AI在电力技术中的应用

AI在电力技术中的应用汇报人:XXX20XX/XX/XXCONTENTS目录01

电力系统智能化转型背景02

AI核心技术在电力系统中的应用原理03

AI在电力负荷预测与优化中的实践04

AI驱动的电力设备故障诊断与预测CONTENTS目录05

AI在新能源并网与消纳中的应用06

智能电网调度与自动化控制07

AI技术应用挑战与对策08

未来展望与发展趋势电力系统智能化转型背景01传统电力系统面临的挑战设备老化与故障频发传统电力系统中，大量设备服役时间长，如美国超过30%的输电线路服役超过40年，设备老化导致故障率上升，影响系统稳定运行。新能源并网消纳困难2023年中国新能源并网占比达38%，但消纳率仅为75%，传统调度手段难以应对新能源的间歇性和波动性，制约了新能源的大规模应用。负荷波动与供需平衡难题电力负荷受季节、气象等因素影响波动剧烈，如夏季高峰负荷较冬季高出2-3倍，传统预测方法误差率高，难以实现精准的供需平衡调控。运维模式效率低下传统依赖人工巡检和定期维护的模式，存在过度检修或检修不足的问题，如某省级电网因设备故障导致的停电损失每年高达数百亿美元，运维成本高企。极端天气应对能力不足在极端天气条件下，传统电力系统抗灾能力弱，如2022年日本某电网因极端天气导致的设备损坏中，80%属于防雷能力不足，易引发大面积停电事故。AI技术赋能电力行业的价值提升电网运行效率与稳定性AI技术通过实时监测与智能调度，可显著提升电网运行效率。如国网湖南长沙供电公司的人工智能调度员“光明”，能在数分钟内完成人工半小时的负荷分析与转供方案编制，2025年迎峰度夏期间成功处置多起重载运行风险，实现电网“无感保供”。优化新能源消纳与利用AI助力破解新能源消纳难题，提升其“可调度性”。某省级电网公司应用AI预测系统后，风电功率预测误差率降低至5%以下，光伏预测误差率降低至3%以下，显著提升了新能源并网效率，推动新能源从“补充能源”向“主体能源”转变。变革电力设备运维模式AI驱动电力设备运维从“定期检修”向“预测性维护”跨越。通过智能传感与机器学习算法，可提前预警设备潜在故障。如某变电站通过图像识别技术，将绝缘子缺陷检测效率提升6倍，某省级电网无人机AI巡检系统缺陷识别准确率超95%，巡检效率提升50%以上。促进电力市场交易与用户互动AI构建智能交易平台，优化电力市场交易。某新能源发电企业应用AI交易系统后，年度交易电量提升15%，电费收入增加10%。同时，AI推动需求响应机制智能化，如某商业综合体通过负荷预测实现智能插座调度，2025年减少峰值负荷5%，用户满意度提升30%。全球能源转型下的技术需求

新能源高比例并网带来的挑战2025年底中国风电、太阳能发电总装机达18.4亿千瓦，历史性超过火电，风光发电量占全社会用电量比重提升至22.2%，其波动性、不确定性对电网稳定运行提出更高要求。

电力系统运行机理的深刻变革传统“以供带需”的线性模式逐渐向“源网荷储互动”的复杂生态转变，调度决策从单变量判断升级为多变量耦合，亟需智能技术支撑。

极端天气与多元负荷的应对需求极端天气频发导致电网故障风险增加，如2024年欧洲因暴风导致12%区域停电；电动汽车、新型储能、虚拟电厂等多元负荷广泛接入，进一步加剧系统复杂性。

提升电网智能化水平的迫切性国际能源署（IEA）报告显示，到2026年，全球智能电网投资将达1200亿美元，AI技术应用占比预计超35%，以应对能源转型下的效率、安全与可持续发展需求。AI核心技术在电力系统中的应用原理02机器学习算法在电力数据分析中的应用01监督学习：电力系统故障分类与回归预测监督学习通过历史数据训练模型，可实现故障类型识别与参数预测。例如，支持向量机（SVM）用于电力设备故障分类，随机森林算法对电力系统温度、电压等参数进行回归预测，及时发现潜在故障风险。02无监督学习：电力数据聚类与异常检测无监督学习无需人工标注，能从海量数据中挖掘隐藏模式。聚类算法可对电力负荷特性进行分组，辅助电网规划；孤立森林等算法能自动识别用电行为或设备运行中的异常数据，为防窃电和故障预警提供支持。03强化学习：电力系统动态优化与决策支持强化学习通过与环境交互学习最优策略，在电力调度中表现突出。如采用Q-learning或深度强化学习（DRL）优化电力设备运行策略，实现智能调度，提升电网运行效率与稳定性，降低网损。04集成学习：提升电力预测与诊断的鲁棒性集成学习结合多种模型优势，提高预测与诊断精度。例如，通过超参数优化、正则化技术和集成学习方法优化机器学习模型，结合设备生命周期管理，可实现电力负荷、新能源发电量的精准预测和设备故障的可靠诊断。深度学习在复杂故障模式识别中的优势多层次特征自动提取能力

深度学习通过多层神经网络结构，可从电力系统多源异构数据（如振动信号、温度数据、电流数据）中自动提取故障特征，无需人工经验设计，显著提升特征提取的全面性和精准度。非线性关系建模能力

电力系统故障与特征参数间存在复杂非线性关系，深度学习模型（如CNN、RNN）能有效捕捉这些非线性模式，相比传统线性方法，对如变压器绝缘老化、输电线路覆冰舞动等复杂故障的识别准确率更高。处理高维数据与噪声鲁棒性

面对电力系统海量高维监测数据及不可避免的噪声干扰，深度学习模型具备强大的数据处理和抗噪能力，可在包含大量干扰信息的数据中准确识别故障模式，提高故障诊断的可靠性。多模态数据融合分析

深度学习支持融合图像、文本、传感器等多模态数据进行故障识别，例如结合计算机视觉识别设备外观缺陷与电气参数异常，实现对电力设备故障的全方位、多维度精准判断。强化学习在电力调度中的框架设计构建"状态空间-动作空间-奖励函数"核心框架，状态空间包含当前负荷、气象数据、设备状态等1200维参数，通过PPO算法在负荷波动超20%场景下保持误差率<8%，实现动态调度优化。多智能体协同决策机制采用多智能体强化学习（MARL）技术，将工业园区内空调、储能设备等作为独立智能体，通过通信协议协同响应电网调度指令，某项目实现夏季峰值负荷降低10%，节省电费超500万元。智能决策支持系统架构实现基于"强化学习模型+专家规则库"双驱动架构，集成负荷预测、故障诊断、调度优化模块，某省级电网系统在台风期间将变电站过载事件减少70%，响应速度较人工调度快3倍。安全约束与鲁棒性优化引入LQR+L1正则化技术处理电网安全约束，将约束违反率从15%降至0.3%；结合持续学习算法动态更新模型，确保在极端天气等罕见场景下决策鲁棒性，2025年某系统通过该技术提前72小时精准预测冰雪天气负荷下降30%。强化学习与智能决策支持系统构建计算机视觉与电力设备状态监测核心技术与算法路线基于CNN、RPN等算法的视觉感知在电力设备图像分析中发挥作用，从图像分类到目标检测，支持设备状态识别。智能巡检与缺陷识别通过增强现实技术实现设备状态三维可视化监控，结合深度学习，某项目对绝缘子破损、导线断股等缺陷识别准确率超过95%。前沿技术与挑战应对自监督学习提升小样本数据适用性，模型压缩技术减少计算资源需求，推动多传感器融合和实时视觉处理在电力设备监测中的应用。AI在电力负荷预测与优化中的实践03基于深度学习的短期负荷预测模型

01模型架构：LSTM与Transformer的融合应用LSTM（长短期记忆网络）能有效捕捉负荷数据的时间序列依赖关系，如某地电网负荷周末比工作日下降12%的周期性变化；Transformer模型通过自注意力机制可处理多源数据间的复杂关联，某省电网采用LSTM+Transformer混合模型，未来24小时负荷预测误差从9%降至5%。

02多源数据融合技术融合气象（温度、湿度）、经济、社交媒体等12类数据，提升预测精度。例如，加入经济数据后预测误差降低21%；动态气象集成技术实时处理超过40,000个天气观测点数据，在2026年极端天气下，预测精度比行业平均水平高出20%-30%。

03模型优化策略采用多尺度傅里叶变换捕捉日/周/年周期性特征，加入日周期特征后误差降低27%，冬季场景准确率提升22%；通过SMOTE+GAN技术合成包含10种极端天气的负荷数据，使模型在罕见场景的鲁棒性提升35%；利用AutoML自动生成2000个特征，预测精度提升18%。

04实时性与轻量化设计某城市级模型在边缘计算设备上部署，推理速度达0.3秒，满足秒级负荷调整需求；通过模型压缩技术将计算量降低80%，在保证精度的同时提升实时响应能力，适应电力系统对短期负荷预测的高时效性要求。多源数据融合提升预测精度的方法

多模态数据采集策略集成12类数据源，包括气象（温度、湿度）、经济、社会活动、智能电表、设备状态（变压器负载率）、新能源出力、地理信息、历史负荷、用户行为、电网拓扑、市场交易、环境参数等，构建全面的数据基础。

数据预处理与特征工程采用双向注意力机制填充历史数据，提升预测精度19%；基于孤立森林算法识别设备故障导致的负荷突变；利用AutoML自动生成2000个特征，使预测精度提升18%；通过多尺度傅里叶变换捕捉负荷曲线的日/周/年周期性，加入日周期特征后误差降低27%。

先进算法融合应用Multi-ModalTransformer融合气象、经济等多源数据，某项目显示加入经济数据后预测误差降低21%；ST-GNN（时空图神经网络）适合分布式负荷，泛化能力强；LSTM+Transformer混合模型在负荷预测中MAPE值仅为1.8%，优于传统ARIMA的8.2%。

动态权重与实时优化动态权重分配：最近7天数据权重为50%，使模型更关注近期变化；结合强化学习算法，根据实时数据反馈调整模型参数，实现预测模型的持续优化，提升对突发情况的响应能力。强化学习在需求侧响应优化中的应用需求侧响应优化的核心目标通过动态调整用户用电行为，实现电网峰谷负荷削峰填谷，提升电力资源利用率，降低用户用电成本，增强电网稳定性。强化学习的技术优势具备自主决策与动态优化能力，能基于实时电价、负荷数据及用户反馈，通过奖励机制持续优化调度策略，适应复杂多变的用电场景。典型应用场景与成效某商业综合体采用Q-learning算法优化智能插座调度，2025年减少峰值负荷5%，用户满意度提升30%；某工业园区通过多智能体强化学习优化空调负荷分配，夏季峰值负荷降低10%，年节省电费超500万元。关键技术实现路径构建包含当前负荷、气象数据、设备状态的状态空间，设计融合负荷误差与设备寿命损耗的奖励函数，采用PPO、DQN等算法进行策略优化与评估，结合边缘计算实现实时响应。传统方法局限性：极端天气下误差率18%2023年台风"梅花"导致负荷骤降，传统统计模型预测误差率高达18%，难以应对复杂气象条件下的非线性变化。AI混合模型应用：多源数据融合提升精度某省级电网采用LSTM+Transformer混合模型，融合气象、经济等12类数据，2024年测试中对负荷突变预测准确率提升至92%，误差率降至5%。实际效益：避免变电站过载与成本节约2025年春节冰雪天气期间，AI模型提前72小时预测负荷下降30%，误差仅5%，成功避免3起变电站过载事件，节省运维成本超2000万元。负荷预测案例：从误差率18%到5%AI驱动的电力设备故障诊断与预测04变压器故障AI诊断技术与应用

变压器故障AI诊断技术原理基于SOA-SVM等机器学习算法构建变压器故障诊断模型，通过分析油色谱数据（如H2、CH4、C2H2气体浓度）、振动信号、温度数据等多源信息，实现对过热、放电等潜在隐患的精准识别与早期预警。

关键AI技术在变压器诊断中的应用深度学习技术可自动提取变压器故障特征，结合历史数据进行故障预测；智能代理技术模拟专家判断过程，通过分析实时状态参数辅助故障定位与成因分析，提升诊断效率与准确性。

变压器故障AI诊断的实际应用案例国内某企业研发的基于深度学习的电力设备异常检测系统，实现对变压器智能化检测和故障判定分析，诊断精度较高；某研究通过LSTM+GCN模型分析设备间关联关系，变压器故障预警准确率达91%。

AI诊断技术对变压器运维的价值AI诊断技术实现从传统定期检修向预测性维护转变，可提前发现设备潜在故障，如某变电站通过AI系统提前3个月预警变压器油浸状态异常，避免重大设备事故，降低运维成本，延长设备寿命。输电线路智能巡检与缺陷识别

智能巡检技术体系构建融合无人机自主巡航、机器人沿缆检测及分布式光纤传感技术，形成空地一体巡检网络。某省级电网部署后，巡检覆盖率提升至99.8%，数据采集密度达传统人工的50倍。

缺陷识别算法创新应用基于改进YOLOv8算法实现绝缘子破损、导线断股等12类缺陷实时识别，准确率达95.3%，较传统人工识别效率提升6倍。2025年某项目通过该技术提前发现23处重大隐患。

极端环境适应性优化采用多光谱成像与红外热像融合技术，在-30℃至70℃环境下仍保持稳定工作。2026年台风季期间，某沿海电网AI巡检系统实现98%设备状态有效监测。

巡检数据闭环管理平台构建"采集-分析-预警-处置"全流程平台，支持缺陷自动分级与维修工单生成。应用后平均故障响应时间从150分钟缩短至32分钟，年减少停电损失超1.2亿元。基于数字孪生的设备健康状态评估

数字孪生技术在设备评估中的核心价值数字孪生技术通过构建电气设备的虚拟模型，实现物理实体与虚拟模型的实时数据交互与映射，为设备健康状态评估提供了精准、动态的技术支撑，可有效避免传统评估方法的滞后性和局限性。

多物理场仿真与虚拟测试的应用利用数字孪生进行多物理场仿真，能够模拟电气设备的电磁、热、结构等多物理场耦合作用，如GIS设备数字孪生模型可通过虚拟碰撞检测发现设计缺陷，提前规避现场施工问题；同时支持虚拟测试，在模拟实际运行环境中验证设备性能与健康状态。

设备全生命周期健康数据的整合与分析数字孪生平台整合设备从设计、制造、安装到运行、维护的全生命周期数据，结合AI算法对振动、温度、局部放电等多源监测数据进行深度分析，构建设备健康状态评估体系，实现从“被动抢修”到“主动预防”的转变。

实际应用案例与效益某项目建立GIS设备数字孪生模型，通过虚拟碰撞检测发现设计缺陷23处，避免现场施工问题62%；某变电站利用数字孪生技术实现设备故障提前预警，有效避免了重大设备事故，显著提升了设备运行可靠性并降低运维成本。故障预测案例：提前72小时预警冰雪天气负荷骤降预测某城市2025年春节期间，因冰雪天气导致负荷下降30%，AI模型提前72小时预测误差仅5%，避免了3起变电站过载事件。变压器故障预警基于AI的电力设备状态监测系统，通过分析变压器油中溶解气体等数据，可提前3个月预警潜在故障，某电厂应用中准确率达92%。输电线路绝缘子老化预警2024年德国某输电线路部署AI驱动的智能传感系统，实时监测温度、湿度等参数，提前3天预警绝缘子老化问题，避免大规模停电事故。AI在新能源并网与消纳中的应用05风电功率预测模型与优化策略

多模态融合预测模型集成深度学习与强化学习算法，结合数值天气预报、卫星遥感、地面观测等多源数据构建高精度模型。某省级电网应用后，风电功率预测误差率降低至5%以下。

动态权重分配训练策略采用动态权重分配，将最近7天数据权重设为50%，使模型更关注近期变化，提升对短期负荷波动的预测能力，在2024年某省电网测试中效果显著。

混合模型架构优化TGConv-LSTM混合模型在处理节点间依赖关系时，对新能源占比超40%的电网预测误差降低34%；某省电网采用该模型，未来24小时负荷预测误差从9%降至5%。

极端天气鲁棒性提升通过SMOTE+GAN技术合成包含10种极端天气的负荷数据，使模型在罕见场景的鲁棒性提升35%，2026年德州寒潮期间，预测精度比行业平均水平高出20%-30%。光伏出力预测中的AI技术应用

多源数据融合的预测模型AI技术通过融合数值天气预报、卫星遥感、地面观测等多源数据，构建高精度预测模型。某省级电网公司应用AI预测系统后，光伏预测误差率降低至3%以下。

深度学习算法的应用优势采用LSTM、CNN-LSTM等深度学习算法捕捉光伏发电的非线性特性，较传统统计模型（如ARIMA）误差率降低显著。例如，某研究中CNN-LSTM混合模型对光伏出力突变的预测准确率提升至92%。

预测精度提升的经济效益高精度的光伏出力预测可减少弃光现象，提高新能源消纳率。2026年数据显示，AI预测技术帮助某风电场提升发电效率12%，为光伏电站提供颗粒度达到5分钟的发电量预测，极大降低弃光罚款。储能系统智能充放电控制算法

基于深度学习的充放电策略优化通过LSTM+Transformer混合模型分析电网负荷、新能源发电及电价波动，动态调整储能充放电功率与时长，实现"低买高卖"，某项目应用后降低用户用电成本15%。

强化学习在需求响应中的应用采用PPO算法优化储能参与电网调峰调频，某省级电网项目在负荷波动超20%时仍保持误差率<8%，提升电网稳定性。

多目标协同控制模型构建融合经济性、安全性与电池寿命的多目标优化模型，某储能电站应用后设备故障率下降34%，同时延长电池循环寿命20%。省级电网AI预测系统应用某省级电网公司应用AI预测系统后，风电功率预测误差率降低至5%以下，光伏预测误差率降低至3%以下，显著提升了新能源并网效率。风光储一体化项目协同优化在风光储一体化项目中，AI系统根据风电、光伏的出力特性，自动分配储能充放电任务，确保新能源发电的连续性与稳定性，有效提升消纳率。虚拟电厂参与调峰辅助服务安徽宣城全域虚拟电厂融合AI技术，聚合超五百台套分布式能源设备，十五天内百分百响应九次电网调度邀约，平均响应时长仅三分钟，高效实现电网削峰填谷，促进新能源消纳。新型储能人工智能数据分析平台我国自主研发的首个新型储能人工智能数据分析平台，接入8座电站共计230万个数据采集点，试运行一年以来，新能源消纳电量提升约30%。新能源消纳率提升案例分析智能电网调度与自动化控制06AI调度系统架构与关键技术

云边端协同架构设计采用云边端协同架构，云端负责全局优化与模型训练，边缘端（如变电站部署的NVIDIAJetsonAGX模块）实现本地AI推理延迟<100ms，端侧传感器网络采用LoRaWAN协议实现99.8%数据采集覆盖率，构建高效数据处理链路。

多模态数据融合技术融合SCADA系统、无人机巡检、传感器网络等12类数据源，通过Multi-ModalTransformer技术整合气象、经济、设备状态等多源异构数据，某省级平台数据湖存储量达10PB，数据接入延迟<100ms，为精准调度提供数据支撑。

智能决策算法体系构建“大模型+机理模型+规则库”协同决策体系，采用PPO算法优化动态负荷调度，在负荷波动超20%时仍保持误差率<8%；结合LSTM+Transformer混合模型实现负荷预测MAPE值低至1.8%，支撑电网“秒级响应”调度需求。

数字孪生与实时仿真建立电网数字孪生模型，实时模拟电网运行状态，某省级电网AI调度系统可在数分钟内完成人工半小时的负荷分析与转供方案编制，2025年迎峰度夏期间成功处置多起重载运行风险，实现电网“无感保供”。电网安全稳定运行的智能决策

01智能调度系统：电网的“智慧大脑”AI调度系统采用“大模型+机理模型+规则库”协同架构，可在数分钟内完成以往人工半小时才能完成的负荷分析与转供方案编制。如国网湖南长沙供电公司的人工智能调度员“光明”，在2025年迎峰度夏期间成功处置多起重载运行风险，实现电网“无感保供”。

02数字孪生电网：实时模拟与风险预警通过构建数字孪生电网，AI技术可实时模拟电网运行状态，提前预警潜在故障。南方电网都匀供电局依托“调度信息问询智能体”等智能化应用，将主网异常处置效率提升30%以上，调度日志录入时长缩短60%。

03极端天气应对：提升电网抗灾能力AI技术结合气象数据和电网运行数据，能有效应对极端天气带来的挑战。如某省级电网在2024年台风期间启用强化学习调度系统，通过提前构建电网在台风场景的动力学模型，使变电站过载事件减少70%。

04多源协同优化：源网荷储互动的智能决策AI技术通过对新能源发电、储能设备、用户负荷等多源数据的分析，实现“源网荷储”协同互动的智能决策。当某区域新能源发电过剩时，AI系统可迅速调整周边火电机组出力或启动储能设备，避免电网频率波动；负荷突增时，可快速调用分布式能源参与供电，实现“削峰填谷”。分布式能源协同优化控制多能互补协同控制策略基于强化学习的多能互补协同控制策略，实现风电、光伏、储能、微燃机等分布式能源的优化调度，某工业园区项目峰谷差率从1.8:1降至1.2:1，降低变压器容量需求30%。虚拟电厂聚合优化技术AI技术聚合分布式能源形成虚拟电厂，安徽宣城全域虚拟电厂十五天内百分百响应九次电网调度邀约，平均响应时长仅三分钟，上海虚拟电厂2025年夏季实现百万千瓦级电力资源调用。动态功率预测与平滑控制采用LSTM+Transformer混合模型进行分布式能源功率预测，某风电场预测精度达89%，结合储能系统实现出力平滑控制，新能源消纳率提升约30%，弃风弃光罚款显著降低。智能调度案例：网损降低1.2%

案例背景与技术方案某省级电网引入强化学习算法优化调度方案，针对典型日负荷曲线进行智能调整。系统采用"大模型+机理模型+规则库"协同架构，实现负荷分析与转供方案的快速编制。

核心优化指标与成效通过AI调度系统的运行，该典型日网损降低1.2%，年节省电量消耗1.5亿kWh。同时，系统在数分钟内完成传统人工半小时的调度决策工作，大幅提升响应效率。

技术创新点与推广价值项目创新融合多源数据（气象、负荷、设备状态）与实时优化算法，验证了AI在复杂电网场景下的实用性。其技术框架已在多个省级电网推广，为新型电力系统智能调度提供可复用方案。AI技术应用挑战与对策07数据质量与共享机制问题数据质量挑战电力系统数据存在数据缺失、噪声干扰、数据不平衡等问题，影响AI模型训练效果。如某变电站历史故障数据中，极端天气导致的故障样本占比不足5%，易造成模型对罕见故障识别能力不足。数据孤岛现象不同电力企业、部门间数据标准不统一，共享机制不完善，形成数据孤岛。2026年调研显示，国内省级电网间数据共享率不足30%，制约跨区域AI模型的泛化能力。数据安全与隐私保护电力数据涉及国家能源安全，数据共享需平衡开放性与安全性。采用隐私计算、数据脱敏等技术，可实现“数据可用不可见”，如联邦学习在负荷预测中的应用，在保护数据隐私的同时提升预测精度。算法可解释性与可靠性保障可解释AI技术在电力系统中的应用采用可解释AI技术（如LIME算法）增强电力系统AI模型透明度，帮助运维人员理解模型决策依据，解决"算法黑箱"问题，提升对AI诊断结果的信任度。人机协同决策机制的构建建立人机协同决策流程，AI系统提供故障诊断建议，人类专家进行最终决策，避免过度依赖AI，结合双方优势，提高电力系统故障处理的可靠性与安全性。模型性能反馈循环机制的建立构建模型性能反馈循环机制，持续监控AI模型在电力系统中的表现，收集实际运行数据，用于模型迭代优化，确保算法在复杂多变的电力环境中保持稳定可靠。数据质量持续监控与优化对电力系统多源异构数据进行持续监控与优化，采用数据清洗、归一化等技术处理数据缺失、噪声和不平衡问题，为AI算法提供高质量数据输入，保障诊断与预测的准确性。算力基础设施与成本控制

边缘计算与算力分布优化在电力系统中，边缘计算技术使AI模型能在设备端本地运行，减少数据传输延迟，提升系统响应速度。例如，变电站部署边缘AI一体机，实现本地AI推理延迟<100ms，增强实时性。

算存网云协同架构通过超节点/集群与灵衢高速互联、OceanStorAI存储、星河AI网络，构筑全场景AI算力底座。华为与五大发电集团合作，在新能源功率预测等场景打造可复用示范样板，提升算力利用效率。

算力成本优化策略针对AI芯片研发和制造成本高的问题，采用轻量化模型压缩技术，将某AI模型计算量降低80%；同时探索边缘AI一体机等方案，推动AI从中心训练走向厂站侧边缘，降低总体算力成本。

绿电支撑算力绿色发展国家数据局明确枢纽节点新建