计算池化部署，按需弹性配置，构建超强计算池，满足 大规模多工区连片处理和解释需求，地震处理效率提升 主要产品及优势 全自主创新软硬能力，丰富云服务，全系列大模型 • 全自主创新软硬能力：算力、算子、训练框架、开发平台、大模型、工程套件 • 丰富云服务：数据采集、分析、训推、应用开发、流通全流程 • 全系列大模型：支持CV、NLP、预测、多模态、科学计算5个基础模型；完备的数据、模型、应用开发工程套件 程套件 湖仓智一体，内置60+数据清洗算子，数据加工效率提高10倍 计算加速，训推时长下降20%；算力切分，一卡多用，并行任务数提升8倍 存储加速，SFS Turbo数据加载提升10倍，训练提升2.5倍 ModelArts AI开发平台 AI开发框架 高阶云服务 DataArts CodeArts MRS/DWS TICS* 算力调度 算力切分 算子加速 机器视觉 | 自然语言 | 提升运维效率： 基于边缘计算和云管理架构，实现 管理效率提升50% 智慧井场 • 云边协同架构： 集团训练中心云和油田边缘推理协 同，管理生产效率双提升 • 边用边学，越用越好： 专家经验赋予人工智能能力持续提 升，边用边学，越用越好 • 非正常即异常： 理念革新，模型训练工作量节省 85%以上 油气生产大模型 11 智慧勘探开发 / 智慧油气田 / 智慧管网 依托新一代

混合模型 l 数据贯穿模型训练、部署、应用的全过程 : 大模型的能力源于从海量数据中学习模式和知识。没有高质量、多维度、大规 模的数据 ，电力大模型就是无源之水 ，其价值也无从谈起。 l 数据质量决定模型上限 : 数据的准确性、完整性、一致性、时效性直接决定了模型训练的效果和最终应用的可靠性。低质 量数据可能导致模型产生错误认知甚至误导决策。 成） , 构造指令数据集进行微调 , 让模型 学会 遵循特定格式和要求执行任务 ，可蒸 馏小模 型 ，部署在硬件配置更低的终端中。 领域数据预训练 / 微调 使用包含大量电力专业文献、报告、规 程、 运行日志等语料库对模型进行训练或微调 , 使 其掌握行业语言和基础知识。 知识图谱融合 构建电力专业知识图谱 , 将结构化的实体、 关 系、规则与大模型相结合 , 增强模型的逻辑 整合与优化：整合大模型的初步分析结果、外部知识库信息、实时数据以及业务规则约束。 精炼与输出：进行更精确的计算、优化或模拟 ，生成最终的、可执行的决策建议或行动指令。 技术实现：能采用预训练大模型（经过电力领域微调） + 专用推理 / 优化算法（如运筹优化、强化 学习）。 核心大模型 与 推理决策引擎 < 整合与优化

使得模型能够捕捉到更多的细节和特征 ，提高了任务的准确性。 2 、训练数据海量。 AI 大模型需要训练大量数据才能发挥出其强大的 性能 ，这些数据来自于各种来源 ，如互联网、企业内部数据等。 3 、计算资源需求高。 由于参数规模庞大 ， AI 大模型的训练需要高性 能的计算资源 ，如 GPU 集群、分布式训练框架等。 二、 AI 大模型的核心技术与特 点 Te n c e n 应对策略：以人为本 1 、构建专业语料库： 收集能源领域的专业文献、研究报告、行业标准、技术规范等资料，构建专门的能源语料库。并对数据进行清 洗、标注和分类，确保数据的准确性和一致性，为模型提供高质量的训练数据。融合能源生产、传输、消费等不同环节以及气象、地 理等相关领域的数据，让 DeepSeek 能从更丰富的维度理解能源问题中的逻辑关系。 。 2 、模型优化：利用能源领域的特定数据集对 DeepSeek

融合了用于时间序列分析的 LSTM 模型和 MIP 数学规划工具；  高精度预测“将会发生什么”，更基于实际业务规则，计算出“应该怎么做实现最 优”，真正实现从数据洞察到行动决策的无缝衔接。 模型训练库（评价多模型效果） 算法 底层大模型 + 行业模型 如锂电池行业模型： • 化成工序预测模型 • 分容工序预测模型 • 涂布、辊分、卷绕等工序闭环 调优 AI 模型 ... 项目推广—— AI 系统的试用模式 试用 试用后项目规划 • 把工厂现有的数据接入底层大模 型已积累的行业模型，展示初 步成效； 根据客户需求，进一步梳理数 据（预清洗和标注）； 经过大量数据训练后，打造解 决具体业务问题的 AI 模型系统。 客户工厂 试用模式 图形 1 客户案例 案例 行业 客户 案例 新能源 亿维锂能 AI 质量预测平台（灯塔标准） 新能源 德赛电池 大数据质量管理平台 充电能耗节约 业务价值 1) 全链路闭环：研发设计 → SPC 监控→ AI 预测 → 知识沉 淀闭环 →研发改进。 2) 动态优化：过程监控与知识库 实时交互（如新故障案例自动纳 入模型的训练数据）。 3) 一体可视化：从原始数据 （ SPC 图表）到决策建议（ AI 输出）均在同一平台可视化呈现。 12% 4 小时 1 小时内 100% 98%+ 95%+ 30% 亿纬锂能—— AI+

线 基于领域知识 +AI 的测井数据仿真 测井解释数据少、 解释结果主观性强、 标注成 本高 借助正演模型进行数据仿真 ，利用仿真数据帮助训练 AI 模 型 中国石油大学（北京） 人工智能学院 通过深度学习模型训练 ，使生成 的 仿真曲线接近真实 曲 • 通过正演模型驱动的 AI 建模 ， 可生成符合物理约 束、 与真实曲线较为接近的仿真曲线。 • 具 DJ 数据分类工具 原 始图 片 无人机 无人机 • 需求部门： 设备部 人工数据标注工具 云端训练 ， 边缘推理的视频云框 架 5G 人工智能 云 VR/AR 绝缘子检测 防震锤

座，为被监管的矿山企业提供视频智能分析能力，视 频智能分析平台基于此采集各企业需要被监管的数 据信息。系统通过汇聚各企业的丰富告警样本数据， 对模型算法进行训练、优化并分发至相关企业，进一 步提升模型的准确性和应用成效，促进监管监察工作 的精细化与智能化。平台主要包括算法仓库、AI 算法 训练系统、智能视觉一体化管控、云边协同管理和数 据分析应用等 5 个部分，视频智能分析平台子模块能 力如表1所示。 4.2 大数据分析平台 序号 1 2 3 4 5 名称 算法仓库 AI算法训练系 统 智能视觉一体 化管控 云边协同管理 数据分析应用 管理 应具备能力 结合人员定位系统等业务数据，提供智能化 视频分析算法，帮助企业实现矿物采掘生产 的风险自动化识别、自动化告警 提供算法的一站式开发功能，包括数据管理、 数据标注、算法训练、模型评估、模型部署 提供设备接入、设备管理、智能调度、预警管

的数据分析和建模能 力 云上训练 , 边侧推理 采用 Kubernetes 原生的容器编排和调度能力 ，模型容器化部署， 无缝下发应用到多个边侧执行推理任务。 边云协同 , 统一管理 云上采用边侧采集的数据分布式训练和统一管理机器学习模型， 并远程 监控模型运行 情况 ，实现边云协同能力。 模 型 下 发 上 传 数 据 模型训练 模型管理 智能控制： 在基于传统静态规则 自动化控制基础上，对历史数据的学习 和对当前状态感知，实现智能化控制； 预测性维护： 不再基于固定门 限的传统预测性维护，而是通过历史数 据来训练模型实现在故障早期阶段的预 警。 开发集成： 为装备建立标准数据 和控制接口，与外部自动化和业务系统 高效集成，全流程 自动化控制 和编排； 统一平台，降低数字化转型成本 • 态势感知：通过对实时数据的分析，使后方 精准感知现场工况态势，实现远程 监控、生产预 警、远程故障诊断、油气生产过程 管理等 模型持续优化：面向数据分析人员，专注大 数据挖掘与执行预测性分析，提供数据处理、模 型训练、模型管理、模型部署等模型开发各环节 一体化的平台，模型轻松部署、持续优化 复用共享：提供多维度的可视化控件及行业 应用模版，支持拖拉拽加数据关联配置方式构建 工业应用，应用可按需在线发布或者部署到边缘

供电设计图形协 同管理系统 生产调 智慧仓储系 订单系统 物流系统 客户管理 一网 一 云 一平台 五中心 N 应用 关键应用异地容灾 / 智能应用云上训练 鲲鹏云 机房 安全 储量管理系统 智慧运输 混合云 统一账号、鉴权 C,C++ 等编译型 语言 JAVA,Pyhton, GO 等解析型 语 安全双 重预防 控系统 智能感知→智能决策→自动控制 · 持续学习： 训练集数据 ( 脱敏 ) 上传到云端，进行训练，形成模 型并下推回煤矿边端。 · 边缘计算：在边缘进行实时的分 析和推理，降低时延，减小网络 传输压力。 · 开放生态： 联合煤炭行业专业生 态伙伴，开发 Al 模型，解决煤 炭 行业场景化问题。 行为识别模型 监测预警模型 辅助决策模型 模型管理 模型训练 模型 数据 数据 边云协同 Al 平台，助力智能矿山无人 / 少人 化 AI 平台 模型开发 算法仓 模型训练 模型库 模型部署 数据集 边云协同 边缘数据同步 边缘算法管理 边缘应用管理 边缘设备管理 视频分析 视频内容分析 智能视频分析 视频接入服务 智能 控制 端 模型管理 推理执行 指令 数据采集 特征提取 数据 感 知 指令 一 平台

J-3 作业适用性、充分性、保障性 J-4 资质、持续保障和能源功效 J-5 IT/NSS互用性和保障性 J-6 系统训练 J-7 产品安全性 数据安全 信息保障 计划 效用评估/最终的验证报告 效用评估 公司总经办 决策和审批 效用评估报告 最终验证报告 通过备选方案分析评估无人系 J-4 资质、持续保障和能源功效 J-5 IT/NSS互用性和保障性 J-6 系统训练 J-7 产品安全性 CPD 公司总经办 决策和审批 选择应用 能源功效 KPP 系统训练 KPP 无人系统可 用性KPP 无人系统可 靠性KSA 资金预算 KSA 无人系统效用评估/最终的演 示验证报告，针对技术方案演  法令/规则  保障提供方  现有的考虑因素  进行无人系统保障BCA  保障数据  无人系统保障要素  供应保障  维修  人力资源  训练 演示验证无人系统保障能力  缩小后勤规模  供应链管理  无人系统保障要素  完成无人系统保障BCA  无人系统性能规范  采购策略  放行准则 

为卡尔曼增益，决定当前估计的权重； 为观测值（包括噪声）； 为观测矩阵。 这个公式通过不断更新来去除观测数据中的噪声， 提高数据质量。 2、智能分析与预测 通过机器学习和深度学习技术，煤矿安全监测系 统能够从历史数据中训练出模型，以预测潜在的安全 隐患。考虑到系统涉及到多个数据源，可以采用多元 回归分析或神经网络来建模。 2.1 多元回归分析 假设我们要预测某个风险 （如气体浓度导致的 高风险）与多个因素（如温湿度、设备状态等）之间 的关系，可以通过多元线性回归模型进行描述： 其中： 为预测的目标变量（如气体浓度、事故发生 等）； 为输入特征（如温湿度、设备状态、 矿工位置等）； 为回归系数； 为误差项。 通过训练样本数据，回归系数 可以通过最小二 乘法等方法得到，从而建立风险预测模型。 2.2 神经网络模型 对于更复杂的数据模式，可以采用神经网络来进 行预测。假设我们使用一个简单的多层感知器(MLP） 65.9 89.4 1.2 23.7 温湿度异 常预警 矿井温湿度 监测 案例 5 综合数据融合 71.2 94.5 2.0 34.8 综合安全 预警 多源数据融 合 在数据分析中，模型的训练和优化也起到关键作 用。通过将历史事故数据与实时监测数据相结合，深 度学习算法能够识别出不同安全隐患的模式。例如， 气体浓度与设备故障之间的关联被有效提取出来，并 通过机器学习模型得到优化，进一步提高预测的准确