林伯强：人工智能如何促进新型能源系统建设︱能源思考

国家发展改革委、国家能源局去年9月联合印发《关于推进“人工智能+”能源高质量发展的实施意见》（下称《意见》），明确提出加快推动人工智能与能源产业深度融合，支撑能源高质量发展和高水平安全。人工智能与能源系统深度融合，正成为推进新型能源系统建设的重要路径。在新型能源系统建设过程中，可再生能源大规模并网带来的间歇性、随机性问题日益凸显，电力调度复杂度也显著上升，亟须借助以大模型和多模态模型为代表的人工智能技术，提升系统运行效率和安全性。在此背景下，系统分析人工智能赋能新型能源系统建设的技术前景，深入剖析数据治理、算力配置、系统安全等关键环节面临的现实挑战，对于推动我国能源高质量发展和实现清洁发展目标具有重要意义。

新型能源系统当前的发展特点

其一，可再生能源的消纳难度加大和预测精度不足给系统稳定性带来挑战。随着风电与光伏在电力系统中的装机占比持续提高，其固有的间歇性、随机性和波动性特征，给电力系统安全稳定运行带来了新的挑战。其中，新能源消纳难题主要体现在系统功率平衡调控的复杂性显著增加。尽管2024年全国风电、光伏发电利用率已分别达到95.9%、96.8%，但在局部区域和特定时段，消纳压力依然存在。预测精度不足进一步加剧了系统稳定性风险。虽然在部分地区的调度考核体系中，新能源0~72小时短期功率预测已形成制度化应用，相关准确率要求大致处于85%，部分超短期或光伏场景可达90%，但整体上仍难以满足精细化调度需求。

其二，电力调度复杂度提升。电力调度难度上升，核心原因在于传统“源随荷动”的调度方式正逐步向“源网荷储多元协同调控”模式转型。在高比例可再生能源大规模并网的背景下，电力系统供需关系由原本较为稳定、可预判的状态，转变为动态性强、复杂程度显著提升的运行格局。系统主体多元化和电网形态复杂化，使调度决策需要同时考虑传统火电、可再生能源发电、储能系统以及需求侧响应等多种资源的协调配置。电力系统发用电平衡和实时调度的不确定性显著增加，调度运行需应对更加频繁的潮流方向变化和大幅功率波动。

其三，灵活性资源的配置与协调存在困难。我国电力系统长期灵活性资源不足，“富煤、缺油、少气”的能源禀赋制约了快速响应燃气机组和储能的发展。可再生能源大规模接入后，现有资源难以满足运行需求。配置困难体现在成本回收与激励机制不完善、市场机制滞后、技术标准不健全等方面。协调困难则缘于多元资源分布于源网荷储各环节，包括煤电、气电、储能和需求响应等，资源类型多、运行特性差异大，优化运行面临较高技术挑战，传统的独立调度方式已难以适应现实需要。

人工智能促进新型能源系统建设的技术前景

第一，大模型赋能可再生能源精准预测。随着新型电力系统对预测精度要求不断提高，传统方法已难以应对复杂动态环境，大模型则展现出较强的时空特征提取能力，可自动学习气象与功率输出的非线性关系。远景能源推出全球首个伽利略AI风储一体机，将风机、储能与AI大模型融合，基于“远景天机”气象模型实现精准预测。蚂蚁数科的EnergyTS大模型在光伏场景表现优异，T+1天预测平均绝对误差0.0233，较谷歌TimesFM-V2.0提升22.4%，T+3天提升46.8%。多模态学习进一步增强了预测能力，通过处理卫星图像、气象数据和历史功率序列等多源信息，多模态模型可进行概率预测，捕捉更全面的信息，从而提升超短期太阳能功率预测精度。国能日新的“旷冥”大模型在大风、台风等极端天气预测中也展现出较强能力，为电网调度提供了支持。

第二，多目标协同智能调度有助于应对复杂性挑战。多目标协同调度与人工智能相结合，能够有效应对新型能源系统调度复杂性提升。《意见》提出，要加快AI与能源深度融合，推进智能化升级。千亿级多模态大模型是核心驱动力。国家电网发布的“光明电力大模型”是国内首个千亿级多模态电力模型，集成海量电力数据，涵盖生产、建设、管理与运营全场景，显著提升调度智能化水平。多模态大模型通过整合文本、图像、传感器数据，实现对复杂电力系统的综合理解和预测。与传统专家系统相比，深度学习在多模态融合、少样本学习和多任务处理方面具有明显优势。实践中，基于AI的电力智能调度可通过边缘设备采集发电参数，利用深度学习进行优化，实现源网荷储协同运行。

第三，多模态模型助力灵活性资源一体化智能协调。《意见》提出，推动人工智能在虚拟电厂、分布式储能、电动汽车车网互动等各类灵活性资源领域的应用落地，以强化负荷侧群体控制与优化调控水平。多模态大模型凭借其灵活的网络架构、高效的并行计算能力，以及跨模态交互与迁移学习优势，能够对文本、图像、音频、视频等多类型数据进行统一处理，进而实现对信息的深度理解与智能生成。在应用中，多模态预测通过融合多源数据与模型，将电、热、气等数据输入深度置信网络提取特征，提高预测精度与鲁棒性。虚拟电厂平台根据电网指令和市场信息，结合资源动态，实现智能优化控制和大规模灵活资源聚合。大模型在储能管理中也能够提升效率、降低损耗、优化电池寿命，并实现云端短路、异常电压/温度诊断及主动安全预警。

人工智能促进新型能源系统建设面临的挑战

一是数据治理体系急需完善。《意见》指出，要建立完善能源数据共享机制，打破数据孤岛。当前，发电、输电、配电、用电等环节数据标准不一、接口不兼容，电力、燃气、热力等子系统之间缺乏有效共享，限制了AI跨领域应用。我国能源数字化转型过程中，统计标准存在差异，部门间数据质量参差不齐，也进一步加剧了这一问题。数据孤岛现象背后，反映出数据质量管控薄弱。传统设备数据精度低、实时性差，存在缺失和异常值，影响AI模型训练和预测精度，制约智能决策。高质量数据集供给不足，限制了AI发展。与此同时，数据流通和质量问题也增加了数据安全治理难度。能源数据涉及国家安全和商业机密，可能面临泄露和攻击风险。需研发隐私计算、动态加密和可信数据空间技术，确保全流程安全，建立可信数据生态。

二是算力资源配置失衡。当前，绿色算力供不应求。AI训练和推理需大量算力，但现有数据中心能耗较高，与清洁发展目标之间存在一定张力。相关报告预测显示，2024~2030年，全国数据中心用电年均增速约20%，远超全社会用电增速；2025年数据中心电耗占全国电耗2.4%，部分城市和区域占比超20%。算力规模快速增长，而清洁能源驱动的算力供给仍有限，基础设施建设滞后。供给不足与算电协同机制缺失交织，资源配置不均衡。西部可再生能源丰富，东部算力需求大，形成“东数西算”格局。东部电力紧张，西部算力不足，区域资源匹配问题明显。虽然2025数博会已发布相关联合倡议，但算电协同仍处于从政策倡导走向实践落地的过渡阶段，亟待进一步打通比特与瓦特之间的价值链。

三是系统安全挑战加剧。深度学习等AI技术可解释性不足，在能源系统关键决策中存在安全隐患。电力调度和故障诊断对算法透明度要求高，但其黑箱特性难以适应毫秒级实时控制需求。算法透明度不足，再加上智能电网深度融合所带来的新型网络安全威胁，使系统安全问题更加突出。攻击者可能利用AI破坏关键系统，包括样本攻击和模型投毒。样本攻击通过微小扰动误导模型输出，投毒攻击则通过恶意数据污染训练模型。实验显示，仅250份恶意文档即可在130亿参数模型中植入随时引爆的投毒攻击。这些安全风险与新型电力系统复杂性叠加，进一步加大了系统安全防护难度。分布式能源、储能、电动汽车大量接入，也使系统运行机理更加复杂，安全边界的不确定性进一步增强。

人工智能赋能新型能源系统建设的政策建议

（一）从国家层面完善数据要素统筹机制

建议从顶层设计入手，建立能源公共数据资源登记制度，编制统一数据目录，实施分类分级确权与授权机制。针对电力调度、运行、统计等不同数据类别，制定差异化开放规则。推动监管部门建立“统一归集、统一管理、统一开放”模式，建设国家能源数据开放平台，提供标准化接口与服务。依托全国一体化数据市场，设立能源数据交易板块，制定交易标准和定价机制。探索建立能源数据流通体系，将优质企业数据纳入资产管理，推动数据资产化。

（二）打造绿色智能算力新基建

建议统筹全国绿色算力基础设施布局，建设普惠、绿色、安全的综合算力体系。深化“东数西算”工程，完善东西部算力协同调度机制，实现通用算力、智能算力和超级算力加速集聚。新建数据中心要逐步提升可再生能源使用比例，改造老旧基站和小散数据中心；鼓励源网荷储技术与风光融合发展，实现就近消纳。完善绿色算力标准和监管体系，落实能效限定值和等级标准，提高算力碳效水平。同时，构建普惠化算力服务体系，支持地方探索“上云券”“算力券”等优惠政策，为中小企业提供随用随付的云端算力服务，降低成本，保障算力需求。

（三）构建可信AI技术体系

建议建立能源领域可信AI技术标准体系，从算法透明度、数据安全、伦理规范等方面构建可信框架。推动制定AI可解释性标准，建立电力调度、故障诊断等关键场景的算法透明度评估机制。在毫秒级实时控制场景中，AI模型必须做到决策可追溯、结果可解释，确保安全合规。同时构建AI安全防护体系，针对对抗攻击、模型投毒等威胁，建立全生命周期安全评估机制，重点防范大规模数据投毒和模型脆弱性攻击，提高AI系统可信度。完善能源AI安全监管框架，建立系统安全评估认证制度及分级分类管理机制，确保复杂场景下系统安全可控。

（作者系厦门大学管理学院讲席教授、中国能源政策研究院院长）