首页

场景开放之后：行业大模型的落地次序

中国能源产业发展网发布时间：

2026-11-03 08:41

【中国能源产业发展网】原创【作者】卓启焱

电力行业对大模型的态度，两年前还是“试一试”，今年已经变成“排工期”。变化不在模型本身，而在场景清单——当一张张可量化的场景清单从省公司下发到地市，技术讨论就变成了工程实施。

从通用模型到专业底座

电力系统选择了一条与通用大模型不同的路径：不做通用聊天，做专业底座。国家电网的“光明电力大模型”是这条路径的代表，据新华社报道，该模型已覆盖总部及27家省公司，在电网规划、电网运行、设备运检、客户服务、经营管理、科研创新等六大领域部署600余个场景。国家能源集团的“擎源”大模型则在发电侧落地，覆盖火电、水电、新能源等板块的100多个应用场景，在179个场站应用，累计发现“两票”缺陷2600余条，整体停机时长下降约七成。南方电网的“大瓦特”模型体系同样走向规模化，其“驭电”智能仿真大模型把计算速度提升千倍、误差控制在1.5%以内，已在电网运行方式安排中实际使用。

这些模型的共同点，是把参数规模放在第二位，把行业数据与业务闭环放在第一位。电网设备的缺陷样本、调度运行的边界条件、电力市场的出清规则，这些数据不在公开语料里，只能靠自己积累。模型架构可以借鉴，数据资产无法复制，这是电力大模型与通用大模型最本质的区别。

落地快的场景有三类特征

把已上线场景排个序，会发现落地速度与三个条件强相关：数据完备度、判定标准清晰度、错误代价可控性。

第一类是视觉巡检。输电线路的通道隐患、变电设备的表计读数、风机叶片的裂纹，这些场景的图像数据积累多年，缺陷判定有明确标准，模型输出可以人工复核后再处置，错误代价低。国网浙江电科院与科研机构合作的项目显示，无人机巡检图像识别效率提升约68%，识别准确率超过85%。这类场景的推广速度最快，因为它不触碰控制环节。

第二类是文档与流程类。供电方案编制、两票审核、招投标文件校核、客服工单分流，这些工作的共同点是规则密集、格式固定、人工耗时长。国网江苏电力把供电方案编制时间从数小时压缩到35秒左右，方案一次性通过率提升到99.85%；客户电费咨询的分流准确率超过97%。这类场景的价值不在“智能”，而在“省人”——把重复劳动从人工转给模型，释放出来的工时可以投向更复杂的业务。

第三类是预测与优化。气象预测、新能源出力预测、负荷预测、电价预测，这些场景模型早已存在，大模型的贡献是提升极端天气与大幅波动条件下的精度。国能日新把气象大模型的预测时效从45天延伸到年度，正是这个方向。

与之相对，涉及电网实时控制、保护定值整定、调度指令下达的场景，落地明显更慢。原因不复杂：控制环节对错误零容忍，模型的可解释性与实时性都达不到要求，目前只能做辅助决策，不能进入闭环。这条边界短期内不会移动。

算电协同成了新变量

大模型落地的另一面是算力。2026年政府工作报告首次写入“算电协同”，把智算中心的高耗能问题正式摆上台面。一个大型智算中心的用电负荷可达数十万千瓦，相当于一座中等城市；而智算负荷的波动性与新能源出力的波动性叠加，对电网的调节能力提出新要求。

这带来一个有趣的循环：AI在帮电网提升效率，电网又在为AI提供电力保障。部分省份已经开始把智算中心纳入可调节负荷资源池，通过需求响应参与调峰；也有数据中心尝试绿电直供、余热回收，把能耗指标转化为竞争力。国网浙江电力的实践显示，其自研模型在光伏功率预测上把准确率提升到96%以上，这类精度提升对新能源消纳的直接价值，正在被纳入电网的年度考核。

算力与电力的耦合，还会改变数据中心的选址逻辑。西部绿电资源丰富但负荷中心在东部，长距离输电损耗与算力时延要求之间的矛盾，逼着企业重新算账：训练类任务可以西迁，推理类任务必须靠近用户。这种分层布局，正在成为行业共识。

工程化的三道坎

场景清单列出来容易，真正跑通要过三道坎。

第一道是数据治理。电力数据分散在调度、营销、运检、财务等十多个系统，口径不一致、质量参差。模型训练前要先做数据对齐，这部分工作量往往超过模型调优。很多项目延期不是算法不行，而是数据没理顺。

第二道是模型与业务的接口。大模型输出的是概率性结论，业务系统需要的是确定性指令。中间要有一层“可信封装”——把模型输出转成业务能用的结构化结果，并给出置信度与依据。这层封装做不好，模型就只能在演示环境里跑。

第三道是组织适配。模型上线会改变岗位职责，原本做审核的人变成做抽检，原本做分析的人变成做提示词工程。如果没有配套的考核与培训，工具再好在基层也推不动。头部企业的做法是设立专门的“人工智能应用专班”，把业务专家、算法工程师、一线班组放在一起办公，缩短从需求到上线的链路。

下一程看什么

接下来的竞争，不在模型参数，而在三个方向：一是行业数据的独占性，谁能拿到更多高质量、标注完整的专业数据，谁的模型更准；二是智能体的编排能力，把单一模型扩展成能完成复杂任务的“数字员工”序列；三是安全与合规，电力监控系统的防护要求严格，模型部署必须满足分区隔离、纵向认证的硬约束。

评测怎么落地

行业大模型的验收标准，和通用模型不一样。通用模型看参数规模与公开榜单，行业模型看的是具体任务上的准确率与可解释性。电力企业的做法通常是自建评测集：从历史工单、缺陷记录、调度日志里抽取真实问题，配以专家标注的参考答案，再用这批数据检验模型输出的可用性。

评测还要覆盖幻觉。电网规程、设备参数、操作步骤这类内容，答错一句就可能造成误操作，所以行业模型普遍要求答案可溯源，输出必须附带条款号或数据来源，无法溯源的回答一律转人工。这种设计牺牲了一部分自动化率，换来的是可用性。

从“能对话”到“能干活”，中间隔着的不是技术代差，而是对行业的理解深度。电力大模型走到今天，靠的是把通用能力嵌进具体工序里。下一个阶段的胜负，取决于谁能把这种嵌入做得更细、更快、更稳。