新一代人工智能技术的快速发展正引领着新一轮科技革命和产业变革，以数字化、智能化、绿色化为特征的传统产业技术变革和升级已经成为全球发展趋势。2024年7月25日，国家发展改革委、国家能源局和国家数据局联合印发了《加快构建新型电力系统行动方案（2024-2027 年）》，新型电力系统的建设走上了快车道。《中共中央关于制定国民经济和社会发展第十五个五年规划的建议》也明确提出“推进传统基础设施更新和数智化改造”“着力构建新型电力系统，建设能源强国”。在建设新型电力系统的新形势下，水电站大坝运行安全必须顺应时代技术发展趋势，大力培育数字化、智能化新质生产力，构建以大坝安全智能化监控为核心的大坝运行安全智能运维体系，以水电站大坝高质量运行安全保障水电的安全稳定供应和水电建设健康发展，发挥好水电在新型电力系统建设的基石作用，赋能以中国式现代化全面推进中华民族伟大复兴的新征程。

经过多年发展，我国水电站大坝运行安全管理信息化建设取得了显著的成就，大多数水电站已经建立了大坝安全信息管理系统。各大电力企业陆续开展了算力资源、大数据中心、工业互联网平台等智能化基础设施建设，在机电设备运行管理、电力生产和水库调度等领域得到了初步的应用。部分机构对大坝安全管理领域的监测数据智能分析、大坝安全智能评判模型、数字孪生、大坝安全知识库、大语言模型应用等智能化技术进行了有益的探索研究，但这些技术的工程应用还不多，深度和广度不足，不同工程的普适性都还不强；得益于机器视觉技术的发展，融合了InSAR、视频监控技术的无人机、轨道式机器人等智能巡检设备已在部分水电站大坝安全管理的巡检中得到应用，在信息感知方面为大坝安全智能化管理奠定了基础，但对于感知数据的智能化分析诊断、评判决策尚不完善，智能设备巡检的优势和实际效果还未显现。总而言之，大坝安全领域的智能化尚处于起步和探索阶段，利用新一代人工智能技术模拟工程师分析、推理、决策方面的深入系统研究和应用还跟不上技术发展和渗透的趋势，迫切需要全行业共同努力，推动大坝安全管理从监测自动化、管理信息化向监控、运维智能化升级提升。

3.1 信息智能感知

大坝安全运行状态的监测是大坝运行安全管理的基础。通过监测、巡检等感知手段，获取表征大坝安全状态的数值、图像、文本等多源数据，构建大坝安全信息感知物联系统，实现大坝安全信息的智能感知、智能融合，是水电站大坝智能化运维的首要任务。

（1）智能监测

监测自动化系统可以充分利用传统的仪器监测实现大坝运行性态的感知，如环境量监测、变形监测、温度应力监测、渗流监测等，借助测量机器人等手段进行大坝表面变形的自动化测读。随着北斗卫星定位导航系统的发展完善和国产化北斗接收装置的逐渐成熟，利用北斗卫星定位设备，结合基站建设和RTK技术进行卫星数据的高精度解算，实现全天候全天时的毫米级大坝安全变形监测。利用卫星遥感技术，可实现近坝库岸及库区边坡的大范围、长时序的变形自动监测，可以有效补充大坝及其周边区域的广域、实时变形监测。这些技术的发展在丰富监测手段之余，还可以根据大坝运行环境、数据分析成果等条件自主调整监测策略，实现监测方法的智能化。例如遭遇或可能出现大洪水、温度骤升骤降、地震、涌浪等情况，或是数据分析或结构诊断发现存在异常时，监测仪器可通过自适应手段主动调整监测策略，从而满足大坝智能监测的需求。

（2）智能巡检

传统人工巡视检查是发现大坝异常的重要手段。实践表明，70%的大坝异常是通过巡视检查发现的，因此巡视检查仍是大坝安全管理的重要手段。随着智能装备制造业的快速发展为大坝安全智能巡检提供了可能。如视频监控可实现大坝全景、重要部位以及异常部位的实时监视；无人机可实现大坝和边坡表面，竖井、隧洞、闸室等封闭空间的巡检；巡检机器人（包括轨道式、四足式、爬壁式、水下式等）可实现大坝表面、廊道、水下等部位的巡检；无人船可实现库区及库岸边坡的巡检，通过搭载传感设备或水下机器人甚至能够实现多功能巡检。通过以上手段构建“天-空-地-潜”立体化感知网络，可实现大坝运行信息的全面感知。在此基础上，研发巡检设备的智能化交互、融合技术，构建智能巡检体系，包括设备反馈控制、巡检策略优化、不同设备成果的相互验证等，是智能巡检技术发展的核心。例如，对视频监控设备的自动化控制、无人机和机器人的自适应巡检等，从而满足正常情况下的常规巡检和特殊情况下的定时定点智能巡视。

图1 水电站大坝安全智能巡检体系

（3）智能物联

通过将所有感知手段所涉及仪器和装备接入大坝物联网络，构建起大坝安全信息的立体化物联感知体系，能够实现大坝安全信息的全面智能感知。物联系统中的每个仪器或设备在具备自我工作状态检测并实时反馈状态信息的能力、实现感知仪器和物联系统的智能诊断和维护的同时，需要具备反馈调节功能，做到“想工程师所想，做工程师所做”，从而具备智能化的巡检能力。

3.2 数据智能分析

感知数据的智能分析是实现智能监测的重要基础。大坝智能化监控需要具备监测数据统计分析、图像特征自动识别、文本信息自动分析等能力，能够模拟工程经验丰富的工程师进行数据智能分析。

（1）监测数据智能分析

为解决传统数据分析手段难以处理的多源数据、时效性高等复杂难题，需要模拟工程师思维自动、智能分析监测数据，提高数据分析的精度和效率，实现监测数据智能分析。基于大坝安全监测数据，利用数学统计、传统机器学习、深度神经网络等技术实现监测数据的智能分析，包括数据预处理、聚类分析、相关性分析、异常检测、趋势性分析和建模预测等。数据智能分析的核心是学习或模拟工程师的经验，通过机器学习等手段解决高度抽象而难以通过传统数学模型精确描述的问题。一种方法是通过数学模型发掘数据本身的潜在规律，以非监督式方式进行数据智能分析，例如通过聚类算法进行无效数据、异常数据检测；另一种方法是事先将工程师的经验和机器学习模型相结合，以监督式方式进行数据智能分析，如训练卷积神经网络进行监测数据规律性智能识别，训练循环神经网络进行监测数据智能建模和预测等。

（2）图像智能识别

在大坝安全管理中，工程缺陷的分布和规模常常表现为直观的图像形式，如裂缝、渗水、掉块、落石、滑坡等缺陷。要实现智能感知，需要对这类图像数据进行智能识别。随着深度学习理论的不断完善和各种优化理论的引入，卷积神经网络的图像识别准确率已超过了人类平均水平，使得通过大型卷积神经网络进行图像智能处理成为了可能。图像识别的第一层次是发掘目标中是否存在缺陷，缺陷类型是什么，解决该类问题的方法主要是基于卷积神经网络的分类模型、目标检测模型、目标跟踪模型，可实现图像数据中是否有缺陷以及是何种缺陷的智能识别。图像识别的第二层次是明确目标中缺陷的部位和尺寸、规模，例如裂缝长度和宽度、渗水面积、掉块面积、落石数量、滑坡面积（体积）等，解决该类问题的方法主要是基于卷积神经网络的语义分割模型，可实现图像中缺陷的像素级分割和统计计算。目前理论上的图像智能分析技术已发展较为完善，制约工程应用的关键是构建强大的样本库，尤其是专业细分领域数据样本库，因此迁移学习、少样本学习等技术对于图像智能识别而言是有益的。

（a）混凝土裂缝智能识别（b）混凝土裂缝尺寸测量

图2 混凝土裂缝智能识别与测量

（3）文本智能分析

在大坝安全管理实践中，大量的大坝性态信息都以文本形式呈现，因此文本智能分析也是大坝智能化运维的重要环节，是实现工程问题类脑分析和智能决策的基础。随着深度学习技术的不断完善，基于深度学习的大型文本分析技术飞速发展，使得计算机逐步具备了类似人类的语言理解水平。尤其是AI大模型技术的突破性发展，极大提升了文本理解和分析方面的能力。目前，基于各类BERT嵌入模型可将文本转化为向量形式，可实现大坝隐患问题智能匹配和辅助决策；基于大模型提示词技术构建各种类型的提示词模板，可实现大坝巡检数据的自动分析和关键信息提取；基于大模型知识增强检索技术可构建私有化专业领域知识库，实现大坝安全知识的智能检索；基于大模型高效参数微调或全参微调技术，可构建专业领域AI大模型，实现大坝安全知识的自动分析和专业报告自动生成。

图3 AI大模型高效参数微调

3.3 结构智能诊断

结构综合诊断是大坝安全智能化监控的关键，是打通数据分析和管理决策的重要环节，也是长久以来困扰大坝安全工程师的重要问题。结构智能诊断强调诊断的智能化，需要充分结合专家的知识和思维，能够像经验丰富的工程师一般开展结构安全评判，而不仅仅是遵守一套既定的评判规则和逻辑。

（1）基于结构计算的智能诊断

结构诊断的本质就是分析结构是否安全，因此通过结构计算得到安全度是最直接的方法。结构计算最常用的是基于三维有限元的数值计算方法，但无论是采用离线计算模式还是传统的在线计算模式均需耗费一定的时间，难以满足安全监控的需求。因此可结合神经网络提高计算效率。比较简单的做法是以大量不同工况的计算成果作为样本输入神经网络，训练结构安全度模型，从而实现不同运行条件下大坝结构安全度的秒级分析，该方法的最大优势是可得到定量表征的大坝安全度。

（2）基于深度学习的智能诊断

大坝安全管理实践中，结构综合诊断表现为经验丰富的大坝安全工程师通过监测、巡检、计算等多源信息综合判断大坝是否安全的过程，并赋予大坝安全定性评级。深度学习模型可以将大坝安全多源信息与工程师经验完美结合。首先，搜集大量工程师评判案例，并将能够反演大坝运行性态的多源数据样本进行标准化处理，以满足深度神经网络的输入；然后，通过大量样本对深度神经网络进行训练，从而实现对工程师知识和经验的抽象；最后，通过训练的神经网络即可实现大坝结构的智能诊断。实际工程中该方法的难点在于案例样本的收集，事实上国内外失事大坝案例较少，即使有相关案例也无法保证能够搜集到足够的数据，因此神经网络的训练还存在一定的困难。可能的解决方案是将神经网络与贝叶斯方法相结合，引入以先验概率表达的专家经验对神经网络进行引导，或者将以规则表达的专家知识加入神经网络，以减少对数据样本的依赖。

（3）基于知识图谱的智能诊断

知识图谱是一种将知识通过三元组进行表达的知识型数据库，这里的知识可以是客观知识和主观经验。基于知识图谱进行大坝结构智能诊断有两条思路。一种是以感知到的大坝安全多源信息构建数据图谱，通过数据智能分析方法对所有节点数据进行分析评判，并在数据图谱的基础上构建一个智能诊断机器学习模型，实现基于数据图谱的结构智能诊断。领域专家总结出的规则或经验也可加入诊断模型以引导模型更好地进行诊断分析，这种方法与基于深度学习的方法较为相似。另外一种思路是实现更高级别的智能诊断，即基于领域知识和专家经验构建一个强大的专业知识图谱（知识图谱中的知识覆盖面需与领域专家相当，包含客观知识和专家经验），这个知识图谱一方面可以智能化地引导开展大坝结构诊断的整个流程，另一方面在流程的每个环节可结合相应的智能算法给出智能评判，最终实现智能诊断全流程。

图4 大坝安全知识图谱

3.4 智能辅助决策

通过对大坝结构安全进行智能诊断分析，明确大坝的安全评级和存在的具体问题之后，管理人员需要采用一定措施对大坝异常部位进行综合治理。大坝安全智能辅助决策即借助大坝异常案例、专家经验等累积知识为管理人员进行决策予以支持。

（1）大坝安全辅助决策知识图谱

大坝隐患案例、事故调查报告、标准规范、新闻报道等海量资料中融合了大量与大坝安全相关的异常问题、处置方案、专家经验、事后评估等知识资源，是大坝安全管理行业中沉淀的一笔宝贵财富。借助知识图谱万物互联的能力，通过知识抽取、知识对齐、知识消歧、知识融合等方法对这些数据资源进行规范化统一表达，形成大坝安全辅助决策知识图谱，将非结构化的大坝安全知识以图数据的方式进行关联和呈现，真正的将数据资源转化为支撑辅助决策的数据资产。大坝安全辅助决策知识图谱以异常问题为节点将各座大坝建立联系，在为异常大坝提供决策支持的同时，也明晰了易于出现异常问题与大坝之间的潜在关系，为大坝安全管理提供全方位的服务。

图5 大坝安全辅助决策子图谱

（2）大坝安全智能辅助决策

基于知识图谱技术进行大坝安全智能辅助决策分为三个层次。第一层次主要服务于大坝结构诊断结果，通过词向量模型等语义匹配算法将诊断出的大坝异常问题与大坝安全辅助决策知识图谱中的异常案例进行智能匹配，输出相应的处置方案和专家经验，为大坝异常问题提供决策支持；第二层次是在检索出异常问题的基础上，基于图数据库的多级关系查询技术，进一步将存在该异常问题的所有大坝检索出来，关注这些大坝所存在的其他问题，分析这些问题在当前大坝上出现的可能性，并采取相应措施进行提前预防；第三层次是针对整个大坝安全辅助决策知识图谱，将存在同一异常问题的大坝检索出来并分析它们之间所存在的联系，比如同一家设计单位、同一家施工单位、运行管理水平较差等，通过在图数据库中进行如此归纳推理，能够挖掘出大坝异常问题的深层次原因，提前规避风险。

4.1 结论

水电站大坝安全监测监控经历了从传统人工监测、人工巡检到仪器自动化监测、人工巡检的技术变迁，这个过程都离不开运行管理人员的分析、判断和决策。当前随着新技术的发展，正面临着向智能感知、智能巡检、智能分析、智能诊断、智能辅助决策的智能化管理技术跃迁。这个过程需要构建数据与知识双轮驱动的技术体系。通过深度学习、知识图谱、AI大模型等技术的创新应用，可以实现信息感知、数据分析、结构诊断、辅助决策的水电站大坝智能化运维模式。但是，与当前新一代技术发展趋势，水电站大坝智能化运维能力尚有不足，未来需要进一步深入探索大坝安全管理与新一代技术的融合创新应用，促进大坝安全智能化朝着更精准、更自主、更可靠的方向迈进，为重大工程安全运行提供坚实技术保障。

4.2 下一步工作建议

（1）开展在线监控功能拓展升级

依托行业已全面建成的大坝安全在线监控系统，重点在监测自动化系统完善、智能感知、联合仿真、智能诊断、智能辅助决策等方面开展智能化升级，提升、扩展在线监控系统的缺陷监控能力、工程问题智能化解决能力，实现缺陷隐患智能化闭环管理。

（2）开展智能大坝应用试点

通过能源科技立项，采用产学研合作模式开展“智能大坝”关键技术研究，选取典型工程开展试点应用示范，通过试点工程落地智能化技术、积累经验，力争突破大坝安全智能化管理的难点和痛点问题。在总结试点工程经验基础上打造智能大坝的标杆，形成新质生产力，促进大坝安全管理水平的提升和科技进步。

（3）开展大坝智能运维机制研究

同步研究适合我国国情和智能化技术发展趋势的大坝智能化运行体制机制，逐步探索智能化运维条件下的大坝安全监督管理模式。加快构建大坝安全智能化管理和技术标准体系，加快智能化技术标准的立项和编制，为大坝安全智能化建设提供技术准则。