AI算法：重塑电力系统

过去十五年，全球电力系统经历了一轮深刻的变革。新能源装机规模快速增长，海量分布式电源和电力电子设备接入电网，系统运行复杂度显著提升，电力市场交易主体和交易品种日趋多元。传统调度模式、运行机制和市场设计，正逐步显露出适应性不足的问题。

几乎在同一时期，人工智能（AI）技术加速走出实验室，成为应对能源结构转型的重要技术工具。对此，全球主要经济体已密集开展战略布局。在能源结构变化、技术演进与政策推动的多重作用下，AI的影响逐步深入到电力系统的各个环节。

新能源不再只是“看天吃饭”

长期以来，新能源功率预测主要依赖数值天气预报，但其时效性与电力调度的需求存在错位。传统数值天气预报基于复杂的物理方程，需调用大量计算资源，通常耗时数小时甚至更久，难以满足分钟级、小时级的调度需求。在新能源渗透率低的时期，这一约束相对隐蔽。随着风光发电占比上升，电网对更短时限、更高精度预测的需求日益紧迫。

以数据驱动的AI预测方法成为一种重要补充。谷歌DeepMind于2023年发布的GraphCast模型已能实现比传统方法更快、更准确地预测长达十天的天气状况。国内大模型也在加速与预测场景融合。南方电网“夸父”系统的预测准确率在国家标准基础上提升3%—7%。

预测精度的提升不仅关乎电力系统稳定，也与发电场站运营收益直接挂钩，新能源功率预测偏差被纳入并网运行和辅助服务考核体系。官方信息显示，2025年6月，浙江各场站因风光发电功率预测偏差发生的考核费用达250万元，单个场站考核费用最高超过20万元。

电网从“看得清”到“算得清”

相比于发电侧，AI进入电网运行体系的路径更为漫长，也更具系统性。

21世纪最初十几年，全球主要电力系统相继启动智能电网建设，重点在于夯实电网的数据采集与通信能力。智能电表、在线监测装置、配电自动化终端陆续铺开。在2009年美国经济刺激计划（ARRA）框架下，美国联邦政府投入24亿美元用于电网数据采集和通信能力建设。同年，我国国家电网公司提出建设以信息化、数字化、自动化、互动化为特征的“坚强智能电网”。

随着感知能力不断提升，变化开始显现。21世纪10年代中期，业界关注的不仅是数据的有无，更强调数据的质量。国内以国家电网《泛在电力物联网白皮书2019》和南方电网《数字电网白皮书》的发布为标志性节点，开启电网万物互联、人机交互的新进程。

在此基础上，电网运行进入以预测和优化为特征的新阶段。负荷预测、新能源出力预测、潮流分析等原本高度依赖人工经验的工作，开始引入机器学习技术辅助决策。南方电网基于物理约束神经网络开发的“大瓦特·驭电”模型，可以在1小时内完成全年至少8760个运行方式的仿真计算，在源荷预测、电网规划、运行控制和市场出清等核心环节展现应用潜力。

随着新能源渗透率进一步提高，电网侧AI应用也正向源网荷储协同调控延伸。算法不再只回答“会发生什么”，而是开始尝试参与“该如何调度”。

算法能力加速成为竞争新要素

随着新能源和各类新型主体的加入，供需两侧的“双波动”特性，使得市场从“少数发电主体博弈”演变为“多类型主体同时竞价”的复杂系统。

国际成熟市场率先引入基于机器学习的预测模型，用于辅助市场报价和风。险管理。在我国，AI在电力交易中的应用仍处于起步阶段，但已在部分区域显现效果。公开信息显示，国家能源集团“擎源”大模型在山西的试点预测数据显示，其预测的节点电价准确率较传统方式提升6.2%。国能日新“旷冥”3.0模型在山东极端天气场景下修正负荷预测，使当地风电场单月现货收益提升16.69%。算法已开始在经济效益上对交易决策产生实质性影响。

在此基础上，部分企业进一步将AI从“辅助判断”推向“参与执行”。清鹏智能发布的国内首个电力交易智能体，已具备从预测分析、策略生产到交易申报的自动化交易能力。

用户侧的潜力也正在被挖掘出来。依托AI的预测和实时控制能力，大量分散资源得以被聚合，在秒级或分钟级响应电网信号，参与调峰、辅助服务甚至电力交易。

在国际市场，这一模式的商业化落地已较为成熟。英国章鱼能源公司的Kraken平台基于机器学习模型预测用户出行和用能需求，对电动汽车充电、家用储能和热泵进行算法调度，在电价低谷或系统富余时段自动完成充放电决策。当前，该平台可调度超过2吉瓦的住宅侧灵活资源。

国内亦在加快探索。2021年，深圳首次试运行网地一体虚拟电厂运营管理平台。截至2025年12月初，该平台已聚合虚拟电厂资源超60家，接入资源规模近500万千瓦，成为中国资源类型最全、应用场景最多的虚拟电厂。

从更长周期看，人工智能对交易侧的影响并不在于替代人工操作，而在于改变市场信息结构。当部分主体能够更早、更准确地预判系统状态和价格区间，市场博弈的重心便从“抢信息”转向“管风险”。在这一过程中，算法能力正逐步成为新的竞争要素。

AI尚未成为“即插即用”的解法

尽管人工智能在能源电力领域加速落地，面对电力系统的高安全性、高可靠性要求，其能力仍需被谨慎验证。

首先，可解释性不足制约了AI在核心环节的深入应用。在电网调度、设备保护和市场出清等关键场景中，决策逻辑的可追溯性往往与结果本身同等重要。大模型的“黑箱”特性，使其在实际运行中难以被完全信任。

其次，AI越算越快、越算越多，电力系统是否跟得上，正在成为一个现实问题。大模型训练和推理对算力的依赖程度不断提高，算力负荷本身已成为新的用电增长点。

此外，数据质量与关键资源，左右着AI能力的释放。电力系统的高价值数据长期分散于不同企业、不同层级和不同系统之中，高质量、可跨主体使用的数据资源体系建设仍处于起步阶段。