建设开放的AI数智能源管理系统

案例定位：面向AI项目审计、PoC设计、方案复用与交付复盘的结构化案例。
事实边界：本文仅把材料中明确披露的内容视为案例事实；PoC门槛与实施步骤属于FDE交付建议。

二、案例基本信息

三、30秒案例摘要

某能源与公用事业企业（原材料未明确披露名称）围绕工艺优化与能源管理开展AI能力建设。案例所对应的核心矛盾是：次停机事情：2018年，有一次生产车间用气量突然增大，空压机运行数量少、管网气压变低，导致部分设备保护停机。方案侧的关键做法是：：建设了很多能源管控驾驶舱：多系统集成监控：通过一块大屏幕，就能掌握站房内所有设备和仪器仪表的数据，不再需要人工巡检。当前材料可确认的结果为：外部原因：社会整体的大环境迫使企业不断提高生产效率，降低能耗，降低成本。

从FDE交付视角，这类项目不应直接以“大模型上线”作为目标，而应把利用生产与质量数据优化工艺参数，在约束内降低能耗或成本定义为可评价任务。建议先以覆盖不同原料、工况、季节与质量结果的 3—12 个月历史数据建立测试集，以单位能耗/成本、一次合格率、质量波动为核心指标，通过PoC后再进入系统集成与生产化。

四、企业背景与项目起因

4.1 企业与业务背景

已披露事实

• 内部创新驱动：整个集团，面对新技术和新趋势极具敏锐度，要求下属企业追求创新，大胆采用新技术。
• 建设后站在企业全局来看能源系统建设的意义，比如从公司整体能源成本结构优化，设备能源效率提升和运营管控提高。
• 外部原因：社会整体的大环境迫使企业不断提高生产效率，降低能耗，降低成本。

4.2 项目发起原因

已披露或可直接识别的问题

• 1次停机事情：2018年，有一次生产车间用气量突然增大，空压机运行数量少、管网气压变低，导致部分设备保护停机。
• 设备频繁启停，能耗大：交接班时用气需求变化较大，人工调节无法及时响应用气变化，低压风险和高压浪费现象经常发生。
• ：建设了很多能源管控驾驶舱：多系统集成监控：通过一块大屏幕，就能掌握站房内所有设备和仪器仪表的数据，不再需要人工巡检。
• —异常感知难：之前缺少对电能质量进行长期在线监测，发现电能质量问题，不能及时报警，现在可以通过监控，避免引发严重的电气事故。

FDE补充判断

项目边界应收敛到“利用生产与质量数据优化工艺参数，在约束内降低能耗或成本”，并在启动会中确认业务负责人、真实使用者、数据负责人和最终验收人。若无法确认这四类角色，项目容易停留在演示层。

五、原始流程与核心问题

5.1 AI介入前的工作流程

以下流程为基于场景的FDE复盘推断，必须在客户访谈和跟岗观察中确认。

采集原料与工况 → 工艺人员凭经验设参 → 生产执行 → 质量检测 → 事后调整。

5.2 核心问题

5.3 项目前基线

六、场景选择与价值判断

6.1 候选场景

6.2 选择原因

第一阶段建议选择“工艺优化与能源管理”，因为任务边界可以被定义，输入与输出可以形成测试样本，并能通过单位能耗/成本、一次合格率评价。上线初期保留人工审核和异常兜底，可以在控制业务风险的前提下验证价值。

6.3 核心验证假设

如果使用API与系统集成组合方案完成“利用生产与质量数据优化工艺参数，在约束内降低能耗或成本”，预计能够让单位能耗/成本和一次合格率达到双方约定目标，同时把高风险异常控制在人工审核与可回滚范围内。

七、AI解决方案设计

7.1 方案概述

• ：建设了很多能源管控驾驶舱：多系统集成监控：通过一块大屏幕，就能掌握站房内所有设备和仪器仪表的数据，不再需要人工巡检。
• 内部创新驱动：整个集团，面对新技术和新趋势极具敏锐度，要求下属企业追求创新，大胆采用新技术。
• 山东公司动力车间的负责人刘夫伟，通过气压的控制来减少空压机的能源消耗，但是他们发现只做到这些，不能针对每台设备设置不同加卸载压力值，能够提升的效率有限，节能效果十分有限。
• 建设后站在企业全局来看能源系统建设的意义，比如从公司整体能源成本结构优化，设备能源效率提升和运营管控提高。

建议的任务链路为：业务系统或工作台发起任务 → 数据与权限校验 → AI识别、检索、预测或优化 → 规则校验 → 返回建议/执行动作 → 人工确认高风险结果 → 结果写回与日志留存。

7.2 系统组成

7.3 核心业务对象

1. 原料：需要定义唯一标识、关键属性、状态和与其他对象的关系。
2. 配方/参数：需要定义唯一标识、关键属性、状态和与其他对象的关系。
3. 设备：需要定义唯一标识、关键属性、状态和与其他对象的关系。
4. 工况：需要定义唯一标识、关键属性、状态和与其他对象的关系。
5. 质量指标：需要定义唯一标识、关键属性、状态和与其他对象的关系。
6. 能耗：需要定义唯一标识、关键属性、状态和与其他对象的关系。
7. 批次：需要定义唯一标识、关键属性、状态和与其他对象的关系。

7.4 AI与人的分工

7.5 技术选型说明

• 材料可识别技术：API与系统集成。
• 选型原则：先选择能验证核心假设的最简单路径，再根据准确率、成本、时延和部署约束升级。
• Agent或工作流：只有任务涉及多步判断、工具调用或状态管理时才使用Agent；稳定规则优先交给确定性工作流。
• 知识库/RAG：涉及企业知识时必须提供引用、版本和权限过滤；无知识检索需求时不强行使用。
• 部署方式：由数据敏感度、时延、并发、可运维性和企业基础设施共同决定，材料未披露最终选择。

八、项目交付过程

8.1 第一阶段：需求调研（Audit）

材料未披露访谈岗位、跟岗次数和需求变化记录。正式交付时，FDE应分别访谈战略层、运营层和执行层，并至少跟随真实用户完成3次端到端任务。调研输出应包括As-Is流程、痛点优先级、干系人、项目边界和成功标准。

8.2 第二阶段：数据与知识准备

材料中的数据线索

• ：建设了很多能源管控驾驶舱：多系统集成监控：通过一块大屏幕，就能掌握站房内所有设备和仪器仪表的数据，不再需要人工巡检。
• 从早期能源系统建设规划上，企业设备部部长从一开始规划就希望打造一个开放式的能源管控系统，拉通SCADA、MES、ERP等系统数据，站在企业全局来看能源系统建设的意义，比如公司整体能源成本结构优化，设备能源效率提升和运营管控，安全用能风险、以及适应企业未来双碳发展的一些考虑。
• 人工抄录，数据不连续：人工数据抄录，不仅工作量大，数据也会不连续，断断续续的数据，分析价值比较低。
• 打造开放的能源管理系统：过去建了很多系统，系统之间不能进行集成，造成一个个的数据孤岛。

数据准备需执行4C检查：完整性、口径一致性、准确性与时效性；敏感字段先脱敏，再划分训练集、验证集、盲测集和异常集。业务专家负责确认标签与知识版本。

8.3 第三阶段：PoC验证（Evals）

8.4 第四阶段：开发与迭代

交付范围应覆盖数据管道、AI能力、工作流、接口、权限、异常处理、日志、监控和用户界面。材料可识别的技术包括API与系统集成。材料没有系统披露首版问题、根因和迭代前后指标，因此不能把推荐方案写成已经发生的项目事实。

建议至少保留一次完整迭代记录：问题现象 → 根因 → 调整内容 → 回归测试集 → 指标变化 → 是否进入下一阶段。

8.5 第五阶段：试运行与上线（Deployment）

当前阶段判断：已建设或发布（运行范围待核验）。若进入生产，建议先选择3—5名真实用户和5—10个典型任务开展UAT，再按小流量、部门级、全量三个阶段灰度。上线前必须确认人工兜底、回滚、告警、用户培训与知识运营责任人。

九、项目结果与价值验证

9.1 核心结果

材料披露的结果（对外引用前需复核原始台账）

• 外部原因：社会整体的大环境迫使企业不断提高生产效率，降低能耗，降低成本。
• 气压波动较大：在此之前，为了降低能耗、提高产气效率。
• 山东公司动力车间的负责人刘夫伟，通过气压的控制来减少空压机的能源消耗，但是他们发现只做到这些，不能针对每台设备设置不同加卸载压力值，能够提升的效率有限，节能效果十分有限。
• 建设后站在企业全局来看能源系统建设的意义，比如从公司整体能源成本结构优化，设备能源效率提升和运营管控提高。

9.2 价值分类

• 已披露价值：外部原因：社会整体的大环境迫使企业不断提高生产效率，降低能耗，降低成本。
• 初步价值：AI有机会减少重复劳动、缩短任务周期并提升判断一致性，但需通过真实用户试运行验证。
• 预期价值：若PoC与UAT达标，可进一步扩展到“质量预测与闭环控制”；该项属于规划，不是已验证成果。

9.3 投入产出

建议按以下公式建立项目账：年度价值 = 效率节省 + 质量损失减少 + 经营增益；年度成本 = 建设投入 + 集成投入 + 模型/算力成本 + 知识运营与运维成本。ROI与回收周期只有在基线、运行周期和成本口径完整时才计算，当前材料不足以给出可靠数值。

十、问题、失败与关键迭代

10.1 已披露问题

• 1次停机事情：2018年，有一次生产车间用气量突然增大，空压机运行数量少、管网气压变低，导致部分设备保护停机。
• 设备频繁启停，能耗大：交接班时用气需求变化较大，人工调节无法及时响应用气变化，低压风险和高压浪费现象经常发生。
• ：建设了很多能源管控驾驶舱：多系统集成监控：通过一块大屏幕，就能掌握站房内所有设备和仪器仪表的数据，不再需要人工巡检。

10.2 交付风险卡（需验证，不代表已经发生）

风险1：历史数据存在偏差且缺乏实验覆盖

• 问题现象：待PoC和试运行观察。
• 根本原因：需通过数据分析、用户访谈和日志定位。
• 影响范围：可能影响准确率、使用率、稳定性或合规。
• 缓解方式：建立专项测试集、人工兜底、监控告警和回归验证。
• 关闭标准：风险指标达到双方约定门槛并连续稳定运行。

风险2：模型建议越出工艺安全边界

• 问题现象：待PoC和试运行观察。
• 根本原因：需通过数据分析、用户访谈和日志定位。
• 影响范围：可能影响准确率、使用率、稳定性或合规。
• 缓解方式：建立专项测试集、人工兜底、监控告警和回归验证。
• 关闭标准：风险指标达到双方约定门槛并连续稳定运行。

风险3：环境变化造成效果衰减

• 问题现象：待PoC和试运行观察。
• 根本原因：需通过数据分析、用户访谈和日志定位。
• 影响范围：可能影响准确率、使用率、稳定性或合规。
• 缓解方式：建立专项测试集、人工兜底、监控告警和回归验证。
• 关闭标准：风险指标达到双方约定门槛并连续稳定运行。

十一、安全与生产化机制

数据安全

• 盘点原料、配方/参数、设备、工况、质量指标、能耗、批次中的个人信息、经营数据、工艺参数和知识产权。
• 训练、测试与日志数据按最小必要原则脱敏；明确外部模型是否留存数据。
• 权限继承业务系统，检索、查看、生成与执行分别授权。

AI安全

• 输出附置信度、依据或引用；低置信度和无答案任务拒答或转人工。
• 高风险动作必须人工确认，工具调用采用白名单、参数校验和最小权限。
• 建立模型、Prompt、知识和工作流版本管理，支持一键回滚。

持续运营

• 每周复盘错误样本，每月回归核心测试集，并监控单位能耗/成本、一次合格率、质量波动。
• 明确业务知识负责人、技术运维负责人和价值指标负责人。

十二、FDE角色与交付复盘

本项目中，FDE应承担需求调研、业务流程建模、数据审计、PoC设计、方案集成、用户验收和价值复盘。最重要的判断不是“使用哪一个模型”，而是把项目收敛到“利用生产与质量数据优化工艺参数，在约束内降低能耗或成本”这一可验证任务，并为高风险结果设计人机边界。

1. 最重要判断：用可量化任务替代宽泛的AI转型目标。
2. 最难协调关系：业务价值负责人、真实用户、IT/数据团队与技术供应商之间的目标和责任边界。
3. 可复用能力：场景审计方法、测试集、指标体系、工作流、权限与监控组件。

十三、可复用资产

十四、下一阶段计划

1. 补证：补齐业务量、人工时长、质量损失、数据质量、真实运行范围和项目成本。
2. 验证：按建议测试集完成离线盲测，再用真实用户开展小范围UAT。
3. 扩展：当前场景稳定后，评估“质量预测与闭环控制”，并把通用组件沉淀到企业AI平台。

下一阶段的首要目标不是增加功能，而是建立持续评测、错误样本回流、知识更新、模型监控和价值台账，使单位能耗/成本、一次合格率可以长期追踪。

十五、结语：给同类企业的三条建议

1. 从高频、可衡量、风险可控的任务开始：先验证一个闭环，不把多个部门的愿望一次性塞进PoC。
2. 启动前先准备基线、数据和验收人：没有基线无法证明价值，没有真实用户和业务验收人无法进入生产。
3. 把人机边界和运营机制写进方案：明确AI做什么、人确认什么、异常如何降级、错误由谁修正，才能把演示变成可持续系统。