[智能应用]AI落地能源产业需破解数据难题 [复制链接]

在近日举行的智慧电厂论坛上，达卯科技CEO间煜忞在与网易科技等媒体对话中表示，达卯科技以“算电协同”为切入点，构建了远超行业平均水平的负荷预测能力。传统电网负荷预测准确率仅约70%，达卯科技实现了90%以上的预测精度。简煜忞表示，AI技术规模化落地能源产业时，最典型的挑战在于数据获取。他建议，未来或可由相关部门牵头，推动建立行业特征模型库，或开放民营单位在特定框架下参与，以此促进AI在能源领域的深入赋能。
对于当前电力市场改革，简煜忞分析称电力交易正从计划轨转向市场轨，交易频率提升至15分钟级别。这一变化使得单纯依靠资源规模的优势被削弱，可调节资源的价值凸显。系统需要具备分钟级的调度能力，以匹配发电与用电曲线，从而在新的市场机制下实现经济性。
谈及未来趋势，简煜忞表示，AI将在能源“发、输、配、用”各环节找到用武之地。在发电侧，市场化将促使新能源运营商更加关注发电效率与质量，催生对无人机监测、性能分析等AI服务的需求。在配电侧，随着绿电直连、源网荷储等新型复杂系统出现，如何实现多能协同与综合调度，是人工智能可以赋能的关键领域。

AI在能源产业的规模化落地面临多重数据治理瓶颈，需从以下维度系统破解：

一、数据质量缺陷制约模型精度
样本稀缺性与不均衡
电网日常运行积累的数据多为“正常态”，故障类、异常类样本稀缺2，导致AI故障诊断模型泛化能力不足。
新能源设备厂商数据采集标准不一，同一区域光伏电站的数据格式、精度差异显著2，影响出力预测准确性。
历史数据断层与时效性不足
老旧能源设施历史数据存在缺失，且部分传感器更新滞后，无法支撑长周期训练需求4。
二、数据孤岛阻碍跨场景协同
跨系统兼容性差
电力发、输、配、用各环节系统独立建设，数据接口协议不统一，难以实现多能协同调度15。例如，新能源电站监控数据与电网调度系统无法直接交互，需人工转换13。
分布式能源管控难
分布式光伏站点分散（占全国光伏装机40%以上），多数无实时气象监测设备，累积出力波动成为电网调度盲区2。
三、安全与隐私矛盾限制数据价值释放
敏感数据开放风险
设备状态监测、电力交易等数据涉及能源安全，直接共享可能引发系统性风险18。
脱敏与利用的平衡难题
传统数据脱敏导致关键特征丢失，而联邦学习等“数据可用不可见”技术仍面临跨主体协作成本高的问题210。
四、算力与能源消耗形成双重压力
AI推理的电力依赖
数据中心耗电量激增（2030年或占全国总用电量5.3%），高密度算力需求与电网稳定性矛盾凸显913。
清洁能源适配性不足
风光发电的间歇性与AI算力持续需求错配，需通过“算电协同”动态调节（如绿电直供AIDC、储能充放电策略优化）1423。
系统性破局路径
构建行业级数据基座
推动能源物联网协议统一，建立覆盖设备参数、气象、运行状态的标准化数据集11，例如国家自然灾害监测系统整合“空天地”多维数据11。
创新数据协作机制
采用联邦学习实现跨企业数据协同，或依托区块链隐私计算平台构建可信数据空间211。
软硬件协同优化
开发专用AI芯片（如华为升腾超节点）降低单位算力能耗22，结合边缘计算实现本地化实时决策13。
动态耦合源网荷储
通过AI电力系统（如远景天枢模型）实现风光储与工业负荷的毫秒级调度，将波动性绿电转化为稳定产能1423。
能源产业AI落地的核心矛盾已从技术可行性转向数据可用性。唯有打破数据壁垒、构建“质量-安全-算力”三角平衡，方能驱动智能电网、零碳园区等场景从单点示范迈向全域赋能。

关于达卯科技在智慧电厂论坛观点的详细解读
达卯科技“算电协同”与负荷预测能力
达卯科技以“算电协同”为切入点构建远超行业平均水平的负荷预测能力，这一举措意义重大。传统电网负荷预测准确率仅约70%，而达卯科技实现了90%以上的预测精度。高精度的负荷预测对于电力系统的稳定运行和高效调度至关重要。

从电力系统运行角度看，准确的负荷预测能够让电力调度部门提前做好发电计划安排。例如，根据不同时间段预测的负荷需求，合理调配各类发电资源的发电量，避免出现发电过剩造成能源浪费或者发电不足导致停电等情况。对于新能源发电来说，由于其具有间歇性和波动性，高精度的负荷预测可以更好地协调新能源发电与传统能源发电的比例，提高新能源的消纳能力。

从经济效益方面分析，达卯科技的高精度负荷预测可以帮助电力企业降低运营成本。减少因负荷预测不准确而导致的备用容量设置过大，从而节省发电设备的运行成本和燃料成本。同时，准确的预测也有助于电力企业在电力市场中制定更合理的报价策略，提高市场竞争力。
AI技术规模化落地能源产业面临的数据获取挑战及建议
AI技术规模化落地能源产业时，数据获取是典型挑战。能源产业的数据具有复杂性和敏感性。复杂性体现在能源生产、传输、分配和消费等各个环节涉及大量的数据类型，包括设备运行数据、气象数据、用户用电行为数据等，这些数据来源广泛、格式多样，整合和分析难度较大。敏感性则是因为能源数据涉及到国家能源安全、企业商业机密和用户隐私等重要问题，数据的获取和使用受到严格的限制。

简煜忞建议由相关部门牵头推动建立行业特征模型库或开放民营单位在特定框架下参与。建立行业特征模型库可以整合行业内的优质数据资源，为AI技术的研发和应用提供丰富的数据支持。通过统一的数据标准和规范，提高数据的质量和可用性，促进AI算法的优化和改进。例如，在负荷预测模型中，行业特征模型库可以提供不同地区、不同季节、不同用户类型的负荷特征数据，帮助模型更准确地学习和预测。

开放民营单位在特定框架下参与可以充分发挥民营单位的技术创新活力和市场灵活性。民营单位在AI技术研发和应用方面往往具有独特的优势，能够快速响应市场需求，推动AI技术在能源产业的创新应用。特定框架可以确保数据的安全和合规使用，保障国家能源安全和用户隐私。例如，通过建立数据共享平台，在严格的数据访问权限管理和安全保障机制下，允许民营单位获取和使用相关数据进行AI模型训练和应用开发。
当前电力市场改革的变化及影响
电力交易从计划轨转向市场轨，交易频率提升至15分钟级别，这一变化对电力系统产生了深远影响。单纯依靠资源规模的优势被削弱，可调节资源的价值凸显。在计划轨下，电力生产和分配主要根据政府制定的计划进行，发电企业只要拥有足够的发电资源，就能保证一定的发电量和收益。而在市场轨下，电力交易更加注重市场供需关系和价格信号，发电企业需要根据市场价格波动及时调整发电策略。

交易频率提升至15分钟级别，要求系统具备分钟级的调度能力。这是因为更频繁的交易意味着电力供需关系的变化更加迅速，系统需要及时调整发电和用电的匹配，以避免出现电力供需失衡的情况。例如，在用电高峰时段，系统需要快速调度可调节资源增加发电量，满足用户的用电需求；在用电低谷时段，系统需要合理安排发电设备的运行，降低发电成本。

分钟级的调度能力对于实现新的市场机制下的经济性至关重要。通过精确的调度，可以减少发电设备的频繁启停和负荷波动，降低设备的损耗和运行成本。同时，合理的调度也可以提高电力系统的整体效率，减少能源浪费，促进电力市场的健康发展。
AI在能源“发、输、配、用”各环节的未来趋势
发电侧
市场化将促使新能源运营商更加关注发电效率与质量，催生对无人机监测、性能分析等AI服务的需求。在新能源发电领域，如太阳能和风能发电，其发电效率受到多种因素的影响，包括天气条件、设备状态等。无人机监测可以实时获取新能源发电设备的运行状态和周围环境信息，通过AI算法对这些数据进行分析，及时发现设备故障和潜在问题，提高设备的可靠性和发电效率。

性能分析AI服务可以对新能源发电设备的历史运行数据进行深度挖掘，分析设备的性能变化趋势，为设备的维护和优化提供决策支持。例如，通过分析太阳能光伏板的发电数据，预测光伏板的衰减情况，提前安排更换或维护，提高光伏发电的整体效率。
配电侧
随着绿电直连、源网荷储等新型复杂系统出现，实现多能协同与综合调度是人工智能可以赋能的关键领域。绿电直连使得新能源发电能够直接接入配电网，减少了中间环节，但也给配电网的运行管理带来了新的挑战。源网荷储系统则整合了电源、电网、负荷和储能等多种元素，需要实现它们之间的协同运行和优化调度。

人工智能可以通过建立复杂的模型和算法，对多能系统进行实时监测和分析，根据不同能源的特性和供需情况，制定最优的调度策略。例如，在用电高峰时段，合理调配储能设备的放电和新能源发电的输出，满足用户的用电需求；在用电低谷时段，将多余的电能储存起来，提高能源的利用效率。同时，人工智能还可以对多能系统的运行状态进行预测和预警，及时发现潜在的安全隐患，保障系统的稳定运行。

综上所述，达卯科技在智慧电厂论坛上的观点涵盖了负荷预测、AI技术落地、电力市场改革和AI在能源各环节的应用等多个方面，为能源产业的发展提供了新的思路和方向。