昇腾AI方案加速智慧能源新基建的步伐

在2022年中国电机工程学会人工智能专业委员会年会暨电力行业人工智能技术创新应用论坛上，华为昇腾计算行业解决方案总监吴杰发表了“人工智能融合赋能平台（AICE）助力电力数字化建设”主题演讲，他表示：得益于广大合作伙伴的支持，过去几年昇腾AI已经初步构建了一个健康的可持续发展的生态，在电力领域适配90%以上的主流生态伙伴。

昇腾AI方案也已在山东、江苏、浙江、四川、湖南、广东等25+省市部署应用，涵盖输电、变电、配电、用电等多种应用场景。

未来，我们期待能够和大家一起推动电力行业智能化升级，通过AICE赋能行业智慧生态建设，加速智慧能源新基建的步伐。

吴杰在本次活动的主题演讲中提到：

在产业蓬勃发展的大环境下，AI技术要深入行业场景，仅凭创新落地还远远不够。正如人在学校学习基础知识后，需要一直在社会工作中实践成长，AI通过初始的训练环境学习后，也需要深入到行业的生产系统中，不断结合实际场景的数据，进行增量训练和迭代学习，才能满足更多样和变化的应用需求。而打造这样的行业AI生产系统，需要满足算随数建、训推一体、云边协同三点。

为解决行业痛点，让AI持续迭代更新、自我演进，华为联合合作伙伴共同发布了基于昇腾AICE的行业场景化解决方案。

人工智能融合赋能平台（简称AICE），是基于昇腾AI基础软硬件提供具备自主演进能力的训练-推理一体化平台。

从技术构成上来看，

基础软硬件层，包括昇腾AI的训练和推理硬件，可以提供中心和边缘的算力资源，并适配了欧拉开源操作系统、异构计算架构CANN、AI框架昇思MindSpore等软件；

业务使能层，与AICE的平台伙伴共同打造AI训练平台和推理平台，进行算法更新和增量训练，构筑具备自主演进能力的训推一体平台；

算法应用层，包含算法伙伴提供的算法，以及华为提供的全域感知、知识计算、机器人等引擎实现算法的全域智能，赋能千行百业迈向智能化。

AICE具备自我演进能力，通过增量学习和“非正常即异常”检测，边用边学，可促进AI识别结果更准确，识别场景更丰富。

增量学习即依赖AI设备进行主动数据筛选，并自动上传到中心对象存储，仅对筛选后数据人工标注，再通过增量学习中心容器自动化增量训练与评估，实现AI精度不断提升。以某厂家螺丝钉检测为例，平均检测精度可从81.7%提升到96.4%；而且增量学习极大地降低标注量，节约标注成本，依托自动化学习框架，实现学习效率2~4倍提升。

“非正常即异常”检测过滤掉99.99%的正常样本，将未知异常、误报推送到AI运营侧统一审核、分析。比如在输电检测场景，面对未提前训练过的物品，丝巾、铁丝网、废弃气球等，自动筛选异常图片，上报至样本库，然后对模型进行迭代升级，在不断提升识别率并保证商用效果的前提下，不断扩展异常场景的识别范围。

依托AICE和电力行业样本库资源，可以打造面向设备运检类、知识服务类、调度预测类的预训练模型，覆盖发、输、变、配、用等各个环节，赋能全场景业务。

在AICE上，通过预训练模型快速生成的业务AI算法，可大幅缩短开发周期，提升开发效率。原先一个新算法开发需要2~4个月，而通过预训练模型，仅需收集、标注的少量数据，1-2周的时间即可开发出新算法。

同时，通过海量样本共享，采用“预训练模型 +区域微调”模式，可大大提高模型精度。

此外，预训练模型减少了AI重复投资，一次性开发，行业共用，还可降低电力AI应用规模落地的门槛。

通过AICE赋能，不仅促进了人工智能与电力行业的深度融合，更推动了人工智能的工程落地和规模化应用，未来，昇腾AI将继续携手伙伴，打造更多基于AICE的电力行业解决方案，加速电力行业数智化升级。

审核编辑：彭静

能源方案应用场景智慧

免责声明：本网信息来自于互联网，目的在于传递更多信息，并不代表本网赞同其观点。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，并请自行核实相关内容。本站不承担此类作品侵权行为的直接责任及连带责任。如若本网有任何内容侵犯您的权益，请及时联系我们，本站将会在24小时内处理完毕。