人工智能进场的三道技术关口:预测、求解与执行各自的失效边界
中国能源产业发展网 发布时间:
2026-11-04 11:55
【中国能源产业发展网 原创】【作者:苏清越】
2026年11月1日,新华社播发新华视点《AI赋能电力 如何更好守住万家灯火》,这篇报道的特殊之处不在于它列举了多少人工智能在电力系统的应用,而在于它第一次把怎么防止人工智能失算摆到了台面上。报道给出了一串工程进展:甘肃电投集团紫金驭能大模型汇集了五十三家风光水火厂站二十多年全链条全场景数据;雅砻江流域水电开发有限公司的水风光一体化智慧运营大模型把来水分析与运行方案编制时间从一至两小时压缩到十分钟,来水预测精度提升约百分之五;国家电网用人工智能快速比较不同电网运行方案,仿真分析效率提升十倍以上;南方电网的负荷预测系统“大瓦特天衍”自动测算未来十四天五省区电力需求,全年预测准确率均值超过百分之九十八,配套电力市场求解器“天权”。与这些亮眼数字并列出现的,是两条冷静得多的判断:极端天气下历史样本稀少,恰是能源系统最危险也是模型最容易出错的地方;电力系统容错率低,说得通不等于做得到。把人工智能在电力系统的应用链条完整拆开看,会发现预测、求解、执行这三段的失效形态与兜底方式各不相同,而这正是判断人工智能能否真正进入调度中枢的关键。
预测环节:数据规模如何转化为精度
预测是人工智能在电力系统中投入产出比最高的一段。风、光、水资源的出力本身就依赖天气与来水,传统的数值预报方法在非线性、强时变问题上存在固有精度上限,这正是人工智能的切入点。
甘肃电投集团“紫金驭能”大模型的做法值得拆解。它汇集五十三家风、光、水、火发电厂站二十多年全链条全场景数据,涵盖风光功率预测、负荷与电价预测、电力交易智能决策。这三个环节的排列顺序本身有技术含义:功率预测是最上游的输入,电价预测与交易决策是下游输出,把它们放进同一个模型,意味着模型不只预测物理量,还要预测物理量在市场环境下的经济含义。
雅砻江公司的智慧运营大模型则展示了另一类收益形态。集控中心水情室主任段瞳介绍,以往开展来水分析和编制运行方案,要经过气象信息收集、数据分析、预报校正、方案核对等环节,应用大模型后相关工作由一至两小时缩短至十分钟,来水预测精度提升约百分之五。这组数字值得拆开看:时间压缩的主体并非模型计算,而是流程中的人工传递环节被折叠,而精度提升百分之五虽然绝对值不高,但对于来水预报这一业务,价值恰恰体现在决策窗口的提前量上。
南方电网大瓦特天衍负荷预测系统的指标口径不同。它面向的是未来十四天五省区电力需求的自动测算,全年预测准确率均值超过百分之九十八,效率是人工的十倍以上。这类日以上尺度的负荷预测,精度天花板远高于日前功率预测,原因是日尺度上的气象与生产活动规律性强、样本覆盖充分。这提示了一个普遍规律:人工智能的精度收益与场景的时间尺度和样本密度直接相关,越靠近可重复的规律性区间,收益越确定。
求解环节:模型能力之外的算法体系
预测解决的是算得准不准,求解解决的是算得完算不完、算得合不合规。电力系统的运行方案比选、交易策略生成、市场出清都落在这一段,其技术瓶颈与预测环节完全不同。
国家电网利用人工智能快速比较不同电网运行方案,仿真分析效率提升十倍以上。这句话的技术含量在于比选二字——电网运行方案的比选本质上是在庞大解空间里做搜索,传统的做法依赖经验筛选加逐一仿真,方案数量受限于人力与机时。人工智能在此处的作用更接近于缩小搜索范围并优先生成有希望的候选方案,最终仍然要靠仿真来验证。这一分工决定了求解环节的可靠性上限并不由模型规模决定,而由仿真体系与校核机制决定。
南方电网配套推出的电力市场求解器天权,与负荷预测系统大瓦特天衍形成上下游关系。这个组合值得注意,因为电力市场求解涉及的不只是优化算法,还涉及约束条件的完整性、安全校核的不可绕过性、以及结算规则的一致性。把这部分交给一个求解器,实质是把一部分市场规则的执行逻辑固化进了软件。
求解环节还有一个常被忽略的特征:它对可解释性的要求高于预测环节。一个功率预测偏差几个百分点,调度员可以在后续环节中修正;但一份交易策略或运行方案如果不可解释,问题会在结算和考核环节暴露,且事后难以定位。这正是标准工作优先于模型能力的地方。
执行环节:可靠性的上限由硬件决定
如果说前两段还能靠算法迭代持续提升,执行环节的物理约束则更为刚性。指令下发到设备、动作完成、效果可测,这三步中任何一步的失败都不是模型能补偿的。
安徽平圩电厂六号机组上线人工智能智能环保岛生态系统,脱硝喷氨、脱硫供浆、尿素热解、静电除尘等烟气治理工程实现人工智能全流程智控,人工智能自控率最高可达百分之九十九。这个场景的技术特点值得注意:环保岛控制的全部是环保设施的投加量与运行参数,这些设备的动作边界由环保排放限值与设备安全区间共同框定,人工智能在其中做的是在边界内做精细化寻优。百分之九十九的自控率意味着还有百分之一的动作需要人工介入,而这百分之一恰恰落在异常工况上。
河北华电石家庄热电有限公司使用四轮足机器人巡检,机器人搭载可见光摄像机与红外热成像仪,结合人工智能算法自动完成读表、测温,并识别设备漏油、螺栓松动等异常。这属于执行环节的“感知侧”。价值在于把人工巡检从定时任务变成事件驱动,减少无效巡查;但识别算法的漏报率与误报率是硬指标,且一旦漏报,缺陷会继续发展直到触发停机。
用户侧的执行环节则由车网互动体现。成都石羊充电站的新能源汽车可手动反向放电,国网四川电动汽车服务有限公司车网交易中心主管刘畅介绍,今年迎峰度夏期间高峰、尖峰时段每度电可获得二元、三元放电收入。这组数据说明执行侧的可行性已经通过市场机制得到验证,但手动反向放电这一形式本身也说明自动化程度尚有距离。
失算的成因:样本稀缺的正是最危险的工况
人工智能在电力系统里的失效模式,与其在通用场景里的失效模式不一样。四川大学电气工程学院教授刘友波的表述是:普通办公场景中人工智能答错一段文字可以重新生成,但电力系统容错率低,模型给出的方案必须经过专业计算、仿真验证和人工复核,不能把“说得通”当成“做得到”。这条约束决定了“电力人工智能”的落地节奏会明显慢于办公与消费类场景。
清华大学地球系统科学系教授陈德亮指出的成因最具体:持续高温、长期干旱、大范围低风低光等极端情况,历史样本较少,正是能源系统面临的最危险的情况,也是人工智能技术最容易出错的地方。这句话把问题定位得很准——危险工况与小概率事件在时间上是重合的,而人工智能的能力恰恰建立在历史样本的覆盖度上。
这构成一个内在矛盾。能源系统的安全要求随极端天气出现频率上升,而模型在极端工况下的可靠性恰恰随样本稀缺而下降。两端同时收紧,意味着极端天气多发地区的电力人工智能应用进度会慢于气候温和地区。这一点对具体部署路径有直接影响:模型不能成为极端工况下的唯一决策依据,只能作为提高信息处理速度的工具。
另一层障碍在于指标本身不可简单比较。不同模型的预测对象、时间尺度和计算方法不同,相关指标并不具有简单可比性。这意味着跨场景、跨单位的准确率排名在方法论上站不住脚,也解释了为什么行业需要专门的评测标准而不是一个通用的排行榜。
兜底机制:冗余校验正在变成配置项
既然模型不能成为唯一依据,那么兜底机制就只能落在流程与制度上。目前可见的做法有几层。
第一层是算法层的多源校核。国网四川省电力公司调度控制中心介绍,人工智能给出预测结果后,工作人员要结合不同算法、模型近期表现和历史相似天气进行校核。这实际上是承认单一模型的历史表现本身就是一个需要评估的指标,而不是把模型输出当作真值。
第二层是系统层的独立交叉验证。涉及电力交易和运行调度的核心计算结果,还须经独立系统交叉验证。独立系统交叉验证与人工复核的价值在于,故障模式不同。人工智能与自动化系统如果共享同一套数据管道或模型基座,同源故障会同时击穿两道校验,独立系统交叉验证正是为切断这一失效链而设。
第三层是标准层的评测约束。2026年8月,《人工智能 电力行业大模型评测指标和方法》《人工智能 电力大模型系统技术要求》等国家标准化指导性技术文件发布,为模型建设与评价提供了依据。标准化的意义在于把评估从项目制的经验判断变成可复用的方法,不同厂商的模型可以用同一套方法比较,也给采购方提供了验收依据。
第四层是数据层的开放与共建。南方电网2026年8月公布开放电网运行、新能源消纳、设备运行等一百多项数据,供发电企业、科研院所等需求方试用;中国电力企业联合会2026年9月启动电力领域数据基础设施数据共享、场景共建活动。电力规划设计总院党委书记胡明指出,能源行业数据体量大、类型多、链条长,但仍存在数据分散、标准不一、共享不畅、流通不足等问题。先试用再合作的机制,是在数据权属尚未理清的条件下把数据价值先释放出来的务实做法。
从单点效率到中枢能力之间的差距
把三条线索并排看,会得到一个关于人工智能在电力系统中定位的清晰图景。预测环节的效率提升幅度最大,收益也最确定;求解环节的提升取决于算法体系与仿真校核的完备性;执行环节的可靠性上限由设备硬件与安全联锁给定,人工智能在其中是优化器而不是决定者。
还有一个尚未充分展开的方向:人工智能的价值不止于预测与优化,更在于把电厂、电网、储能设施与用户这几端的动作连成一体。风光发电多时由新型储能、抽水蓄能等调节资源吸纳富余电量,用电高峰时灵活电源与储能增加供应,虚拟电厂组织分散资源参与调节,不同地区供需出现差异时还需要跨区域电网扩大资源配置范围。人工智能在这些环节之间做的事情,是更快地识别供需变化并优化组合方案,把更早的预判转化为更有效的调节。这与单点预测在性质上是不同的。
但这条路径上有两个尚未解决的问题。其一是模型的可迁移性——不同地区的天气、地形和设备条件各不相同,一套模型换个地方未必能直接照搬,这使得人工智能的推广节奏更可能呈现分区特征而非全国统一特征。其二是虚拟电厂仍处于发展初期,不同地区市场建设进度不一,部分地区交易品种和收益渠道仍较有限,市场准入、计量结算和收益分配机制的完善程度,直接决定了人工智能优化出的调度方案能否真正落地。
由此可以给出明确判断:人工智能在电力系统中的定位,正在从效率工具转向调度中枢的组成部分,但这个转变的前提不是模型更强的泛化能力,而是极端工况下的冗余校验与人工复核能否被制度化地固定下来。缺失了兜底机制,人工智能在电力系统中就只能是效率工具;补上了兜底机制,它才有资格成为中枢的一部分。
-本文参考资料来源于国家能源局、南方电网、国家电网等机构公开信息;清华大学地球系统科学系、四川大学电气工程学院等研究成果;新华社、中国经济网等媒体报道。
来源:
作者:
苏清越
版权及免责声明:
本网站摘录或转载的属于第三方的信息,目的在于传递更多信息,内容仅供参考。相关股票、投融资等资讯及分析并不代表本网站赞同其观点和对其真实性负责,不构成投资建议。若不慎涉及侵权,请在相关内容刊发之日起30日内联系我们,我们将第一时间进行删除处理 。转载本网资讯请注明来源作者。
联系电话:010-85763416 邮箱:zgnycyfznh@163.com
| 相关能源金融
| 相关推荐
能源品牌强国路
2026-11-11
2026-11-11
2026-11-11
2026-11-10
2026-11-10
2026-11-10
2026-11-09
2026-11-09
高端沙龙
推荐阅读
暂无数据
推荐阅读