关。鉴于这些风险的运营性质，缓解策略通常与GenAI算法的技术设计和实施相关。值得注意的是，GenAI的经济影响超出了能源行业。例如，在沙特阿拉伯，预计到2030年GenAI将使GDP增加240亿美元[4]。然而，GenAI算法耗能较高，导致更多温室气体排放。数据中心的长期影响仍不确定，但根据国际能源署的数据，从2026年到2035年，数据中心电力消耗预计将增加58-230太瓦时，其中AI贡献了大部分增长[41][48]。GenAI还消耗大量水资源用于冷却和硬件制造。缓解环境影响的策略包括设计更节能的算法和硬件，以及使用低碳能源资源。与GenAI相关的环境风险的一个主要挑战是长期影响仍不确定。GenAI还带来隐私风险，可能在训练阶段或与用户交互时发生。

表8. 运营和伦理风险的全面概述

| 风险类别 | 子类别 | 例子 | 影响和严重性评估 | 缓解策略 |
| --- | --- | --- | --- | --- |
| 环境风险：GenAI部署实践带来的更广泛的环境和伦理风险 | 环境风险：GenAI的能源需求迅速增加，导致温室气体排放。 | 例如，单个GenAI查询所需的能量是典型互联网搜索的10倍，数据中心消耗了美国总电力的近4%，到2030年这一比例可能超过9%[a]。 | 采用多种方法，如使用节能的GenAI模型和算法、建设更环保的数据中心以及采用碳中和的训练实践。最近的研究还支持使用基荷发电（如核能）来满足数据中心的高需求[48]。 |
| 隐私风险：GenAI训练、开发和部署可能导致隐私违规 | 在GenAI模型训练过程中，用户与模型交互时可能会无意中发生数据泄露。恶意行为者可以利用GenAI能力推断出关于居民能源消耗的敏感信息。在需求方面，利用智能电表读取的GenAI系统增加了敏感个人信息泄露的风险。在供应方面，敏感的电力系统运行模式也可能被泄露。 | 严格实施隐私保护技术，例如仅在匿名或合成数据上训练GenAI模型，并使用先进的加密方法。 |在本地部署用于敏感应用的生成式AI（GenAI）模型也增加了一层保护。版权侵犯：GenAI模型可能导致知识产权违规和版权侵犯。如果GenAI模型是在电网运营商拥有的专有数据上训练的，它可能会复制独特的功能，从而引发法律纠纷。围绕GenAI模型和知识产权侵犯的法律问题阻碍了创新，并可能导致法律纠纷。实际上，数据所有者正在迅速限制对其数据的访问[7]。在开发GenAI解决方案之前，确保存在适当的许可协议，并实施严格的数据治理政策（例如，在训练模型之前需要获得使用专有数据的授权）。

确保在开发GenAI解决方案之前存在适当的许可协议，并实施严格的数据治理政策（例如，在训练模型之前需要获得使用专有数据的授权）。AI = 人工智能；GenAI = 生成式AI。

能源与人工智能的交汇点：关键问题与未来挑战——出版物。AI对电网的双重影响：效率与脆弱性 | Tripwire。当恶意行为者利用GenAI推断敏感的个人信息时，也可能出现隐私风险。例如，在需求方面，由于智能电表数据的高分辨率，恶意行为者可以利用GenAI推断能源最终消费者的行为和设备使用模式。在供应方面，数据泄露可能会暴露一些敏感的电力系统资产信息或网络数据。减轻隐私风险需要应用先进的隐私保护技术、数据匿名化以及使用合成数据进行训练。此外，一种更谨慎的方法是通过本地开发来物理隔离部署的GenAI解决方案。这种方法成本更高，有时也不可行，尤其是由于全球研发差距和最先进GenAI模型的垄断所带来的其他系统风险。观察到数据所有者正在迅速限制对GenAI模型的访问，不仅出于隐私原因，也因为版权侵犯风险。使用大量数据对模型性能有益，但往往会导致使用具有知识产权问题的数据。对于政策制定者来说，在促进创新和保护此类数据之间找到平衡是一个挑战。在现实世界的工程解决方案开发中，这些问题也可能阻碍GenAI的发展，即如何量化用于训练的数据集的价值以及保护所有利益相关者所需的商业模式和法律协议。科技公司通常拥有最好的GenAI模型，而电力行业则拥有GenAI模型适应所需的特定数据集。因此，减轻版权侵犯风险的一种策略是在模型开发之前确保存在适当的许可协议。总体而言，解决运营和伦理风险需要技术解决方案以及在电力行业内部重新评估商业模式。

鉴于系统风险的复杂性和多样性，没有一种通用的方法可以全面管理这些风险。相反，必须通过针对性的技术、监管、社会和治理方法来解决每个风险，并结合持续的监控和适应性响应，以反映GenAI的快速演变。此外，有效缓解这些风险需要电气工程师、计算机科学家、政策制定者和监管机构之间的密切协调，使GenAI部署策略与更广泛的运营和市场考虑相一致。

前面的讨论强调了防止有害输出（无论是直接的还是间接的）以及保持系统准备状态的重要性。然而，仅靠安全性不足以在电力行业中长期建立对GenAI解决方案的信心。这需要关注可信度，这包括透明度、公平性、问责制和鲁棒性等更广泛的维度。下一节将对可信度进行深入分析，这是将GenAI整合到能源基础设施中的关键组成部分，在这里运营透明度和决策可靠性至关重要。

信任本质上是一个多维度的概念，因此在GenAI的背景下定义它可能具有挑战性[49]。然而，采用一种适用于人机交互的态度视角来理解信任是合适的[5]。例如，Lee和See将信任定义为“在不确定性和脆弱性情况下，代理将帮助实现个人目标的态度”[51]。Madsen和Gregor提出的另一种定义是“用户对人工智能决策辅助的建议、行动和决策的信心程度以及基于这些建议和行动采取行动的意愿”[59]。值得注意的是，随着AI的最新进展，“可信AI”的概念仍在不断发展。2019年，欧盟关于可信AI的指南将其与伦理联系起来[30]，这可能会使可信度的定义和量化变得更加复杂和有争议[78]。电力行业对安全性要求极高，且主要基于物理原理；因此，我们主张采用一种可量化的GenAI可信度定义。

在这项研究中，我们从计算角度来评估GenAI的可信度（如果GenAI应用满足下面讨论的6个维度要求，我们就认为它是可信的），并从以下维度评估适用于电力行业的可信GenAI应用（改编自Liu等人[54]）：安全与鲁棒性、非歧视与公平性、可解释性、隐私性、问责制与可审计性以及环境福祉。鉴于第3节的内容，一个安全的GenAI用例如果缺乏公平性、可解释性或问责制，仍然可能是不可信的。相反，GenAI用例必须满足所有相关的安全要求，才能被认为是适用于电力行业关键应用的可信方案。

4. 电力行业可信GenAI的分类

鉴于可信度的复杂性和广泛性，每个可信度方面的适用程度可能因不同的应用而异。在电力行业的GenAI背景下，可信度需要一种结构清晰且可衡量的方法。在这里，我们采用了Liu等人提出的计算视角，并将可信AI的6个维度映射到电力行业[54]。然而，在实践中，GenAI用例各不相同，每个维度的适用程度也有所不同。我们期望电力行业从业者评估每个维度的有效性，并根据具体情况限制他们的关注范围。表9提供了电力行业可信GenAI的分类，详细说明了每个维度、其定义、量化指标以及实现方法，以及最先进的电力行业应用。

表9. 电力行业可信GenAI的维度
| 维度 | 定义 | 度量指标 | 实现方法 |
|------------------|---------------------------------------------------------------------------|---------------------------------------------------------------------------------------------------------------------------|------------------------------------------------------------------------------------------------------------------------|
| 安全与鲁棒性 | GenAI模型在输入受到噪声干扰的情况下仍然准确，并能在恶劣的运行条件下安全运行。
错误率（RMSE、MAE、MSE等）、平均故障间隔时间（MTBF）、对抗性鲁棒性得分
认证的对抗性鲁棒性[17]、基于物理的GenAI模型开发、深度防御网络安全策略
鲁棒优化[6]、[88]
基于GenAI的传输线路故障预测维护；将可靠性指标（SAIFI、SAIDI）纳入基于GenAI的预测模型；极端天气事件期间的GenAI驱动稳定性控制；零信任框架[67] |
| 非歧视与公平性 | GenAI模型公平且没有错误或歧视性偏见
差异影响比率、统计平等性、平等机会得分
•预处理：采样、重新加权、重新标记等
•处理中：正则化、对抗性学习等
•后处理：转换、校准、阈值设置
基于GenAI的公平负荷削减[102]、[27]；确保不同社会经济群体公平的无偏电力价格预测模型；使用GenAI进行公平和公正的基础设施维护优先级排序 |
| 可解释性 | GenAI的决策可以被人类操作员和利益相关者理解和解释。
模型内在复杂性分析、局部和全局解释保真度得分、主观人类可解释性评分、透明度文档完整性
模型内在方法（贝叶斯网络、线性/逻辑回归等）、模型不可知方法（LIME、SHAP）、局部和全局解释、基于梯度的解释、基于扰动的解释、反事实解释
电力质量分析[58]；智能电网中网络威胁的异常检测[47]；GenAI在预测维护中剩余使用寿命（RUL）的可解释性[33] |
| 隐私性 | GenAI解决方案在训练阶段或推理阶段不会泄露私人数据
差分隐私参数（ε值）；k-匿名性和l-多样性水平；重新识别风险得分；数据泄露预防成功率
保密计算（例如，可信执行环境）、联邦学习、差分隐私、数据匿名化技术、分布式算法
模仿原始数据的合成电力系统数据（智能电表、公用事业公司和系统运营商）[21]；用于智能电网运营和维护的联邦学习和数据匿名化[101]、[2] |
| 问责制与可审计性 | 确保GenAI系统设计者、决策者、部署者、审计者和系统生命周期中的最终用户有明确定义的责任、权利和监督机制。
决策日志的存在和完整性；系统生命周期参与者角色和责任的清晰度和文档记录；审计报告[32]
外部和内部审计、算法问责机制[97] |
| 环境福祉 | GenAI解决方案可持续并最小化其环境影响
能源使用效率（PUE）、碳使用效率（CUE）以及每次AI推理的能源消耗
算法级方法（模型压缩和自适应设计）；节能硬件和冷却系统
用于GenAI模型开发的数据中心使用低碳基载发电[48] |

AI = 人工智能；GenAI = 生成式AI；LIME = 局部可解释模型不可知解释；MAE = 均方绝对误差；MSE = 均方误差；RMSE = 均方根误差；SAIFI = 系统平均中断频率指数；SAIDI = 系统平均中断持续时间指数；SHAP = Shapley值。

表9中概述的维度涵盖了各种技术概念。下面我们将分别详细说明每个维度：

1. 安全与鲁棒性：确保GenAI部署按预期运行，保持对对抗性攻击或噪声的运营准确性和韧性。这是通过为标准化误差指标（如均方误差、均方绝对误差和均方根误差）以及可靠性指标（如平均故障间隔时间和对抗性鲁棒性得分）设定可接受的标准来实现的。电力行业应用包括将可靠性指标（如系统平均中断频率指数和系统平均中断持续时间指数）纳入GenAI模型开发，并采用先进的网络安全机制（如零信任框架和深度防御策略）。

2. 非歧视与公平性：确保不同利益相关者群体之间的公平性。值得注意的是，歧视可能来自不同的来源，如带有偏见的训练数据或算法设计，因此从业者在GenAI模型开发的不同阶段采用不同的技术。这些技术包括预处理、处理中和后处理方法，旨在最小化偏见（如重新采样、对抗性训练或公平性约束）。电力系统的应用包括公平的基于GenAI的负荷削减、非歧视性定价以及跨地区的基础设施维护任务的公平优先排序。

3. 可解释性：确保GenAI模型的输出可以被人类操作员理解。一些AI模型本质上是可解释的（例如，线性或逻辑回归），但其他模型则不一定可解释。然而，从业者可以使用模型不可知方法，如局部可解释模型不可知解释（衡量简化后的局部模型对个别预测的解释准确性）；Shapley值（衡量输入特征对输出预测的贡献）；基于扰动的解释（评估模型对系统输入变化的响应）和反事实解释（提供在不同模型预测下会做出的替代条件的见解）；以及主观的人类可解释性评估。可解释AI（XAI）是一个非常活跃的研究领域[46]，[66]，一些从业者主张借鉴社会科学的见解[63]。对于电力行业，应用包括电力质量分析、异常检测以及GenAI模型在预测维护中剩余使用寿命（RUL）的预测解释。

4. 隐私性：确保保护私人数据，并防止GenAI解决方案在训练或推理阶段泄露数据。隐私的代表性指标包括：差分隐私中的ε值（对隐私损失限度的数学保证）、k-匿名性（确保每个个体的数据与至少（k-1）其他个体不可区分，使用位置或年龄等标识符）和l-多样性（通过确保每个群体对某些选定的敏感特征具有至少l个不同的值来增强k-匿名性）、重新识别风险得分（衡量匿名数据被重新关联到相关个体的可能性）以及数据泄露预防成功率。除了上述匿名化方法外，从业者有时还会使用保密计算，例如可信执行环境，其中敏感数据处理和GenAI算法部署与外部环境隔离[83]。这对于电力行业等关键基础设施尤为重要。其他方法包括联邦学习和分布式算法，其中数据集的暴露受到限制并在多台机器之间分布。电力行业在保护隐私方面的方法示例包括使用合成数据进行智能电网的运营和维护，以及使用分布式算法进行需求响应管理[4]、[60]。5. 责任与可审计性：确保整个系统生命周期中GenAI系统利益相关者的责任、权利和监督机制得到明确界定。系统设计者有责任以透明和可解释的方式设计GenAI系统，并清楚记录潜在风险。决策者应了解候选GenAI系统的风险和收益，并考虑所有相关法规。系统部署者应遵循系统设计者的指示，确保GenAI系统的正确部署。他们还应提供必要的实际操作教程和清晰的运营指南。最终用户是GenAI系统的实际操作者，需要遵守指南并报告问题。责任指标包括决策日志的存在性和完整性、GenAI系统开发生命周期中的文档清晰度和全面性、风险日志的清晰度及其相应的缓解策略，以及审计报告（包括外部和内部报告）。算法责任（确保算法的决策和行动能够被清晰解释和追踪，并明确分配责任）对于GenAI系统的开发至关重要[97]。最后，责任与可审计性的一部分是确保对其他五个可信AI维度（安全性与鲁棒性、非歧视与公平性、可解释性、隐私性和环境福祉）的适当评估和应用。对于智能电网运营，责任框架已被证明对高级计量基础设施（AMI）、通信协议、数据收集、预处理和模型训练非常有用。6. 环境福祉：确保在整个GenAI解决方案开发和部署生命周期中将对环境的影响降到最低。从业者用于衡量环境影响的指标包括：电力使用效率，通过比较设施的总能耗与其IT设备总能耗（包括冷却和其他支持设备的开销）来计算；碳排放效率，用于计算与数据中心相关的碳排放；以及每个GenAI推理的能耗。应对环境影响的方法各不相同，有些是在算法层面（例如，压缩方法和自适应设计）旨在减少能源密集型的GenAI模型，而另一些则涉及开发更节能的硬件和冷却系统。对于电力行业，建议使用低碳基荷发电，如具有长期存储能力的可再生能源或核能，以满足用于GenAI模型开发的数据中心的不断增长的需求[48]。此外，在电力系统运营中，将碳排放纳入经济调度问题可以帮助减轻环境影响。上述分类法提供了一个严格且全面的框架，以建立对GenAI解决方案的信心并对其进行验证，在实现这项变革性技术的价值的同时不损害电力行业的关键性。对于实际应用，我们建议审查这些维度，并根据手头的GenAI用例确定相关维度，然后根据上述指标确定模型的可接受性标准，同时提供适当的文档、责任映射和风险登记册。接下来，我们将介绍NREL的Electric Grid Generative Pretrained Transformer (eGridGPT)的案例研究，并详细说明如何将可信GenAI的相关维度纳入控制室操作。4.2. 案例研究：NREL的eGridGPT用于可信的控制室操作控制室是电力系统运营的核心，这里收集并可视化来自电网（发电、输电和配电线路以及需求侧）的大量数据，以便进行离线和实时决策。这是为了确保可靠的电力供应和即时的供需平衡。控制中心的运营规模庞大且复杂。例如，在美国，大约有140个控制中心处理来自数十万个变电站的数据[15]。控制室的操作员是经过严格培训的人员。控制室可以说是电网的“大脑”，必须24/7不间断地运行。因此，持续的测量、分析和决策验证是必不可少的。图9展示了电力系统控制室操作中的决策工作流程的高层示意图。数据通过集成来自监控控制和数据采集（SCADA）系统和能源管理系统（EMS）的测量结果来收集，以观察设备和电力线路的实时状况。操作员分析给定数据的背景，以决定可靠的供需平衡的操作设定点。由于系统的物理特性以及发电机需要增减功率，这些设定点会有时间变化。此外，由于天气条件和潜在的突然设备故障，应急分析对于确保有可行和适当的缓解计划和设定点（例如，快速储备的可用性）至关重要。在执行设定点和采取实际行动之前，会评估和审查不同的场景。然后，持续监控电网的状态，并根据需要进行调整。这是一个持续的过程，需要遵循各种标准、手册和特定于公用事业公司的程序，并依赖于操作员的专业知识和组织间的协调（例如，系统操作员与发电资产所有者协调以调整发电输出）。值得注意的是，SCADA和EMS系统基于几十年前的技术，主要针对不确定性有限的场景设计。这引发了对采用GenAI工具的兴趣，以帮助操作员通过响应查询和提示来克服这些限制，允许与分析工具（如数字孪生）集成，协调运营洞察并生成建议。NREL最近通过开发eGridGPT探索了这些潜在应用，这是一种基于GenAI的助手，旨在支持控制室操作。下载：下载高分辨率图像（69KB）下载：下载全尺寸图像图9. 电力系统控制室操作员的决策周期。图10展示了NREL的eGridGPT的工作流程，与图9所示的高层示意图一致。虽然图9提供了决策周期的抽象表示，但图10详细展示了如何将GenAI集成到每个步骤中，同时确保其可信性。这是一种人机交互，其中人在回路中负责采取行动并验证基于GenAI的输出。下面，我们将决策周期与eGridGPT的步骤进行映射：• 数据收集与背景分析（步骤1-5）：人类操作员发起查询和提示，触发SCADA和其他系统向GenAI模型输入数据。然后，模型分析查询和输入数据以获得上下文理解。这里的GenAI模型是预训练的（没有对输入数据进行实时训练），因此需要额外的步骤，其中结果被过滤，然后通过数字孪生（标记为检索增强文本生成[15]）进行测试。与数字孪生技术（一种模拟物理电网资产实时行为、状态和动态的虚拟模型）的集成对于验证结果至关重要。在此步骤之后，最可行的结果被转发并认为足够准确，可以考虑用于操作。• 操作设定点与应急分析（步骤6-7）：在这些步骤中，结合了人类的反馈和专业知识。前一步骤的结果现在呈现给操作员，操作员可能会决定添加更多场景，例如假设的输电线路故障。• 场景评估与审查（步骤8-10）：接下来，模拟结果被记录下来，然后针对潜在的不利影响进行评估。生成建议，并随后进行最终过滤。• 行动（步骤11）：操作员根据过滤后的基于GenAI的建议做出最终决策。• 验证与监控：所有行动（无论是基于GenAI的还是操作员做出的）都被记录和审计。同时，操作员监控来自EMS和SCADA系统的测量数据和读数。在此阶段，他们可能会发起查询以评估性能和实时状况。下载：下载高分辨率图像（240KB）下载：下载全尺寸图像图10. NREL的eGridGPT架构和决策周期的实现。Gen AI = 生成式人工智能；NREL = 国家可再生能源实验室。作为一个示范性例子，eGridGPT被用于在实时操作和离线操作之间映射设备标签。电力系统的离线规划通常由区域实体完成，然后将数据提供给系统操作员（控制室所有者）。因此，设备标签（名称和识别号码）与实时操作模型中使用的标签之间可能会出现不匹配。确保名称匹配的任务耗时较长，通常需要几周时间。使用eGridGPT，这项任务在几分钟内就完成了。值得注意的是，许多电力系统规划任务也可以类似地自动化。实际上，许多这些任务是离线的，因此它们不会带来实时操作风险，只要结合了人在回路中的专业知识，采用基于GenAI的结果就更加安全。接下来，我们在表10中将可信AI维度与eGridGPT的工作流程进行映射。表10. 将可信AI维度与NREL的eGridGPT对应起来可信AI维度eGridGPT的应对方式安全性与鲁棒性三阶段训练（预训练、迁移学习和微调），针对标准考试进行基准测试，数字孪生验证，基于模拟的过滤，以及人在回路中的监督。可解释性利用物理信息处理提示和数字孪生模拟来识别不一致之处，在呈现给操作员之前验证输出。责任与可审计性由带有时间戳的审计日志和可追溯的操作员行动支持的人在回路中的决策框架。隐私系统仅限于本地部署，没有外部数据传输；微调由授权人员在本地进行，符合数据治理实践。非歧视与公平性通过精心策划的训练数据来减少偏见，并在查询处理和推荐过滤期间增加人工监督。环境福祉当前实现中未明确解决，尽管离线自动化和减少人工劳动暗示了间接的环境效益。AI = 人工智能；EMS = 能源管理系统；GPT = 生成式预训练变压器；NREL = 国家可再生能源实验室。NREL的eGridGPT展示了如何在考虑可信AI维度的同时，实现敏感电力系统的GenAI部署，实现了GenAI的价值与确保安全、可靠和可审计的执行之间的平衡。前面的讨论提供了与GenAI用例开发、安全性和可信性相关的基础技术和概念方面。然而，随着技术的发展，要充分发挥GenAI的潜力，不仅需要技术保障，还需要支持性的政策和监管框架。在下一节中，我们将在电力行业的背景下讨论这些影响，重点是将GenAI部署与全球新兴的监管和治理实践相协调。虽然eGridGPT当前的实现主要集中在操作可靠性、安全性和人在回路中的决策支持上，但未来的部署可以通过监控和优化AI辅助控制室操作的计算足迹来纳入环境福祉维度。例如，操作员可以跟踪模型推理的能耗，采用节能的模型架构，或在电力结构中碳强度较低的时期安排计算工作负载。这样的扩展将使AI辅助的电网操作与更广泛的可持续性目标保持一致，同时保持关键基础设施所需的可靠性和透明度。5. 政策和监管影响在前面的章节中，我们讨论了在电力行业使用GenAI所能获得的巨大价值，分析了安全影响，包括潜在的危害及其缓解策略，并考察了确保实际部署中可信性的要求，特别是在不确定性存在的情况下对GenAI基于解决方案的人类信任的需求。鉴于GenAI的变革性影响，建立强大的监管框架至关重要，这些框架需要在价值创造和捕获、技术创新、避免危害以及确保部署的GenAI基于用例的可信性之间取得平衡。在本节中，我们分析了AI治理框架，指出了电力行业特定监管领域的差距，并提出了旨在利用GenAI价值而不损害电力行业关键性的政策和监管调整。5.1. 当前格局的概述我们观察到全球AI治理框架对伦理和社会视角的重视。例如，沙特数据和AI管理局发布了7项AI伦理原则，涵盖了社会技术视角[85]。其中一些原则与第4节讨论的可信AI维度相一致，如安全性和可靠性。相反，其他原则纯粹是社会性的，例如“人道主义”原则。这些原则不是强制性的，也是行业中立的。同样，在美国，国家标准与技术研究所最近发布了其AI风险管理框架，以帮助组织最小化AI系统实际部署的风险[73]。国际机构也开始标准化AI系统的治理框架和保障措施；例如，ISO/IEC已经制定了AI管理系统、可信度和隐私方面的标准[43]、[44]、[45]。这些标准也是行业中立的。据我们所知，目前主要司法管辖区尚未针对通用AI（GenAI）在电力行业和能源行业的应用制定具体的法规，这凸显了定制化治理方法的紧迫性。鉴于电力系统被归类为具有高实时运营风险、基础设施依赖性和重大社会影响的关键基础设施，行业中立的框架可能不足以在不造成意外损害或违反AI可信度要求的情况下充分利用基于GenAI的解决方案。虽然通用指南很重要，但它们可能缺乏对关键电力系统场景的明确考虑，例如维持不间断电力供应所需的可靠性标准。然而，值得注意的是，许多监管机构正在积极探索对当前监管环境的改进和调整。欧盟的《AI法案》[31]明确将关键能源基础设施列为“高风险”类别，从而对电力行业中的许多基于GenAI的应用提出了严格的安全、安保和伦理标准要求，同时还包括消费者保护措施。这些严格要求通常包括强制性的风险评估、详细的认证、持续的绩效监控和严格的透明度义务。值得注意的是，这些要求并未以特定行业的方式进行详细规定。在英国，Ofgem采取了一种支持创新的方法，同时保持安全、安保、公平和可持续性的原则。在美国和加拿大，NERC在2024年发布的白皮书[71]中明确指出，GenAI的潜力不可忽视，同时也强调了确保基于GenAI的解决方案安全可靠实施的重要性。确实，对于敏感的实时操作（例如在控制室），网络安全措施需要按照NERC关键基础设施保护（NERC CIP）标准进行本地化实施，以特别保护敏感的电网数据，应对电力行业特有的网络安全漏洞，并确保运营韧性[14]、[72]。最终，建立特定行业的监管框架将大大促进电力行业更自信和积极地采用GenAI。所提出的框架展示了如何通过风险等级分类和监管响应来支持在关键电力基础设施中负责任地部署GenAI。该框架旨在适用于不同司法管辖区，具体的监管门槛和监督机制由国家监管机构确定。

5.2. 为电力行业GenAI部署量身定制的治理措施
为了实现各国的脱碳和能源转型目标，需要在电力系统运营方面进行创新。GenAI作为一种潜在的变革性技术，正成为实现这些目标的关键。考虑到GenAI在电力行业实时运营中的潜在风险以及围绕这项技术的不确定性，正确平衡各种权衡至关重要。同时，认识到GenAI带来的显著好处，建立适当的工具、政策、法规和原则对于其在电力行业的应用也是必不可少的。因此，在对监管环境进行分析的基础上，我们提出了可以在全球监管背景下考虑的治理调整措施，以进一步完善政策和监管。我们支持基于欧盟《AI法案》[31]的风险导向方法，将GenAI用例分为4个类别：不可接受、高风险、有限风险和最低风险。因此，在开发GenAI用例之前，应首先对其进行分类，然后根据相应的监管要求进行部署。图11清晰地定义了每个风险类别，并提供了电力行业的示例和推荐的监管响应。尽管电力系统是关键基础设施，但显然有许多基于GenAI的用例并不一定属于“高风险”类别。实际上，电力系统是一个包含多种利用GenAI机会的复杂系统。基于用例的风险分类使我们能够在技术创新、价值创造、社会影响以及确保安全和可信度之间取得平衡。“最低风险”类别的应用包括在家庭中使用GenAI来改善能源消耗；例如，消费者可以安装设备来优化空调或根据智能电表读数提供建议。这类应用与关键基础设施隔离，没有已知的影响。“有限风险”类别的应用对关键基础设施有间接影响。例如，电力行业实体可以使用GenAI生成初步的变电站设计参数。这类任务通常需要大量工程时间，但GenAI可以大大减少完成任务所需的时间。对于这一风险类别，应实施透明度和披露要求，以便明确GenAI的使用位置和目的。

任何对关键基础设施有直接影响的应用都属于“高风险”类别。第4节中讨论的NREL的eGridGPT[14]就是一个例子，其中可信AI的各个维度（安全性与稳健性、非歧视与公平性、可解释性、隐私性、责任性与可审计性以及环境福祉）对于确保GenAI的正确使用而不影响电网的安全性和可靠性至关重要。这一类别需要更严格的措施，包括可信AI标准、认证和持续的风险评估。这也需要利益相关者（如公用事业公司和监管机构）之间的对话，以详细确定这些要求。最后，有些应用应该通过明确的法律措施予以禁止，例如在控制室中部署无法被人类覆盖的控制算法。

为了有效应对电力行业GenAI应用的复杂性，基于前面关于风险类别定义和识别的讨论，以及潜在的监管行动和量化方法（即第4.1节中提到的可信AI维度指标），我们提出了一个结构化的分阶段监管框架，借鉴了英国Ofgem[7]和美国能源部[25]、[26]的经验。这种方法与国际上正在探索的监管创新策略一致。分阶段框架已被广泛采用并验证，有助于在复杂的跨学科国防行业中促进创新[34]。我们提出的分阶段方法（图12）是为电力行业量身定制的，能够在系统地识别和管理风险的同时创造价值，确保GenAI部署在经济上可行、安全、可持续和可信：
- 第1阶段（价值验证和风险评估）：创建一个受控环境来测试和验证GenAI用例，以识别风险而不影响基础设施。这也是识别潜在经济价值的机会。在此阶段，还会确定风险等级。
- 第2阶段（试点测试和可信部署）：在严格符合可信AI维度（安全性与稳健性、非歧视与公平性、可解释性、隐私性、责任性与可审计性以及环境福祉）的前提下，密切监控和有限部署GenAI用例。
- 第3阶段（认证和全面部署）：在严格的认证和措施的基础上全面实施GenAI用例，并进行持续评估。

上述框架还需要与人员能力建设和培训、政策协调以及定期审查相结合，以保持与不断发展的国家目标的一致性，并确保相关政策和法规的积极应用。这种方法旨在适用于不同国家和电网环境，也可能适用于石油和天然气、石油化工和制造业等其他行业。

5.3. 公用事业层面的GenAI部署实施路径
虽然前面的讨论概述了政策层面的监管调整，但在公用事业或系统运营商内部的实际部署还需要明确的机构结构、验证阈值和监控机制。以下要素提供了操作实施的结构性路径：
(1) 治理结构：部署基于GenAI解决方案的公用事业机构，特别是那些被归类为高风险的解决方案，应成立一个内部AI风险和监督委员会，成员包括系统运营商、网络安全专家、数据科学家、资产管理人员和监管合规官员。该委员会负责批准候选用例、验证风险分类、确保符合可靠性标准，并记录部署决策。
(2) 部署阈值和验证标准：对于如预测维护（PM）或控制室辅助等操作应用，在实际部署之前应定义定量验证阈值。例如，可接受的故障率可能与资产的关键性水平相关联，而可解释性要求可能规定特征归因结果必须与已知的物理退化模式一致。高风险用例应要求有记录的人类干预能力，并在适用的情况下进行数字孪生验证。
(3) 监控和审计机制：在关键基础设施环境中，持续监控部署的GenAI系统至关重要。公用事业机构应维护结构化的审计日志，记录模型版本、输入数据快照、预测输出和最终操作员决策。应定期进行绩效审计和模型漂移评估，以确保持续符合可靠性和安全基准。
(4) 分阶段认证路径：根据提出的监管模型，公用事业机构可以实施三步路径：(i) 受控的沙箱验证，(ii) 在监督下的有限试点部署，以及(iii) 经过认证的全面集成和持续监控。这种方法在促进创新的同时，保持了基础设施层面的安全要求。

6. 电力行业GenAI部署的关键挑战及相应解决方案
在关键电力基础设施中部署GenAI面临一系列结构、技术和监管挑战。虽然前面的章节分别讨论了这些方面，但本节综合了本研究中直接涉及的主要部署障碍，并将其明确与提出的三维框架（图1）和第5节中介绍的分阶段治理模型联系起来。由于GenAI的快速发展可能会带来新的挑战，因此讨论并不全面。

6.1. 关键资产中的数据稀缺性和类别不平衡
- 挑战：电力系统中的故障事件较为罕见，导致类别严重不平衡和标记数据集有限。这限制了预测性能，并增加了安全关键资产中未检测到故障的风险。
- 解决方案（框架链接——操作价值创造）：提出的三步GenAI方法通过生成合成数据增强（第2节）直接解决了这一挑战，增强了少数类别的代表性并提高了预测可靠性。通过将预测结果与资产级别的成本结构联系起来，该框架确保生成建模能够转化为可测量的操作价值。
- 政策和治理影响：在风险等级分类模型（第5节）中，预测维护应用通常根据资产的关键性被归类为“有限风险”或“高风险”。因此，在分阶段框架的第二阶段试点部署之前，应明确定义性能阈值（例如，可接受的故障率）。

6.2. 实时运营风险和模型不确定性
- 挑战：在如电网运营这样的安全关键环境中，模型幻觉、漂移或错误的决策支持可能会引入连锁的可靠性风险。
- 解决方案（框架链接——安全与可信度）：该框架整合了人在回路中的验证、数字孪生测试（如eGridGPT案例所示）和明确的可信度标准，以减轻运营风险。这些机制确保GenAI输出符合可靠性标准和工程约束。
- 政策和治理影响：根据提出的治理调整，实时控制室应用被归类为“高风险”，要求有记录的人类干预能力、结构化验证和在第3阶段认证之前的持续监控。

6.3. AI部署中的信任和透明度差距
- 挑战：抽象的AI安全和信任原则并不自动转化为可测量的基础设施级别标准，可能限制操作员和监管机构的信心。
- 解决方案（框架链接——可量化的可信度）：第4节中开发的分类法通过将信任维度与可量化的指标（如错误率、可靠性指标、可解释性验证方法、审计日志结构和隐私保护机制）联系起来，提供了技术模型评估与基础设施级别责任之间的可测量桥梁。
- 政策和治理影响：这些指标作为分阶段监管模型中的部署验证标准，使公用事业机构能够在认证之前定义与基础设施对齐的接受阈值。

6.4. 关键基础设施环境中的监管不确定性
- 挑战：大多数AI治理框架仍然保持行业中立，没有明确解决连锁故障风险、实时运营约束或基础设施级别的可靠性要求。
- 解决方案（框架链接——风险等级治理）：提出的基于风险的分类和分阶段部署路径将全球AI治理原则适应于电力系统的结构现实。通过区分最小风险、有限风险、高风险和不可接受风险的使用案例，该框架将技术创新与监管的适度性相协调。•运营实施链接：公用事业层面的实施路径（第5.3节）将这些治理调整转化为适合关键能源基础设施的制度结构、验证阈值和监控机制。7. 结论在本文中，我们通过一个结构化的三维框架研究了将通用人工智能（GenAI）整合到电力行业中的方法，该框架涵盖了运营价值创造、安全性和可信度以及政策和监管影响。我们的综合方法阐明了变革性人工智能技术与电网运营之间的复杂互动，提供了一个平衡且分析严谨的视角。具体而言，我们定制的GenAI方法在电力维护（PM）使用案例中展示了实际的操作改进，性能提升超过了31%，为电网带来了显著的经济效益和可靠性提升。例如，使用变分自编码器（VAEs）生成合成故障数据有助于解决数据集不平衡问题，并提高了风力涡轮发电机的剩余使用寿命（RUL）预测精度。此外，我们对与GenAI相关的安全风险进行了深入评估，明确对其进行了分类，并提出了强有力的缓解策略。这包括评估与恶意使用、模型故障和系统漏洞相关的风险，并推荐了诸如人工干预部署、审计日志记录和数字孪生验证等保障措施。为了确保人工智能的可靠部署，我们开发了一个全面的分类体系，其中包括可衡量标准，如安全性、公平性、可解释性、隐私性、责任性和环境福祉。我们通过NREL的eGridGPT等实际应用来说明这些维度，该应用将GenAI整合到了控制室工作流程中，结合了数字孪生测试和监督控制。进一步地，鉴于缺乏针对特定行业的最终法规，我们提出了一个适用于所有司法管辖区的基于风险的治理框架，该框架包括使用案例分级模型和分阶段部署流程，以促进负责任的创新。虽然本研究为关键能源基础设施中的GenAI部署建立了一个综合框架，但未来仍有几个重要的研究方向。更广泛的跨数据集验证和在不同电网环境中的实时现场试验将进一步评估所提出方法的普遍性和稳健性。对可信度维度（如对抗性鲁棒性、分配变化下的公平性以及长期模型漂移监测）进行正式的压力测试将加强基础设施级安全标准的定量验证。同时，随着特定行业GenAI法规的不断发展，所提出的基于风险分级和分阶段部署的治理模型可以进一步完善，以符合新兴的国家和国际标准。这些扩展将深化GenAI部署的实证和监管成熟度，同时建立在本研究建立的综合基础上。最终，这项研究作为一个重要的里程碑，阐明了人工智能、能源经济学和关键基础设施管理之间的复杂依赖关系，并指导利益相关者将安全、高效和可靠的人工智能整合到电力行业和更广泛的能源生态系统中。

CRediT作者贡献声明：
Khaled Alshehri：撰写 – 审稿与编辑、撰写 – 原始草稿、可视化、验证、项目管理、方法论、调查、正式分析、概念化。
Moamar Sayed-Mouchaweh：撰写 – 审稿与编辑、撰写 – 原始草稿、可视化、验证、软件、项目管理、方法论、调查、资金获取、正式分析、数据管理、概念化。