数字化建运模块

本章包含三门课程的核心知识点：《公司自主可控应用》《电力大数据技术应用》《公司人工智能技术应用与实践探索》。

（一）公司自主可控应用课程

1. 信创政策及产业生态解读

（1）信创，即信息技术应用创新。其核心目标在于对 IT 产业的硬件、软件等全链条进行深度重构。信创产业涉及的领域包括：基础硬件、基础软件、应用软件、信息安全等。

**（2）**信创产业推进，有着深刻的内外部原因。外因：外部环境恶化，倒逼信创加速发展；内因：信息产业缺自主创新，急需打破瓶颈。

**（3）**2020 年，我国提出"2+8+N"的安全可控体系，其中 2 是党、政府；8 是金融、交通、电信、教育、电力、航空航天、石油和医疗八个行业；N 是其他行业，例如汽车、地产、物流等。

（4）国内信创产业在迎来新一轮发展机遇的同时面临一定的挑战，相比较于 40 多年的"wintel"体系，还面临技术创新能力不足、标准规范亟需加强、产业链有待完善、专业人才短缺等挑战。

2. 国产操作系统

（1）国产操作系统是指由中国自主研发、具有自主知识产权的计算机操作系统。根据不同的应用场景和技术特点，国产操作系统可分为桌面操作系统、服务器操作系统、移动操作系统等。大部分国产计算机操作系统是基于 Linux 进行二次开发的。

（2）国产操作系统的特点：1）自主可控；2）易用性；3）安全可靠；4）跨平台兼容性。

（3）国产操作系统与 Windows 操作系统的不同之处：

1. 内核功能方面：国产操作系统采用宏内核；Windows 操作系统采用混合内核（宏内核+微内核）；
2. 系统环境方面：国产操作系统更加适配国产硬件设备，并且支持多种国产软件平台；Windows 操作系统主要适配微软自家的硬件设备，并且对其他厂商开发的软件平台支持有限；
3. 安全机制方面：国产操作系统具有更高的安全性，它通过严格的权限管理系统和数据加密技术来保护用户数据的安全性；Windows 操作系统拥有成熟的安全机制，但因广泛使用成为主要攻击目标，存在一定安全风险。

（4）国网公司在选择国产操作系统时，首选银河麒麟操作系统和统信操作系统，其高安全性、强稳定性、深度适配能力和成熟的生态体系，能够满足电力行业对系统安全、稳定运行及业务连续性的严格要求。

（5）国产终端推广应用存在点多面广、场景复杂、产品分散等特点，并且与传统 Wintel 架构终端存在较大差异，在实际使用过程中出现操作使用存在技术门槛、部分业务系统无法适配、日常运维工作繁重、常见知识库缺失、终端配套工具缺失等问题，用户体验不佳，规模化推广应用难度大。

（6）为解决国产终端业务系统兼容和操作系统日常使用问题，研发了内网商店、数据迁移工具、应用虚拟化软件、信创知识库小模型，提升终端用户的使用体验，保障自主可控终端应用推广。

3. 麒麟桌面操作系统应用

1. 操作系统通过系统设置来管理系统的基本设置，包括账户、系统、设备、网络、个性化、时间语言、更新、安全、应用、搜索、通用等；
2. 在"网络"设置模块中，可进行"有线网络、无线局域网、代理、VPN"的相关配置；
3. 在国产操作系统中，文件或文件夹具有拥有者、所属用户组及其他用户三种属性。一般而言，拥有者、群组和其他用户对于特定文件或文件夹具有不同的权限；
4. 银河麒麟操作系统提供了两种常见的软件安装方式。在外网环境中，可以直接登录系统自带的"软件商店"搜索需要的软件，点击进行下载安装。在内网环境中，需使用准备的软件安装包进行安装，银河麒麟操作系统使用 deb 格式的软件包；
5. 终端是麒麟系统使用系统命令操作的媒介，通过在终端窗口键入系统指令达到与系统交互的目的；
6. 系统自带"工具箱"可以查看整机信息、硬件参数、硬件检测、驱动管理等功能；
7. 麒麟管家是提供电脑故障排查、故障修复、电脑垃圾清理及系统小工具的应用；
8. 归档管理器是系统自带，提供压缩和解压文件功能的软件；
9. 安全中心是系统安全管理程序，其首页包含安全体检、账户保护、网络保护、病毒防护、应用保护和设备安全六个模块，系统已默认安装。安全中心提供系统账户密码安全检查策略配置及账户锁定功能；
10. 麒麟系统监视器是一个对硬件负载、程序运行和系统服务，进行监测查看和管理操作的系统工具，可对系统运行状态进行统一的管理。

（二）电力大数据技术应用课程

1. 电力大数据应用业务体系

电力大数据应用业务体系一级分类包含"支撑国家治理科学、支撑绿色低碳发展、赋能电网转型升级、赋能经营管理提升、赋能客户服务优质"5 大重点任务，二级分类包含"支撑经济发展、支撑社会治理"等 13 大业务领域；三级分类包含"电力看宏观经济、电力看区域经济"等 33 大业务方向。

（1）支撑国家治理科学：将电力数据与社会治理深度融合，围绕社会经济难点、国家治理痛点、创新发展热点，由宏观静态统计数据分析向微观实时明细数据分析转变，切实对接政府、社会需求，提升社会经济和国家治理精益化、智能化、协同化水平，赋能国家治理能力和治理体系现代化建设。

（2）支撑绿色低碳发展：挖掘电力和环境的耦合关系，加强电力数据在清洁发展、节能环保领域的应用，为推动绿色发展，积极稳妥推进碳达峰碳中和提供有力支撑。

（3）赋能电网转型升级：建立数据驱动的电网运行新模式，充分发挥数据要素在电网运营全环节"可观测、可描述、可控制"的价值发挥，实现状态实时感知、故障精准识别、运行自主优化，全面提升电网主业的智能化、绿色化水平，支撑加快构建清洁低碳、安全充裕、经济高效、供需协同、灵活智能的新型电力系统。

（4）赋能经营管理提升：紧扣企业经营管理的实际业务逻辑，站在企业全局视角开展业务流程优化和模式改进，依托数据建模与仿真，实现经营管理的流程可视、运营可控、问题可溯，持续提升科学决策能力，业务运行效率和风险管控水平。

（5）赋能客户服务优质：构建客户群体特征分析及细分模型，评估优化潜力，为用户智能推荐个性化服务方案，满足差异化服务需求。服务电力企业上下游客户，支撑产业生态发展。

2. 电力大数据应用技术体系

大数据应用技术能力体系围绕数据分析应用"业务理解、数据处理、数据分析、数据应用"4 个环节，涵盖了 14 个方向和 49 项关键技术，包括大数据的基础性、紧迫性、前沿性、颠覆性技术，通过精心规划布局，强化顶层设计引领作用，全面提升数据分析应用能力。

1. 业务理解：聚焦业务需求分析和数据理解能力开展研究，支撑准确解读业务需求，快速定位所需分析数据集。主要包括业务理解能力、数据理解能力两部分；
2. 数据处理：聚焦提供高质量分析数据集和提升挖掘数据价值特征的能力开展研究，降低数据溯源与预处理成本，提升业务决策的准确性和有效性。主要包括数据融合能力、数据探索能力、质量评估能力、数据处理能力四部分；
3. 数据分析：聚焦提高分析模型质量和泛化能力开展研究，提升模型敏捷构建和应用水平，主要包括模型构建能力、模型评估能力、模型管理能力、分析组件能力四部分；
4. 数据应用：聚焦提升数据分析成果应用于实际业务和决策中的能力开展研究，提升数据分析应用服务业务水平。主要包括一键式部署能力、分析报告生成能力、共享复用能力、成果评估能力四部分。

3. 大数据应用技术能力成熟度评估模型

大数据应用技术能力成熟度模型（DAMM）架构主要从能力成熟度等级、支撑保障、数据分析全流程三个方面形成一个三维立体模型，对大数据分析应用能力成熟度进行评估。

1. 成熟度等级：包括描述性阶段、预测性阶段、指导性阶段、数智化阶段四个阶段；
2. 支撑保障：包括基础平台、标准制度、安全保障、人员组织四个方面；
3. 数据分析流程：业务理解、数据处理、数据分析、数据应用四个环节。

4. 企业中台定义

公司企业中台基于国网云构建，是企业级能力共享平台，业务上实现能力跨业务复用、数据全局共享，支持前端应用快速、灵活搭建，支撑业务快速发展、敏捷迭代、按需调整，赋能公司业务发展和管理创新，助力推进公司和电网高质量发展。

5. 企业中台组成

企业中台包含业务中台、数据中台和技术中台，业务中台提供可复用的业务服务，数据中台提供可复用的数据服务，技术中台提供统一的技术服务。

6. 数据中台能力

按照国网对数据中台能力的要求，数据中台需要具备数据接入、存储计算、数据分析、数据服务、数据资产管理、数据运营管理六项能力。

1. 数据接入：数据接入是公司数据中台的"数据入口"，负责将公司各专业及外部数据按照实时、离线等频度统一汇聚至数据中台，实现各类数据资源全量纳管；
2. 存储计算：数据计算存储是数据中台的"核心存储与处理模块"，支撑不同类型数据的管理需求。对已接入的数据进行加工计算和落地存储，为各专业数据分析应用提供海量存储和超强算力；
3. 数据分析：数据分析是数据中台实现"数据价值呈现"的关键环节，为各专业提供多维建模、挖掘分析及可视化展现能力，可基于 QuickBI、报表中心等工具实现；
4. 数据服务：数据服务是数据中台向业务端输出能力的"桥梁"，通过数据服务接口、数据服务目录等方式为前端应用场景提供数据支撑；
5. 数据资产管理：数据资产管理是保障数据"可信、可用"的基础工作，覆盖数据全生命周期；
6. 数据运营管理：提供链路监测、监控告警、任务调度、安全管理、数据开发能力，使数据流转平稳安全运行。

7. 通用数据分析工具 FineBI 实操

主要学习了如何对文本类型的数据进行操作。针对 BI 工程师招聘数据表，对其进行四步操作。

（1）薪水上下限分割：表格中的薪水数据在"salary"一列以"4K-8K"的形式存在，需要使用函数对文本数据进行操作，提取它的上限"4"以及下限"8"，并转化为数值类型的数据。在新增列选项卡中使用如下三个函数：

• split 函数，作用是切割字符串；
• indexofarray 函数，作用是选择字符串；
• replace 函数，作用是替换字符串。

提取薪水下限时函数公式：

indexofarray(split(salary,"K-"),1)

提取薪水上限时函数公式：

replace(indexofarray(split(salary,"K-"),2),"K","")

（2）脏数据清洗：表格中的"jobname"一列中既有"bi 工程师"的数据，也有"bim 工程师"的数据，需要把"bim 工程师"相关数据去掉。增加过滤选项卡，设置过滤条件"jobname"中不包含"bim"以及"jobname"中不包含"BIM"，并将条件之间的关系设置为"且"条件。

（3）平均薪水计算：使用前面函数处理得到的"薪水上限"以及"薪水下限"两列，进行数学公式计算得到平均薪水。增加新增列选项卡，输入数学公式：

(薪水下限+薪水上限)/2

（4）真实城市截取：在"city"一列中包含了形如"上海-徐汇区"的携带区域信息的数据，需要提取其中的城市信息"上海"，并在最后增加字符串"市"，将"上海-徐汇区"转化为"上海市"。在新增列选项卡中使用如下三个函数：

• split 函数，作用是切割字符串；
• indexofarray 函数，作用是选择字符串；
• concatenate 函数，作用是拼接字符串。

截取真实城市时函数公式：

concatenate(indexofarray(split(city,"-"),1),"市")

（三）公司人工智能技术应用与实践探索课程

1. 人工智能的定义

人工智能（Artificial Intelligence）是一门融合计算机科学、数学、统计学、哲学、心理学等多领域知识的综合性科学，核心是让计算机系统模拟人类思维过程与行为模式，具备感知、理解、思考、判断、决策等能力。

2. 人工智能的诞生与三大学派

诞生：1950 年，图灵发表了一篇非常重要的论文并在论文中提到了创造"智能机器"的可能性。由于"智能"一词很难定义，他便提出了著名的图灵测试。1956 年，召开了一场人工智能学术研讨会，这就是著名的达特茅斯会议，标志着人工智能作为一个研究领域正式诞生。

三大学派：

• 符号主义学派：用符号描述认知过程，注重逻辑推理和数学可解释性。核心是逻辑推理，认为认知即符号运算；
• 联结主义学派：模拟人脑神经网络，适合形象思维过程模拟。核心是神经网络，模拟生物神经元连接方式；
• 行为主义学派：强调通过与环境交互和反馈获得智能，偏向应用和具身智能。核心是控制论，强调在环境交互中表现出智能。

3. 人工智能技术架构

• 机器学习：使计算机无需显式编程就能从数据中学习的科学。它从数据中识别模式并做出预测或决策，是人工智能的核心分支；
• 深度学习：机器学习的一个子集，核心是使用多层神经网络来学习数据的复杂表示。它极大推动了图像、语音和自然语言处理的发展。

4. 人工智能学习范式

• 监督学习：算法从带有标签的数据集中学习，即每个训练样本都有一个已知的结果；
• 非监督学习：算法从没有标签的数据集中学习；
• 半监督学习：结合了少量的带标签数据和大量的未带标签数据进行训练；
• 强化学习：通过试错的方式，学习哪些行为可以获得奖励，哪些行为会导致惩罚。

5. 弱人工智能与强人工智能

• 弱人工智能：包含基础的、特定场景下角色型的任务，如 Siri 等聊天机器人和医疗诊断系统；
• 强人工智能：指具备与人类相当的综合智能，能够在各类场景中自主学习、推理、决策，胜任人类所能完成的各类脑力任务的人工智能。强人工智能需要具备自主意识、情感理解等高阶能力。

6. 人工智能三要素

通常指的是实现人工智能系统所需的三个基本组成部分：

• 数据：数据是人工智能系统的"燃料"。数据是用于训练和优化算法的基础；
• 算法：算法是人工智能系统的"大脑"。算法是指用于解决问题或执行任务的计算步骤和规则的集合；
• 算力：算力是人工智能系统的"肌肉"。人工智能需要强大的计算能力来执行复杂的计算任务。

数据、算法、算力三者相互依存。数据是训练优化的基础，算法是解决问题的指令集，算力是执行复杂计算的能力。

7. 人工智能应用

• 计算机视觉：让机器理解图像和视频，用于人脸识别、缺陷检测、车牌识别等；
• 自然语言处理：处理语言信息，实现文本分类、摘要、翻译等，用于智能客服、新闻自动编写；
• 智能语音：包含语音识别、语音合成、声纹识别，用于语音指令、会议转录、身份识别等；
• 知识图谱：结构化语义知识库，描述概念及其关系，用于供应商画像、电力百科等；
• AIGC（人工智能生成内容）：指利用人工智能技术自动生成文本、图像、音频、视频等内容。

8. 大模型的定义

大模型是指具有亿级及以上参数的大型深度学习模型，在超大规模算力和海量样本的支撑下，大模型参数规模已达到千亿级别，在智能问答、图像生成等多个自然语言和视觉任务中达到历史最佳，具有良好的泛化性。

按照处理信息种类不同分为大语言模型及大视觉模型，以及能够同时处理语言、视觉、语音等多种任务的多模态大模型。

9. 大模型的训练过程

大规模通过在大规模宽泛的数据上进行预训练（通常为无监督学习）获得基座大模型（L0），然后加入行业知识进行训练微调（通常为半监督学习），得到行业领域的大模型（L1）。行业大模型再结合细分场景专业知识进行微调（通常为监督学习）得到细分场景专用模型（L2）。

10. 大模型的构建层级

• 基础通用大模型 L0 级：面向广泛领域和任务，基于海量数据学习通识知识；
• 行业大模型 L1 级：针对特定行业设计和训练，通过行业数据微调学习行业知识；
• 细分场景专用模型 L2 级：针对细分场景业务，通过业务数据学习专业知识。

基础通用大模型对算力和数据量要求高，研发难度大，资金投入多，不适合行业单位构建。

11. 公司人工智能建设战略与规模化应用

规模化应用专项行动：

• 2023 年开始，围绕智能运维、智能客服、智能调度等领域，实现了无人机巡检、变电巡视、营销客服等 17 类应用场景规模化推广应用；
• 2024 年，统筹推进人工智能规模化应用专项行动，针对推广型、试点型、培育型共 14 类场景，制定差异化实施策略，推动梯次演进，扎实推进人工智能规模化应用；
• 2025 年打造坚持需求和问题导向，打造以光明电力大模型为核心的公司人工智能体系，聚焦"三个一批"和创新应用等重点场景开展应用攻坚，推动大小模型协同落地应用，实现体系化、常态化运营，推动业务生产方式和管理模式优化升级。

12. 人工智能典型应用

• 输电智能巡检：通过无人机、直升机、固定监控摄像头、机器人等多种巡检方式采集的输电巡检影像数据特征，通过深度学习的计算机视觉技术对图片进行分析，解决了绝缘子自爆、导地线异物、电力线散股等设备本体缺陷诊断和树障、烟雾、山火等线路通道监测的难题，大幅提升输电线路安全运维效率；
• 变电智能巡视：围绕"高清视频+机器人+无人机"，基于计算机视觉技术实现 220kV 及以上变电站智能巡视；
• 配电站房智能分析：采用计算机视觉技术实现对区域入侵、人员倒地、表盘破损等的智能识别预警；
• 配网调度辅助：通过汇聚空间地理、历史负荷等多维数据，融合应用人工智能的自然语言处理等算法，开展配网调度检修计划、故障处置过程中的智能推理与辅助内容生成，负荷转供方案自动生成等辅助决策应用；
• 安全风险管控：通过应用各类视频监控边缘设备，采用计算机视觉、自然语言处理等技术集成人脸识别、OCR、违章判别等智能识别算法，实现高风险作业场景下设备、工器具、作业行为、环境等风险识别、管控和处置；
• 营销智慧客服：完成 95598 热线"零按键"服务全网推广应用，建成智能外呼应用；
• 声纹监测：利用声纹识别算法，基于变电站或配电站房采集的大量设备运行声学样本，构建缺陷告警阈值和类型识别模型，实现变压器运行状态的声纹在线监测及主动预警，高效识别典型放电类型缺陷。

13. 光明电力大模型定义

光明大模型是面向电力行业的千亿级多模态大模型，不仅服务公司自身，更是一个全产业链共建共享的行业级大模型。

14. 光明大模型的训练过程

基于通用基础大模型，引入电力行业知识（半监督学习）与专家经验（强化学习），通过行业级预训练与模型微调技术，构建电力行业大模型。基于电力行业大模型，通过少量样本的专业知识精调、业务对齐和智能体调度，构建电力专业应用模型。

15. 光明大模型的五大核心能力

1. 电力知识记忆理解：深入理解和应用技术标准、运行规程等专业知识；
2. 多模态融合分析：融合分析电力设备相关的文本、图像等多模态数据，辅助智能故障诊断；
3. 业务逻辑推理：基于电力业务知识和系统运行规则，对系统状态进行智能评估；
4. 基础数值计算：通过数学模型算法对电网运行参数进行计算分析，支持电网智能决策；
5. 内容辅助生成：自动生成电力行业技术报告、故障分析、调度策略等高质量文本内容的能力。

16. "人工智能+"顶层设计

推进"人工智能+"顶层设计，形成以光明电力大模型为核心的"人工智能+""6541"总体规划布局：

• 6 大业务领域：规划建设、电网运行、设备管理、作业管控、客户服务、经营管理；
• 5 大技术能力：感知智能、认知智能、决策智能、具身智能、科学智能；
• 4 个关键要素：样本、模型、算力、平台；
• 1 套保障体系：组织、运营、标准、生态。

17. 提示词编写技巧

提示词是与 AIGC 工具完成沟通的语句，精准的语句能够保证良好的沟通效果，为了保证较好的沟通质量，我们的沟通可以分为三个层次：

• 第一层（简单提示词）：动作+任务，适用于基础问题；
• 第二层（结构化提示词）：角色+背景+任务+要求，适合需逻辑清晰的复杂问题；
• 第三层（高阶提示词）：在第二层基础上增加细节、样例，多轮沟通让 AI 自我修正，直至获得满意结果。

在面对复杂问题/长内容生成时，可以将任务拆解成更小的子任务，再结合提示词技巧，交由 AI 去完成。