广州润普 RUNPU · GRID AI

RUNPU GRID AI · 2026 落地案例集

把电网的每一次「如果」,
先算一遍。

广州润普把大模型、知识图谱与结构建模,落进电网的五个真实场景:情报、知识、安全、调度、产线。它们不是演示,是已经在生产上跑着的系统。

05个 已落地案例
70%+ 人工摘编工作量被替代
92%+ 试点模型预测准确度
15→3 min 托盘卡阻处置时长

一条主线

每个案例都能用「场景—数据—引擎—成效」四问拆开。

五种形态,走的却是同一条路:先把数据变成结构,再把结构变成能力,最后让能力回到业务动作里。这也是我们判断一个 AI 项目值不值得做的顺序。

01 / 数据底座

先把原料弄干净

多源采集、清洗去重、元数据抽取、向量化入库——没有脏数据,就没有可信的答案。

02 / 知识资产

再把文件变成结构

本体设计、实体关系抽取、图谱融合,让「翻文件」变成「读结构」。

03 / 智能体应用

然后让模型干活

问答、生成、推演、自愈——每个智能体都对着一张真实的工单或一次真实的操作。

04 / 业务闭环

最后用数字验收

报送时效、处置时长、检定周期、预测准确率——成效必须落在一个可以复核的指标上。

能力地图

五项能力,各自能迁移到哪里

同一套方法论换一个场景就要重新长一遍,但底层能力是可以复用的——下面这张表就是我们的「迁移说明书」。

案例 核心 AI 能力 向电力场景迁移
一 · 电网能源情报分析 NLP + 知识图谱 + 大模型报送 政策电价情报、舆情监测、经营分析
二 · 生产 / 工程知识图谱 本体建模 + 知识抽取 + 图谱问答 设备台账图谱、故障处置知识库
三 · 安全生产警示服务 AI 写作 + AIGC 视频 + 案例基准 事故报告生成、警示教育、违章模拟
四 · 小世界模型 · 模拟调度 复杂网络建模 + 反事实推演 未来态校核、转供决策、调度培训沙盘
五 · 黑灯工厂 · AI 托管产线 因果拓扑 + 数字孪生 + 故障自愈 检定线无人化、异常自愈、智能排产

结论:五个案例恰好覆盖企业 AI 落地的五种典型形态——每个业务条线都能找到自己的对照案例,方法论可复制。

润普的方法

先问四个问题,再决定要不要上模型

我们不从「用什么模型」开始,而从「谁在什么场景下、被什么事情卡住」开始。四个问题答不上来,方案就不成立。

Q1 / 场景

谁在什么动作上被卡住?

摘编、找规程、写报告、判告警、排产——先定位那一个具体动作,而不是一个部门。

Q2 / 数据

原料在哪里,能不能用?

多源数据能否准入、能否脱敏、能否持续更新。数据边界决定项目边界。

Q3 / 引擎

该用图谱、模型,还是推演?

确定性的物理问题交给推演引擎,语言与交互交给大模型,各展所长。

Q4 / 成效

哪个数字会变?

时效、时长、准确率、人工量——上线前就约定好怎么量,避免「感觉很智能」。

「核心不是上大模型,而是打通采集、加工、知识、服务的完整链路,把价值锚定在业务角色的真实工作流里。」

润普 · 项目复盘

下一步

你的条线,也能找到一个对照案例。

带着一个具体场景来,我们用四问帮你判断:值不值得做、先做哪一步、多久能看见数字。

预约方案沟通 →