AI在新能源中的应用：技术融合、场景赋能与产业价值

20XX/XX/XXAI在新能源中的应用：技术融合、场景赋能与产业价值汇报人:XXXCONTENTS目录01

能源转型与AI技术融合背景02

AI与新能源技术融合路径03

新能源生产端AI核心应用场景04

储能与电网环节AI创新应用CONTENTS目录05

新能源汽车领域AI深度赋能06

AI赋能新能源产业价值分析07

挑战与未来发展趋势能源转型与AI技术融合背景01全球能源结构变革趋势

可再生能源占比持续提升2025年上半年全球光伏新增装机超150GW，同比增30%，累计装机突破1.2TW；中国光伏新增装机85GW，同比增45%。风电、太阳能发电累计并网装机达到18.4亿千瓦，占比达到47.3%，历史性超过火电。

能源系统向智能化转型加速AI技术正以“数字引擎”的姿态重塑能源行业底层逻辑，从技术试点向规模商用质变，预计到2030年将催生万亿级增量市场，推动传统能源体系向清洁低碳、安全高效的新型能源体系转型。

储能规模化商用进程加快2025年全球储能新增装机超80GWh，同比增50%，中国占比超40%。储能系统成本降至1.1元/Wh，循环寿命突破1万次，用户侧储能“两充两放”IRR超12%，美国大型储能项目IRR超15%。

“双碳”目标驱动绿色转型全球“双碳”目标的紧迫性要求能源系统实现更高效率、更低排放和更精准调控。AI技术凭借数据挖掘、模式识别与非线性拟合能力，成为破解新能源波动性与负荷需求矛盾的关键抓手。新能源发展面临的核心挑战高比例新能源并网的波动性难题风电、光伏等新能源具有间歇性、波动性、随机性特质，与传统电网“源随荷动”的运行模式形成突出矛盾，给电网安全稳定运行、电力调度优化控制带来冲击，形成供需错配难平衡的危险局面。数据基础薄弱与共享不畅能源数据分散在不同企业、不同部门，标准不一、共享不畅，形成数据孤岛，制约了AI等数字化技术在新能源领域的深度应用和效能发挥。AI技术可靠性与可解释性瓶颈大模型“黑箱”特性带来的可解释性难题和潜在幻觉风险，使得人工智能技术在核电站安全决策、电网实时调度等核心领域尚难以满足行业高可靠性要求。复合型人才稀缺既懂新能源生产运行规律，又精通AI算法开发的复合型人才稀缺，难以满足新能源智能化转型对跨学科人才的迫切需求。AI技术赋能新能源的底层逻辑

数据驱动的精准决策AI通过整合气象数据、设备运行数据、历史发电数据等多源异构数据，利用机器学习算法进行深度分析，实现对新能源出力、负荷需求、设备状态等的精准预测与智能决策，打破传统经验依赖。

全链条效率优化从能源生产端的风光功率预测、设备智能运维，到传输端的智能电网调度、故障自愈，再到消费端的负荷管理、需求响应，AI技术贯穿新能源“发-输-配-用-储”全链条，实现系统整体效率提升。

解决新能源固有挑战针对新能源的间歇性、波动性、随机性等固有特性，AI通过风光功率预测（如广西电网模型精度超89%）、源网荷储协同优化等技术，有效提升新能源消纳率，缓解对电网稳定性的冲击。

技术融合与创新加速AI与物联网、大数据、数字孪生等技术深度融合，如虚拟电厂通过AI聚合分布式资源，智能运维机器人实现无人化巡检，推动新能源技术从单点优化向系统级创新演进。政策驱动："人工智能+"能源发展政策解读国家顶层政策出台背景国家发展改革委与国家能源局联合发布《关于推进"人工智能+"能源高质量发展的实施意见》，旨在推动人工智能在能源领域的深度融合，实现能源行业更大程度的数字化与智能化。能源行业具备数字化基础扎实、数据质量高、应用场景丰富等优势，理应在人工智能应用上走在前列。阶段性发展目标规划《实施意见》提出2027年与2030年两个阶段性目标。到2027年，夯实基础、树立标杆、完善体系，重点推进"五十百"工程；到2030年，实现自主可控、深度赋能、国际领先，推动能源领域人工智能专用技术体系化突破和规模化应用。重点任务与技术融合路径明确全方位赋能能源各场景，系统部署人工智能在煤、电、油、气等各能源品种及产供储销各环节的应用。通过专栏形式明确37个"人工智能+能源"融合应用发展重点任务，覆盖百余个具体场景，并提出具体建设路径与目标，推动传统化石能源升级和新能源智能化转型。关键共性技术供给方向针对数据、算力和算法等核心要素，构建人工智能应用基础支撑体系。包括夯实数据基础，加快构建高质量能源数据集；强化算力支撑，构建算力与电力深度融合发展机制；提升模型基础能力，推动人工智能与能源领域软件深度融合，突破绿色低碳技术瓶颈。AI与新能源技术融合路径02数据层：多源异构能源数据融合

内部核心运行数据包括SCADA系统实时运行数据（如风机转速、光伏组件温度）、历史发电/负荷数据、设备状态数据及用户生产计划与用电习惯数据，是AI模型训练的基础。

外部关键环境数据核心为气象数据，涵盖ECMWF、GFS等数值天气预报、卫星云图、地面观测站数据，以及社会经济、节假日、政策等影响能源供需的外部因素。

数据治理与质量提升针对数据缺失、异常、格式不一致等问题，采用插值法补全、3σ准则检测异常、统一数据格式等方法，并利用联邦学习技术在保护隐私前提下实现多主体数据协同训练。算法层：能源场景专用模型开发01风光功率预测模型：提升新能源消纳能力针对风电、光伏的间歇性与波动性，开发融合气象数据与历史发电数据的专用预测模型。如南方电网广西电网公司的“大瓦特—天璇—阿度气象新能源预测大模型”，采用百亿参数级Swin－Transformer架构，将新能源预测精度提升到89％以上，有效支撑电网调度。02设备健康管理模型：实现预测性维护基于设备运行数据与故障历史，构建AI故障预测模型。如阿特斯阳光电力集团的智维光伏电池项目，AI故障预测及时性大幅提升，诊断与处理方案准确率达78.33%，实现从“事后修复”到“事前干预”的运维模式转变。03能源调度优化模型：实现源网荷储协同开发考虑多能源品种、多时空尺度的协同优化算法。如国家能源集团“擎源”大模型，首创能优化多种能源协同调度的引擎，实现对风、光、火、水等多种能源的协同优化，已在13个核心场景应用，单台机组生产成本降低0.3%。04虚拟电厂聚合控制模型：激活灵活性资源通过AI算法聚合分布式能源、储能及可调负荷。如苏州苏高新能源服务有限公司的AI电力交易体系，融合Transformer注意力机制与多模型动态选优技术，电力现货价格预测准确率较常规模型提升7%-30%，实现虚拟电厂负荷智能调节与售电交易托管联动。应用层：端边云协同的能源智能体

端侧智能：设备级实时感知与执行在设备端部署轻量化AI模型，实现实时数据采集与本地快速响应。如光伏组件的AI清洁机器人，通过视觉识别自动清除表面污垢，使发电效率提升15%以上；风电设备的振动传感器结合边缘AI算法，可提前预警轴承故障，减少非计划停机。

边缘协同：区域级优化与边缘计算在工业园区、微电网等区域边缘节点，部署边缘计算平台与AI调度算法。例如江苏首座AI智慧调控光储充换一体化站，通过边缘AI实时预测区域内光伏出力与充电负荷，实现储能与柔性负荷的协同优化，光伏消纳率提升至99.7%。

云端大脑：全局优化与决策支持云端部署能源大模型，整合多区域、多类型能源数据，提供全局优化决策。如国家电网“光明电力大模型”，通过云端AI实现跨区域电网负荷预测与新能源消纳优化，将风电、光伏预测误差降低，提升电网调度效率。

协同案例：虚拟电厂的智能聚合端边云协同构建虚拟电厂智能体，聚合分布式光伏、储能、电动汽车等资源。苏州苏高新能源的AI电力交易体系，通过云端价格预测模型（准确率超90%）与边缘侧负荷调节算法联动，实现虚拟电厂参与电力市场交易，提升收益25%以上。算力支撑：算电协同的绿色智能体系

01算电协同的核心内涵算电协同是指将AI算力需求与电力系统运行深度融合，通过“算随电用、电随算动”的闭环，实现算力与电力的动态匹配和优化调度，旨在破解智算高能耗难题，提升能源利用效率。

02关键技术：自适应能量操作系统基于全栈自研的能源大模型，构建自适应能量操作系统和算电一体化协同平台。相较于传统策略算法，具备更强的泛化推理能力，可大幅提升能源系统平衡策略生成的实时性、精准度和可解释性，预测准确性超90%，决策准确性达95%以上。

03应用价值：安全、结构优化与效益提升算电协同筑牢安全底线，通过分钟级预测与修正策略保证能源系统运行安全；优化能源结构，实现高比例清洁能源利用；提升经济效益，通过容量控制与市场化交易，实现能源降本与额外收益。

04典型案例：临港AIDC算电协同平台达卯科技联合商汤、宁德时代落地“临港AIDC算电协同平台”，通过精细化能源运营实现能源成本降低6.5%，为算电协同提供了创新样板。新能源生产端AI核心应用场景03风光功率预测：从经验估算到智能精算

传统预测方法的局限性传统风光功率预测多依赖气象站数据和人工经验，对复杂气象条件适应性差，预测误差较高，难以满足高比例新能源并网后的调度需求。

AI预测技术的核心突破AI技术通过融合多源数据（如数值天气预报、卫星云图、历史发电数据），采用深度学习模型（如LSTM、Transformer）捕捉气象与出力的非线性关系，显著提升预测精度。

关键技术指标与行业应用目前行业领先的AI预测模型可将风电功率预测精度提升至93%（国网新疆案例），光伏预测精度超89%（广西电网“大瓦特—天璇”模型），有效降低弃风弃光率，提升电网消纳能力。

典型案例：国能日新「旷冥」3.0大模型该模型依托6000余家新能源场站实测数据和45年气象资料，输出100米级高精度风速、辐照度数据，误差低于传统数值预报，助力客户提升电力交易收益和市场博弈能力。设备健康管理：预测性维护技术实践预测性维护：从被动到主动的范式转变传统设备维护多为故障发生后的被动维修或固定周期的预防性维护，存在过度维护或突发故障风险。预测性维护通过AI算法分析设备运行数据，提前识别潜在故障，实现从"事后抢修"向"事前预警"的转变，显著提升设备可靠性并降低运维成本。关键技术：数据采集与智能诊断模型核心在于通过传感器网络（如振动、温度、局放传感器）实时采集设备运行数据，结合机器学习算法（如LSTM、CNN）构建故障预测模型。例如，某水电厂引入AI声纹监测系统，对设备异常工况的识别准确率超过90%，比人工巡检提前2天预警。光伏电站AI运维：提升效率与降低成本阿特斯阳光电力集团构建“数据采集-诊断分析-执行反馈”全闭环AI智慧维修体系，OPC协议直连设备终端实现秒级故障识别响应，诊断准确率达78.33%，新基地知识迁移周期缩短60%以上，显著提升光伏电池生产效能。储能与动力电池健康监测AI技术可精准估算电池剩余电量（SOC）、健康状态（SOH）及剩余寿命，通过差异化充放电策略延长电池组使用寿命。宁德新能源（ATL）锂电知识大脑中的设备智能运维助手，帮助员工快速获取设备故障解决方案，减少设备宕机时间。电站智能运维：无人化巡检与效率优化

无人机+AI视觉：空中巡检革新搭载高清摄像头和热成像仪的无人机，结合AI图像识别算法，可自动检测光伏板热斑、灰尘遮挡、风机叶片裂纹等缺陷，实现精准定位和预测性维护。南方电网已完成全域输变配电设备“固定＋移动”机巢远程调控全覆盖，输电CV大模型可同时识别46种缺陷隐患，准确率超80％。

智能机器人：地面巡检主力智能清洗机器人通过自动化、智能化作业，可降低光伏组件清洗成本20%以上，提升发电效率15%以上。苏州高新绿色低碳科技产业发展有限公司的智能清洁机器人为光伏电站智能化运维提供了可复制方案。

设备健康管理：预测性维护体系通过部署传感器网络采集设备振动、温度等关键参量，结合AI故障预测性维护模型，实现缺陷隐患提前预警。阿特斯阳光电力集团构建“数据采集-诊断分析-执行反馈”全闭环AI智慧维修体系，AI故障预测及时性大幅提升，诊断与处理方案准确率达78.33%。

性能优化：AI驱动效能提升AI分析历史运行数据，为光伏电站提供最佳倾角和清洗方案建议；为风电场提供风机偏航、变桨的优化策略，最大化发电效率。AI调控火电机组燃烧效率，可将供电煤耗降至280克/千瓦时的国际先进水平，一个电厂年减排二氧化碳可达50万吨。案例解析：某风电场AI功率预测系统应用项目背景与技术架构某风电场为解决风电出力波动性难题，引入基于深度学习的AI功率预测系统，融合气象数据（风速、辐照度、云量）、历史发电数据及设备状态信息，构建CNN-LSTM混合预测模型，实现超短期（0-4小时）至中长期（1-7天）的多时间尺度功率预测。核心功能与预测精度系统核心功能包括实时数据采集、多模型动态选优、误差反馈修正。实际运行中，超短期预测精度达95%以上，短期（1天）预测精度超90%，较传统物理模型误差降低30%，有效支撑电网调度与新能源消纳。应用成效与经济价值通过AI预测系统，风电场弃风率从8%降至5%以下，年增发电量约1200万千瓦时；参与电力市场交易时，因预测准确性提升，交易收益增加25%，同时减少电网调峰压力，年节约系统备用成本超300万元。储能与电网环节AI创新应用04电池管理系统：AI优化充放电策略AI提升电池健康状态评估精度AI算法通过分析电池充放电数据、温度变化等多维度信息，可精准估算电池的剩余电量（SOC）、健康状态（SOH）并预测剩余寿命，为充放电策略优化提供基础。动态优化充放电参数实现差异化管理基于AI的电池管理系统能够根据电池个体特性、使用场景及环境因素，动态调整充放电电流、电压等参数，在保证安全的前提下，最大限度延长电池组的使用寿命。AI助力电池能量优化与续航提升AI深度学习算法与新能源汽车电池能量优化问题紧密结合，通过对真实车型电池数据进行算法训练，可优化电池能量管理策略，提升车辆续航能力和能源利用效率。虚拟电厂：分布式能源聚合与协同调度

01虚拟电厂的核心定义与价值虚拟电厂通过AI技术聚合分布式光伏、储能、电动汽车等分散资源，形成统一调度的“云上电厂”，参与电网调峰，提升能源配置效率与电力市场灵活性。

02AI驱动的资源聚合与优化调度AI算法实现负荷侧资源智能识别与动态聚合，运用强化学习优化调度策略，提升响应速度与精度，构建多层次电力市场交易智能代理，匹配最优交易策略。

03典型案例：苏州苏高新能源AI电力交易体系该体系融合Transformer注意力机制与多模型动态选优技术，电力现货价格预测准确率较常规模型提升7%-30%，实现虚拟电厂负荷智能调节与售电交易托管高效联动，降低企业用电成本，提升交易收益。

04协鑫能科&蚂蚁数科：能源AI服务平台探索双方共建“蚂蚁鑫能”平台，聚焦AI大模型技术赋能虚拟电厂等全场景，探索能源即服务（EaaS）和能源资产数字化（RWA）等创新模式，推动新能源生态体系构建。智能电网：源网荷储协同控制技术

源网荷储协同的核心目标智能电网通过AI技术实现电源、电网、负荷、储能多环节的动态平衡，提升新能源消纳能力，保障电网安全稳定运行，优化能源配置效率。

AI驱动的全景感知与智能调度构建跨层级能源大数据平台，实现毫秒级状态感知。部署电力大模型开展多时间尺度负荷预测与新能源出力精算，推动调度从"经验驱动"转向"模型驱动"。

虚拟电厂与灵活性资源聚合AI技术聚合分布式光伏、电动汽车、储能设施等灵活性资源，构建虚拟电厂智能管控系统，实现百万级终端毫秒级响应，参与电网调峰辅助服务。

算电协同与绿电高效利用建设算力设施与清洁能源协同调度平台，开发数据中心负荷柔性调节模型，实现算力任务与电力现货市场智能匹配，推动算力从"被动用电"升级为"主动调荷"。案例解析：算电协同平台节能实践达卯科技与宁德时代合作项目达卯科技联合宁德时代、商汤科技发布“算电协同平台”，核心是“算随电用、电随算动”的闭环，将AI算力与储能调度深度整合。商汤临港AIDC应用成效该平台在商汤智算中心成功应用，实现能源预测准确率超88%，将年PUE优化至1.28以下，为破解智算高能耗难题提供创新样板。福建大数据集团项目收益在福建大数据集团算电协同与长乐区虚拟电厂项目上，实现提升能源运营收益25%以上。新能源汽车领域AI深度赋能05电池健康监测与寿命预测01AI驱动的电池健康状态（SOH）评估AI算法通过分析电池充放电数据、温度变化等多维度信息，可精准评估电池健康状态（SOH），为电池维护和更换提供科学依据。例如，宁德新能源（ATL）的锂电知识大脑通过专业知识问答场景，辅助工程师快速获取电池健康状态信息。02基于AI的剩余寿命（RUL）预测利用机器学习模型对电池循环次数、衰减速率等数据进行学习，实现对电池剩余寿命（RUL）的准确预测。这有助于优化电池更换策略，降低运营成本，提升新能源储能系统和电动汽车的可靠性。03动态充放电策略优化AI技术能够根据电池实时状态和使用场景，动态调整充放电策略，在保证安全的前提下，最大限度延长电池组的使用寿命。如深度智控为宁德新能源打造的AI节能项目，通过优化策略提升了系统能效比。04故障预警与安全防护AI系统实时监测电池运行参数，识别异常特征，提前预警潜在故障，如热失控风险，为电池安全运行提供关键保障。这在新能源汽车和储能电站的安全管理中至关重要。智能充电网络优化调度

用户侧充电需求智能预测AI通过分析用户历史充电数据、出行习惯、车型电池参数及电价信息，精准预测充电需求。例如，某AI系统可提前7个月提供逐小时电力需求预测，准确率超过98%，为充电网络规划提供数据支撑。

充电桩动态负荷分配基于实时充电负荷和电网承载能力，AI动态分配充电桩功率，避免区域电网负荷过载。如AI算法可综合考虑充电桩使用情况和电网容量，实现负荷的智能调节，提升充电效率。

峰谷电价引导与成本优化AI结合分时电价政策，引导用户在电价低谷时段充电，降低用户用电成本，同时平抑电网峰谷差。例如，通过APP向用户推送最优充电时段建议，实现用户与电网的双赢。

车网互动（V2G）协同调度AI赋能电动汽车参与电网调峰，在用电高峰时将电池储能反向放电至电网，成为分布式储能资源。某虚拟电厂通过AI整合电动汽车资源，实现了电网的“灵活调节池”功能。车网互动(V2G)技术应用前景V2G技术的核心价值

V2G技术实现电动汽车与电网的双向能量与信息互动，可将电动汽车转化为分布式储能资源，参与电网调峰填谷、提供辅助服务，提升电网对新能源的消纳能力，同时为车主创造额外收益。典型应用场景

包括削峰填谷（如利用电动汽车在用电低谷充电、高峰放电）、调频辅助服务（快速响应电网频率波动）、微电网储能支撑（增强微电网稳定性）以及紧急供电（灾害时作为应急电源）等。技术与市场发展现状

目前V2G技术处于示范应用阶段，部分国家已开展试点项目。据行业预测，随着电动汽车渗透率提升和技术成熟，2030年全球V2G市场规模有望显著增长，成为智能电网重要组成部分。面临的挑战与未来趋势

挑战主要包括标准统一、电池寿命影响、经济性以及电网基础设施适配等。未来趋势将向规模化、智能化发展，结合AI优化调度算法，实现电动汽车与可再生能源的协同高效利用。案例解析：锂电知识大脑提升研发效率

案例企业与核心定位宁德新能源科技有限公司（ATL）聚焦锂离子电池研发生产，其锂电知识大脑融合大语言模型，构建集知识管理、智能分析、办公提效与决策支持于一体的智能化平台，核心目标是提升企业运营效率，赋能锂电业务创新与流程优化。

四大特色应用场景平台涵盖个人助手（如报告撰写、邮件编辑）、虚拟员工（如招聘智能助手）、专业知识问答（如设备智能运维、研发知识）、先进数据分析（自然语言驱动数据分析）四大场景，覆盖个人办公、客户服务、专业研发、数据决策全链条。

核心技术方案以本地部署大语言模型为核心基座，整合PromptEngineering、Embedding、RAG、FunctionCall等关键技术，结合自主研发算法与功能模块，精准匹配应用场景需求，并与企业现有IT系统深度集成，保障信息安全，提升响应速率，降低使用成本。

应用成效与价值成效显著：研发人员文献处理效率提升60%以上，设备故障解决效率提高，招聘助手累计解答超4万条问题，实现“人找知识”到“知识找人”的转变，降低人力成本，提升运营效率，为锂电行业智能化转型提供实践经验。AI赋能新能源产业价值分析06效率提升：全链条运营成本优化

发电端：AI驱动效能跃升火电领域，AI控制系统动态调整燃烧参数，可将供电煤耗降至280克/千瓦时国际先进水平，单厂年减排二氧化碳达50万吨。新能源方面，AI风光功率预测准确率可达90%，有效指导储能充放，提升风电场利用小时数。

输配电端：智能调度降损增效AI算法优化电网调度，综合考虑风光波动、用户习惯及电网承载力，提升能源配置效率。例如，某区域电网应用AI后，线路损耗显著降低，新能源消纳率提升。深圳电网AI配网自动化系统将故障平均修复时间从45分钟缩短至2分钟。

储能与交易端：AI创造经济价值AI优化储能充放电策略，如山东滨州智慧储能电站AI交易智能体峰谷价差预测准确率达95%，实现自动化交易，提升收益。虚拟电厂通过AI整合分布式资源，参与电网调峰，如苏州苏高新能源AI电力交易体系提升交易收益25%以上。

运维端：预测性维护减少停机AI预测性维护系统通过分析设备传感器数据，提前预警故障。例如，某大型油田采用后设备故障率下降28%，维护成本降低22%。光伏领域，AI驱动的智维体系故障诊断准确率达78.33%，新基地知识迁移周期缩短60%。安全保障：风险预警与故障防控电网故障智能预警与自愈AI算法可提前预测线路故障，大幅缩短停电时间。如深圳电网部署的AI配网自动化系统，将故障平均修复时间从45分钟缩短至2分钟；广西电网基于“大瓦特—天璇”模型开发的电网断面调控智能体，实现“故障告警—断面监视—风险预测—高效预控”全流程智能决策。新能源电站设备健康监测AI驱动的监测系统持续排查设备隐患。如在深海油气平台，AI监测系统确保开采作业安全稳定；光伏电站通过AI图像识别算法自动检测光伏板热斑、灰尘遮挡等缺陷，实现精准定位和预测性维护，某能源企业通过部署AI运维系统，将变压器故障预测准确率大幅提升。核电安全智能管控AI成为核电高安全要求领域的“安全员”。秦山核电的智能报警系统采用多源数据融合，将误报率从30%降至5%，关键报警响应时间缩短至5秒；海南昌江核电站的动态风险评估模型，整合200多个变量生成风险热力图，将风险识别覆盖率从65%提升至98%。煤矿安全智能监测煤矿智能监测系统能实时分析瓦斯浓度、顶板压力数据，有效降低安全事故风险。AI智能巡检系统实现输煤皮带全天候无人巡检，盘古矿山大模型可将高风险作业的监管流程从72小时压缩至10分钟，人工审核量减少82%。低碳贡献：双碳目标加速实现路径

提升新能源消纳能力AI风光功率预测模型可精准预判新能源出力，如南方电网广西电网公司的预测模型将新能源预测精度提升到89％以上，有效支撑电网接纳新能源，减少弃风弃光，推动能源结构绿色转型。

优化能源系统运行效率AI通过优化发电、储能与用电侧的协同调度，全面提升系统整体运行质量。例如，国家能源集团国电电力构建的燃煤电厂“智能大脑”，实时调整燃烧策略，使煤耗降低2%-3%，同时减少污染物排放。

赋能工业与建筑节能AI能效诊断服务帮助工业企业优化用电方案，如广东东莞供电局为工业企业提供的服务，帮助企业降低能耗15%。在建筑领域，AI可统筹协调分布式光伏、储能等设备，提升能源利用效率。

推动交通领域低碳转型AI优化电动汽车充电策略，引导用户错峰充电，避免对电网冲击，甚至实现“车网互动（V2G）”。虚拟电厂通过AI整合分散的储能、电动汽车资源，参与电网调峰，助力交通领域碳减排。商业模式创新：能源服务新生态单击此处添加正文

虚拟电厂：聚合分散资源参与电力市场虚拟电厂通过AI整合分布式光伏、储能、电