overhead transmission lines 空中采用遥感卫星实现对输电线路山火等较大缺陷 的高效监测[36-38]。理想的深度学习训练样本是均匀 分布的，可以有良好的识别准确率，但实际中各类 缺陷的数量很少，因此需要扩充缺陷样本。目前图 像缺陷扩充的方法，一种是对已有的图像进行数字 图像处理，包括裁剪、尺寸变换、颜色变换、旋转、 图像滤波等；另一种是结合已有图像的特点生成相 产生的各种结构化、非结构化数据，根据样本规模 提出自适应深度学习的缺陷识别算法。目前输变电 设备的故障和异常状态的样本不够丰富，且已经发 生的历史故障数据大部分并未安装在线监测系统， 导致大量珍贵数据的缺失。为解决由于样本数量过 少引起的算法模型准确率低的问题，一方面需要加 强输变电设备状态监测系统的覆盖力度；另一方面， 通过扩展数据样本的方法来扩充故障样本。如以基 于策略梯度和 GAN 障案例有限，通过数字孪生模型实现状态预警主要 是 2 种技术路线。第 1 种，将近似相关的故障样本 进行扩充后，代入数字孪生模型进行深度训练，然 后将训练好的诊断模型从虚拟空间迁移到物理空间 江秀臣，许永鹏，李曜丞，等：新型电力系统背景下的输变电数字化转型 7 用于异常预警；第 2 种，由于大部分是正常样本， 对正常样本进行深度训练并生成诊断模型，判断监 测数据是否偏离正常，并对偏离的模式进行分类来

数字时代城市发展的绿色引擎 — 样本资料中心 ABB电气行业和产品解决方案，一键获取！ 关注“ABB电气中国微信服务号”之 后，在电气全书菜单栏，点击“样本资料中 心”，即可进入由“产品中心”、“客户案例” 和“资料下载”三大版块集成信息库。 您可以在“样本资料中心”的“资料下载” 模块，根据清晰的分类查找样本，也可通 过“关键词”搜索，浏览、下载或分享任何 所需信息资料。强大的搜索功能，无论输 入样本中的标题或内文中包含的关键词都 马上扫码关注 ABB电气中国微信服务号， 将您的随身ABB电气“微助理” 装入口袋。 零碳智慧园区电气应用方案 数字时代城市发展的绿色引擎 23 © Copyright 2025 ABB 样本所载述的产品资料以实物为准，若有变更恕不另行通知， ABB（中国）有限公司拥有最终解释权。 1SXF001082X2001 Rev A 07-2025 SH-HG — 联系我们 www.abb 联系邮箱：contact.center@cn.abb.com ABB电气官方网站 ABB电气中国微信服务号 ABB电气微信订阅号 • 新闻资讯 • 行业洞察 • 新品发布 • 成功案例 • 会员中心 • 样本资料中心 • 线上线下会议中心 • 在线客服 • 中压产品及系统 • 低压产品及系统

光谱的测定 取样 参比数据的测定 试验设计 分析项目 样本性质 所需仪器设备 光谱分析是否合适 验证样本的选择 准确性验证 稳健性验证 界外样本识别 样本预测分析 模型维护更新 校正方法选择 校正样本选择 光谱预处理方法选择 波长选择 界外样本点剔除 因子数选择 参比方法选择 参比方法误差 参比方法与光谱之 间的一致性 分析项目 样本性质 所需仪器设备 采用光谱技术是否 合适 样品均匀性与稳定性 人工神经网络 (ANN) 拓扑建模等 其他方法： 基于核函数的非线性校正方法 集成 ( 或共识 ) 的建模策略 多维分辨与校正方法 基于局部样本的建模策略 建模流程概图 原油快评系统构建与关键技术  已工业应用的原油快速评价系统对比 近红外快评系统 核磁共振快评系统 原油预处理 需脱水，控温要求较高； 介入式、过滤 2 微米杂质； 蓝宝石包裹镜头，不黏附重油， 可长周期投用，维护量小  接缝采用航天胶水，防腐抗高温 原油快评系统构建与关键技术  汽油的近红外建模技术  已有研究基础 采集汽油样本 （NIR光谱与化学属性） 对所有NIR谱图进行基线校正 选择训练集样本 选择特征波长 利用PLS算法建立模型 模型现场应用 1000 1200 1400 1600 -0.2 0 0.2 0.4 0.6 0.8

整个城市多空间尺度验 证 2 Generator C) 冷 - 热 - 电多能耗负荷验证 夏季冷、冬季热、全年电负荷，用实际能耗校准 城市能耗地图 福州厦门误差 <5% 小样本、多特征、可解释的迁移学习 GAN 样本增广 +DANN 域对抗 +LSTM 建立典型建筑和社区模型，与实际能耗对比修正 典型建筑能耗 逐时 - 周 - 春 秋 oo o Diserimirator 11 network TimeGAN Random noise ● 极端天气 ( 如热浪、寒潮 ) 和新型负 荷 ( 如氢能、数据中心 ) 缺乏历史数据， 导致学习困境 · 小样本训练的模型在面对新场景时，泛 化能力差 负荷预测的小样本问题 Recovery network Embedding network Real data 1 7 1 5 1 著 #4 T=P 3 14

示模型质量尚好，可直接使用。如果发现训练集和验证集上的预测效果相差太远，说明模型还有优 化的余地。 建立算法模型的关键环节 三、工业大数据建模  机器学习 通过算法使得机器能从历史数据中学习规律，从而对新的样本能做出智能识别或预测。 。 机器学习的应用场景  常见应用 • 预测：设备故障预测、降雨预测、产品质量预测…… • 营销：商品推荐、用户群体画像、广告精准投放 • 金融：贷款发放预测、金融风险控制、股票走势预测、黄金价格预测 在给定一系列输入 / 输出样本（实例）构成的数据集的条件下，学习输入 x 到输出 y 的映 射关系。有监督学习的样本数据是带有标签的，每一个样本数据都含有已知结论，其主要做 法是使用有标签的样本数据来训练得到模型。  无监督学习 在给定一系列仅由输入样本（实例）构成的数据集的条件下，发现数据中的模式。无监督 学习有时候也称为知识发现。无监督学习的样本数据没有任何标签，而是直接从数据本身发 强化学习是指一个系统和外界环境不断地交互，获得外界反馈，然后决定自身的行为， 达到长期目标的最优化。其中典型的案例就是阿尔法狗下围棋，或者汽车无人驾驶。 机器学习类型 三、工业大数据分析  分类预测 利用算法，从样本数据中学习并推导出判断模型，从而对未知的数据进行识别。 包括以下两类： • 回归分析：输入变量（特征）与输出变量（结果）均为连续变量的预测问题。例如，预测明天 的气温是多少度（定量），这是一个回归任务。

50% 5G 人工智能 云 VR/AR 节省人力成 本 识别效率 大量存在的行业知 识 地球系统的复杂性 样本少且标签不准 确 行业专家想通过 AI 获 取科 学规律而非单纯的 数字 行业数据 + 专业知识 +AI 算法 + 算力 ，成 为人工智能在油 气勘探 领域的持 续 推动力。 对事物的深刻认识 中国科学技术大学 地球和空间科学学院 5G 人工智能 云 VR/AR 测井曲线 基于小样本学习的地震层位解释 – 真三维 、体 解释 5G 人工智能 云 VR/AR QC Sufficien t? 高效高精度

个数据中心同时对污染物进行监测，多 数数据中心在建设和运营过程中都缺乏对空气污染物的有效监测，导 致无法及时掌握空气质量状况，难以采取有效的治理措施。 2.3 空气治理措施不足 尽管部分数据中心采取了一些空气治理措施，但在受访样本中， 48% 的用户认为首要措施是采用空气过滤技术，26% 的用户选择使 用防腐涂层，22% 的用户倾向于优化 PCB 板设计。然而，这些措施 往往只能解决部分问题，对于复杂多变的空气污染环境，单一的治理 应速度快、测量范围宽等优点，可实现对多种气体的同时监测。 5.4 现场检测与实验室分析结合法 在数据中心现场采集空气样本，然后将样本送至实验室进行详细 的分析和检测。实验室可采用先进的分析仪器和方法，如气相色谱 - 质谱联用仪 (GC-MS)、电感耦合等离子体质谱仪 (ICP-MS) 等，对空 气样本中的各种污染物进行精确分析。这种方法能够提供全面、准确 的空气质量数据，但存在采样和送样过程复杂、检测周期长等缺点。

场景化工作流 在线学习，持续模型迭代，越用越准 数据标注 模型训练 模型部署 模型选择 模型评估 结果反馈 集团 训练中心 （L1） 机器学习方法 预置通用模型 基础算法 小样本学习 主动学习 通用物品识别 场景识别 视频分析 目标检测 语义分割 人形检测 弱监督学习 内容审核 图像分类 目标跟踪 迁移学习 人物识别 姿态估计 动作识别 大模型开发套件 AI 通用开发平台 识得准：减少行为 识别的误报漏报 秒级 风险事件秒级预警 识得快：快速识别 异常，秒级响应 25% 作业效率提升 自主创新技术，提升 了整体作业效率 18% 综合运维成本下降 自动化样本筛选和 标注，成本降低 端侧推理 • 安全部署：保障全链路安全 • 智能调度：实时感知，动态优化算力 • 效能提升：弹性编排提高算力利用率 推理管理平台 集团中心 油田公司 端侧推理（Edge） 统一入口：标准化权限认证和流量管理 • 安全保障：实时监管网络安全行为 • 稳定支撑：确保推理安全可靠 2 3 3 云边协同 信息上报 服务汇聚 模型部署 云边协同 信息上报 服务汇聚 模型部署 边用边学 异常回传 样本上传 模型下发 采油 / 气厂 边缘应用 推理模型 通用算力 + 推理算力 近端推理 作业区 推理模型 推理算力 管理 中心 近端推理 昆仑 CV 大模型 动火作业 | 吊装作业

数据投毒是指攻击者在模型训练阶段集中注入恶意或经过精心设计的数据样本，使模型在训练 后产生特定的错误行为或后门，导致模型在正常输入下表现正常，但在遇到特定触发条件时产 生预期之外的行为。数据投毒对AI模型构成严重的安全风险，如在辅助驾驶应用中，可能导致 严重的安全事故或经济损失。 2、人工智能面临的内生安全挑战 模型安全风险 对抗样本 对抗样本是针对模型的最典型威胁，它是一种通过对输入数据添加微小的扰动，使模型产生错 小的扰动，使模型产生错 误输出的技术。 对抗样本对模型的安全应用构成了严重威胁，其影响范围涵盖了多模态领域，包括视觉、听觉 和文本处理系统。在视觉领域，辅助驾驶车辆可能误读被篡改的交通标志。听觉方面，语音助 手可能被隐藏在背景音中的对抗指令操纵。人脸识别和生物特征识别系统面临被精心设计的图 像或视频欺骗的风险。 提示词注入风险 提示词注入攻击指攻击者通过巧妙构造输入文本，来操纵AI模型执行非预期或潜在有害操作的 智能体（Agent）是一种能够感知环境、进行决策和执行动作的智能实体。随着大模型的能力 增强，大模型可以充当智能体的大脑，通过规划、记忆、工具执行等组件完成各种复杂任务。 大模型智能体的安全风险是指通过提示词注入或对抗样本的方式，让大模型规划出恶意的任务 序列，或生成并执行恶意的指令。大模型智能体的安全风险可能导致严重的危害，例如造成实 际的资金损失，泄露重要的个人信息等。大模型智能体往往具备访问或操作系统的敏感权限，

大数据处理关键技术一般包括：大数据收集、 分析、应用、共享、储存。 第一，大数据的收集。通过物联网技术，将海量数据收集起来并存储于设备上。为了获 取更多更准的数据，大数据收集的时间频度要大一些，尽可能收集全面的数据，而非样本数 据。 第二，大数据的分析。通过大数据技术从大量结构化和非结构化的数据中，挖掘、分 析、攫取出有用的信息，这是对传统数据分析方法的极大扩充。 第三，大数据的应用。大数据应用的根本是预测。政府、环保机构等相关决策人员，需 从数据处理的角度看，平台运行后将建成以生态环境数据为中心的开放式数据中心，广 泛收集来自气象，农林，交通，能源，车联网等第三方数据，同时也给第三方输出数据并分 享成果数据；为后续深度学习积累数据样本，将来平台具备很强的自我学习能力。 为了数据安全，平台提供了数据安全子系统，用于数据安全，数据进入平台有两种方 式，一种是直接进入处理中心，另一种是通过数据安全中心加密后进入处理中心，加密后的