清华大学陆超：提高数据质量是“AI+电力”真正落地的“最后一公里”

2025世界人工智能大会期间，由南方电网公司承办的“‘AI+’电力创新发展”专题论坛于7月27日在上海世博中心举办，与会的院士、学者、电网运营商及AI生态企业代表，围绕人工智能驱动全球能源电力的生态发展，深入探讨“AI+电力”的最新进展和创新实践。

随着新能源装机和并网比例的持续提升，传统源荷预测方法已难以满足复杂电网精准调控的需求。人工智能方法为解决此类问题提供了新思路，但如何提升人工智能与电力系统的适应性，成为行业关注的核心议题。

会议期间，《南方能源观察》（以下简称“eo”）记者专访了清华大学电机系教授陆超，围绕人工智能在电力系统中的安全边界、发展痛点及经济性等问题展开交流。陆超主要从事电力系统分析与控制、人工智能应用技术等研究。他认为，需以“数据-机理融合”架构提升人工智能在新型电力系统中应用的可靠性，并强调提升数据质量，将仿真数据和与实际系统特性对齐。探索人工智能与电力系统深度融合的有效路径，提高训练所需的数据质量，以及学习过程和结果的可解释性，是“AI+电力”真正落地的关键。

推进AI与电力深度融合要注意风险可控

eo：您如何评价当前电力系统的人工智能应用情况？

陆超：目前，电力AI技术研究和应用仍处于初级阶段。人工智能在源荷预测、智能巡检、智能客服等辅助任务中已有良好表现。

但是，随着电力系统向高比例可再生能源与高比例电力电子设备的“双高”形态发展，控制规模呈指数级增长、故障形态和连锁反应特性更加复杂，对决策速度要求更高。现阶段的大模型技术仍无法支撑整个系统的安稳分析控制，在调度控制等核心任务应用上面临可靠性、可信性挑战，需要持续推进“数据-机理融合”方向的研究。

eo：自动驾驶与电力系统在规模和复杂性上差距巨大，前者尚未能实现大规模安全应用，那在电力系统中，人工智能应用应当如何考虑安全发展的路径？

陆超：人工智能在电力系统的应用一定是一个循序渐进的过程，要实现“完全安全”仍有不小挑战，因此要选择合适的场景和阶段逐步应用。

第一阶段可以先从交易类场景入手，例如电力市场辅助决策。这些环节可能会对经济指标产生影响，但不至于引发安全事故，不会对系统运行造成实质性风险。

第二阶段可延伸至非实时决策场景。这类场景对安全性有一定要求，但风险相对可控。我们可以通过多种手段进行结果验证，在确保底线安全的前提下，逐步扩大AI控制的范围。

第三阶段是实时闭环控制，让人工智能具备持续、安全地输出控制指令的能力。这一阶段对算法精度、决策时效和稳定性的要求最高，必须在前两阶段充分验证的基础之上慎重推进。

融合路径与高质量数据是关键

eo：要构建可信的智能电力系统，迫切需要补齐哪些短板？

陆超：一方面是融合路径，即人工智能如何与电力系统、特别是调度运行体系深度结合。即便“AI for Science”（人工智能驱动科学研究）路径能依据通用规律来处理问题，在数学证明、生物制药、材料设计等领域有足够的应用空间，但在电力领域还不完全适用。电力系统节点多、复杂度高、要求严，如何将科学计算和人工智能大模型技术结合到一起，目前还没有非常清晰的路径。

另一方面是高质量的数据。电力系统数据的专业性极强，尤其是涉及到运行、调度生产相关的数据。这些数据不仅规模大、存储难度高，而且要求数据标注人员具备十分丰富的行业经验。目前训练使用的数据以仿真数据为主，因为实测数据大多都是稳定运行的数据，失稳数据较少，样本十分不均衡。所以，如何将仿真数据和与实际系统特性对齐、提升数据质量，是AI真正落地的“最后一公里”。这项工作所需投入巨大，对于未来人工智能实现真正的大规模应用会产生实质性的影响。

eo：放眼全球，我国在电力智能方面处于什么位置？

陆超：从全球看，人工智能在电力系统中的应用还处于起步阶段，大家基本上站在同一起跑线。相比之下，美国的AI技术生态和资源条件较好，是其优势所在。而我国的优势在于电力系统基础扎实、数据资源丰富，近年来的快速发展和运行经验积累，也为人工智能在电力系统中的应用奠定了坚实基础。加之政府、企业和高校对AI技术的高度重视，我国有望在应用创新和落地方面实现较快发展。

AI应用整体回报大于能耗成本

eo：人工智能既是“能耗大户”，又被寄希望于提升能源效率和推动能源转型。您如何看待这种双面性？

陆超：这两方面并不矛盾。人工智能确实会带来更大的能耗，但它支撑了社会的整体技术进步，为各行各业带来了巨大的效率提升和结构性变革。在推动社会进步的进程中，新兴技术需要更多的能源供给，是很正常的需求。

另一方面，人工智能本身是应对能源系统复杂性的重要工具。随着高比例新能源的接入，电力系统在平衡和稳定方面所面临的挑战，已经超出传统手段的调节能力。新型电力系统的可控对象从以“源”为主扩展到“源网荷储”各环节，安全稳定机理愈发复杂，控制规模呈指数级增长。如果人工智能技术能够支撑起一个如此复杂的能源供应体系，将极大增强整个电力系统的调控能力。反过来，电力系统的数字化转型也将为人工智能提供更好的发展土壤，可以更好地支撑全社会的技术进步，这是一个相互促进的过程。

eo：在促进“AI+电力”落地的过程中，如何平衡投入与产出的关系？

陆超：经济性始终是决定一项技术能否成功落地的关键因素。我们当然关注人工智能的经济性，但这必须放在整个系统收益的视角下进行评估。当电力系统所面临的挑战已无法通过传统手段解决时，相比于AI的研发投入，更本质的问题是：系统是否还能正常运行。

在AI技术应用初期，一些场景已展现出良好的投入产出比。例如，在巡检与运维环节，AI技术已明显降低了人力和物力成本。未来几年内，如果在更多关键领域也能实现类似的效果，AI应用的整体经济性将逐步显现。从长期看，经济性将是决定人工智能能否在电力系统中实现大规模推广的核心变量。

eo：从系统角度看，数据中心大规模部署可能导致电力供应紧张，甚至影响区域电力平衡。您认为未来如何促进电-算协同发展？

陆超：数据中心等AI算力设施应当纳入电力系统的统一规划之中。一方面，从服务器供电到冷却系统的能耗，数据中心的运行可与周边新能源场站联动，实现就近配套。另一方面，数据中心对局部电网网架结构、负荷分布的影响，也应在整体电力规划中统筹考虑。

我们国家的电网在柔性调节、电算协同能力建设方面基础良好，近年来也启动了多个国家级科研项目支持相关融合工作，可以充分利用已有的能力和资源。所以，未必需要为人工智能专设“特供通道”，而应通过优化调度、源网荷储联动等机制，在现有体系内实现算力与电力的协同发展。