AI 人工智能赋能新型电力系统：关键技术、现实挑战与全链条协同

人工智能赋能新型电力系统：关键技术、现实挑战与全链条协同钟志勇教授

THEHONGKONGPOLYTECHNICUNIVERSITY香港理工大學DEPARTMENT

OFELECTRICALANDELECTRONICENGINEERING電機及電子工程學系ResearchCentre

forGRIDMODERNISATION電纲現代化研究中心IEEE电力与能源学会主席钟志

勇

院士·领衔加拿大萨斯喀彻温省开发极端天气下的智能电网技术研发(曾担任萨省电力公司智能电网首席科学家及加拿大自然科学与工程研究委员会/萨省电力公司智能电网技术高级工业研究首席科学家)。·开发了3套商用软件包(全球超过140家电力公司和100所高校使用),以及4款电动汽车充电器，包括已在香港理工大学唯港荟酒店部署的智能超快速540

kW电动汽车充电器。·

加拿大工程院院士；2021年IEEE加拿大电力奖(加拿大电力领域最高荣誉)。·港理工电机及电子工程学系主任香港规模最大的强电流研究团队奥特迅+university

partnersIEEE:全球规模最大的专业技术协会(拥有超50万名会员)ResearchCentre

forGRIDMODERNISATION

電蜗现代化研究中心EEEDEPARTMENTOFELECTRICALANDELECTRONICENGINEERING電楼及

電

子

工

程

翠

系南方电网Mecmorudumod

lulesandinbeingCcemoyPESPower

&Energ,00S0o项iety°现行技术标准中华电力80+existingindustrialcollaboratorsand20全球合作网络合作网络个人介绍电源侧

：以火电

、水电为主体，出力稳

定、可控性极强电

网侧：大电网集中输电、逐级配电，电源到负荷单向输送用

户

侧

：用户用电负荷相对稳定

，峰谷规律清晰、可预判性强电网侧(输电+配电)高压输电工业负荷火电厂变电站水电站配电网传统电力系统的构成与运行模式人工智能AI

赋能新型电力系统现实挑战与未来方向产业布局-IGET平台传统电力系统是以火电为主、水电为辅的集中式能源供给体系，整体呈现“单向、集中、可控

”的运行特征传统系统新型电力系统建设意义核心特点带来的挑战人工智能赋能传统电力系统单项供电架构示意图新型电力系统背景调

度

侧

：经验+固定策略，依赖稳定电源支撑电网平衡用户用电单向发电集中发电电源侧(集中式发电)居民负荷商业负荷双碳目标下传统电力系统的突出短板随着国家“碳达峰、碳中和

”战略推进，传统火电主导的电力系统暴露出多重不可调和的矛盾碳排放高、污染压力大火电依赖化石能源，无法适配双碳减排要求4

电网灵活性与调节能力不足

数字化智能化水平低化石能源不可再生，长期发展存在能源安全隐患新型电力系统建设意义核心特点带来的挑战人工智能赋能人工智能产业布局-IGET

平台

核心结论：传统电网适配稳定能源、稳定负荷的时代需求电源可调、负荷可调空间小，无法适配新型多元用能场景现实挑战与未来方向AI

赋能新型电力系统依赖人工经验调度，无法处理复杂的电新型电力系统背景传统系统15网数据政策驱动2021年国家首次明确提出构建以新能源为主体的新型电力系统。行业倒逼新能源占比持续提升

，传统

电网运行规则

、

调度逻辑彻

底不适用。能源结构传统化石能源减排压力巨大，风电、光伏装机规模连年爆发式增长。发展目标实现能源清洁化、低碳化、

安全化、智能化、高效化升

级。风电和光伏装机规模跨越式增长新型电力系统的提出背景产业布局-IGET

平台

新型电力系统是以新能源为主体、传统能源为支撑、多能互补、智能调度的新一代电力系统新型电力系统是国家双碳战略+能源安全战略+新能源大规模并网共同催生的全新能源体系，是电力行业的系统性变革传统系统新型电力系统建设意义核心特点带来的挑战人工智能赋能新型电力系统背景AI

赋能新型电力系统现实挑战与未来方向人工智能落实双碳核心目标通过大幅提升风光新能源占

比，替代化石能源，从源头

降低电力行业碳排放，是全保障国家能源安全摆

脱

对

进口

化

石

能

源

的依赖

，

利用国内丰

富的

风

光

资

源，实

现

能源自主可控适配能源转型顶层设计是新型能源体系建设的核心载体，是国家能源革命的关键落地工程清洁低碳加快绿色转型安全高效保障能源安全智能协同提升系统效能建设新型电力系统的国家战略意义战略目标：实现国家“双碳”

目标、构建清洁低碳、安全高效、智能协同的新型能源体系传统系统新型电力系统建设意义核心特点带来的挑战人工智能赋能建设新型电力系统是实现双碳目标、保障能源安全、推动能源转型的核心战略支撑新型电力系统背景AI

赋能新型电力系统人工智能产业布局-IGET平台现实挑战与未来方向建设新型电力系统的行业与社会价值人工智能AI

赋能新型电力系统现实挑战与未来方向产业布局-IGET平台虚拟电厂(聚合协同)新能源汽车数据中心多

能

互

补通过多元储能、柔性负荷、多能互补，增强电网抗扰动能力4、支撑新型产业发展解决传统电网弃风、弃光问题，最大化利用清洁能源3、降低社会用电成本传统系统新型电力系统建设意义核心特点带来的挑战人工智能赋能适配数据中心、新能源汽车、新型储能、虚拟电厂等新兴负荷的用电需求新能源度电成本持续下降，规模化替代火电可有效压降全社会用电成本新型电力系统背景2、提升电网安全稳定水平1、破除新能源消纳难题新型储能

虚拟电厂平台相比传统电力系统“稳定、集中、单向、可控

”的特点，新型电力系统在电源侧、荷侧、运行模式、系统层面等五个维度呈现全新特征电网侧、负传统系统新型电力系统传统电力系统特征建设意义稳定核心特点以稳定供电为核心

电源侧

电网侧

负荷侧

运行模式系统层面带来的挑战集中人工智能赋能源网荷高度集中单向人工智能电力单向流动负荷呈现柔性、多元、随机化，

可主动响应系统数据海量化

，

运行复杂度上升核心目标：建设安全、经济、清洁、高效、智能的新型电力系统，支撑“双碳

”

目标与能源转型新型电力系统区别于传统系统的特征新型电力系统背景AI

赋能新型电力系统现实挑战与未来方向可控可预测

、

可调控性强新能源成主体

，

波动性

、显著增强运行模式转向市场化交易电

网

双

向

互动

，

源网荷储高度协同产业布局-IGET

平台传统电源结构(火电)◎

火电主导可控性强集中式电源为主◎

运行特性可预测传统火电出力曲线出力稳定，可预测0600新型电源结构(新能源)风光主体◎依赖天气、风速

波动性、随机性◎

储能大量接入风光出力波动曲线出力波凉鲤动性大25%00.00

6090

12:001800核心变化主体转变：新能源成为主体电源出力特征：波动性、间歇性显著增强结构变化：火电转为调节性

、支撑性备用电源新增主体：分布式电源与储能大量接入特征1:电源侧——新能源为主体

，波动性显著增强传统系统新型电力系统建设意义核心特点带来的挑战人工智能赋能电源结构从“火电为主

”转变为“风电、光伏新能源为主

”,电源出力从“稳定可控”变为“动态不可控”。新型电力系统背景AI

赋能新型电力系统现实挑战与未来方向人工智能核心结论：

电源从“稳定可控

”→“动态不可控

”,对电网调节能力提出产业布局-IGET

平台

更高要求传统电网(单向输电)

新型电网(双向互动)集中式电源

多元分布式电源智能电网(双向互动)用电负荷(单向用电)

多元负荷与储能(可发可用)特征2:电网侧——双向互动

、源网荷储高度耦合电网从“单向输电

”转变为“双向互动、源网荷储协同

”,形态从“刚性电网

”转变为“柔性

电网

”,大幅提升系统灵活性、韧性与消纳能力。核心结论：

电网从“单向输电

”“双向互动

”,形态从“

刚性电网

”“柔性电网

”,灵活性大幅提升。传统系统新型电力系统建设意义核心特点带来的挑战人工智能赋能新型电力系统背景人工智能AI

赋能新型电力系统现实挑战与未来方向产业布局-IGET

平台输电网络(单向)随着AI应用加速发展，智算中心正成为支撑智能计算的关键基础设施，其能源消耗呈快速攀升趋势。国际能源署预测，到2030年，全球数据中心耗电量将达到945太瓦时，较2024年实现翻倍增长。我国算力规模年均增速已达45%,2025年智算中心能耗预计较2020年增长6倍，电力需求增速显著高于传统工业领域。93.8%

92.4%74.7%70.5%4782248512827521200010000502%6000400020002020

2027E供给规模20%特征3:负荷侧——柔性化

、

多元化

、随机化二

级

(

机

房

)不

间断

电源PSU(DC/DC)

48Vdc后备电池

超级电容(分钟级)

(ms&

秒级)人工智能AI

赋能新型电力系统现实挑战与未来方向Cluster

ITload

(GW)2024年全球大型数据中心集群分布图传统系统新型电力系统建设意义核心特点带来的挑战人工智能赋能新型电力系统背景产业布局-IGET

平台三级(园区)PCS长时储能(小时级》数据来源：IEA(2025),Energy

and

Al,IEA,Paris;科智咨询《2024-2025年中国智算中心市场发展研究报告》2020-2027年中国智算中心供给规模及预测PearlRiver

DeltaSingapore高密智算(三级联合储能)智算中心三级储能供电架构ChicagoNorthern

Virginia市电一绿电

一OmahaDallasBeijingShanghai变压器xPU工业、居民用电规律稳定、刚性不可调

，峰谷规律相

对清晰

，

以“

保障供电

”为主新能源汽车、数据中心、

充电桩、楼宇负荷、虚拟

电厂等柔性负荷大规模接

入储能、可中断负荷，可移峰负荷；

需求响应价格激励

，

由

“

用

电

端

”转

向“

调节端

”特征3:负荷侧——柔性化

、

多元化

、随机化负荷侧价值释放路径被动用电

可观测

可预测

可调节

主动响应从“

刚性用电

”转向“

柔性资源池

”传统负荷新型负荷

可调节资源负荷特征：用电峰谷差拉大、用电随机性增强、可调节资源海量增加全新模式：负荷不再是被动用电，可参与电网调峰、调频、需求响应传统系统新型电力系统建设意义核心特点带来的挑战人工智能赋能新型电力系统背景人工智能AI

赋能新型电力系统现实挑战与未来方向需求响应、调峰、调频成为负荷侧价值释放的新入口产业布局-IGET平台从“计划调度

”走向“价格发现+多主体参与

”传统模式：电网统一计划调度、固定电价；新型模式：中长期交易、现货交易、辅助服务市场、绿电交易全面落地；参与主体增多：电厂、售电公司、大用户、虚拟电厂、储能均可参与市场交易；价格动态波动：电价随供需、时段、风光出力实时变化。多主体入市：从单一调度到交易协同交易品种与价格信号特征4:运行模式——市场化交易全面普及人工智能AI

赋能新型电力系统现实挑战与未来方向产业布局-IGET平台锁定基础电量与风险边界反映小时级供需与边际成本调峰、调频、备用获得补偿环境属性与消费责任显性化传统系统新型电力系统建设意义核心特点带来的挑战人工智能赋能新型电力系统背景中长期现货辅助服务绿电中长期

|现货

|辅助服务

|绿电电力市场交易平台售电公司虚拟电厂发电企业大用户供需变化、时段价值、风光出力共同塑造动态电价储能电网新型电力系统背景传统系统新型电力系统建设意义核心特点带来的挑战人工智能赋能人工智能AI赋能新型电力系统现实挑战与未来方向产

业

布

局-

IGET平

台新型电力系统带来的运行新挑战解决方法

：面对多重挑战，AI技术全面赋能预测、调度、数据、安全与市场决策推动新型电力系统从“经验驱动”迈向“智能驱动”,实现更安全、更高效、更灵活、更清洁的电力未来。功率平衡难：●新能源发电波动性强●功率预测精度低●响应速度要求高市场优化难：●动态电价●多主体博弈复杂●整体经济最优运行难调度决策难：●分布式柔性资源多●市场主体多●优化变量维度高正是以上五大全新特点，导致传统人工调度、传统算法、传统管理模式失效，

出现四大难题：故障感知难：●

网络节点多●系统状态变化快协同调度：AI可实时处理源网荷储多变量，实现全局最优协同调度新型电力系统的复杂新特点市场交易：AI

可实时处理海量市场数据，实现智能报价与最优交易策略传统方法解决不了的难题风光出力随机性：AI深度学习可精准预测风光出力，抵消新能源波动不确定性安全运维：AI智能巡检、故障诊断、风险预判，提升电网安全稳定性AI

赋能新型电力系统的底层逻辑人工智能AI

赋能新型电力系统现实挑战与未来方向产业布局-IGET

平台传统系统新型电力系统建设意义核心特点带来的挑战人工智能赋能用数据驱动和智能优化方法解决传统方法难以处理的问题新型电力系统背景AI

借助数据驱动与智能优化解决传统难题AI能赋能新型电力系统的底层逻辑AI

智能化运营新型电力系统是双碳战略与能源转型的必然产物，是电力行业的颠覆性升级，相较于传统系统，新型电力系统具备清洁化、双向化、柔性化、市场化、复杂化全新特征，人工智能是适配新型电力系统运营的核心支撑技术，是实现电网安全、高效、经济、绿色运行的关键。叠凹语功率预测：风电、光伏短期精准预测，解决波动性难题智能调度：源网荷储一体化智能优化调度柔性调控：空调、充电桩、楼宇负荷智能需求

响应市场决策：智能报价、最优交易、收益优化智能运维：故障识别、缺陷预判、状态监测风险预警：阻塞预警、电压越限、安全稳定预判Al

在新型电力系统的核心应用场景人工智能AI

赋能新型电力系统现实挑战与未来方向新型电力系统背景传统系统新型电力系统建设意义核心特点带来的挑战人工智能赋能产业布局-IGET

平台

未来电力系统将全面走向高新能源占比+全场景AI

智能运营的智慧能源体系研究范畴AI是涵盖多种方法和应用的庞大技术体系：·计算机视觉：图像识别·自然语言处理：文本理解·语音识别：语音转文字·知识图谱：知识表示·机器人学：自主控制上层：应用系统AI不是单一技术，而是模整训连

优

化算法推理与决篮多层技术栈反馈数据

与进行状态的复杂体系底层：硬件与数据(CPU/TPJ/CPUI

服务器与案涯

存储系统

数

据

资

激

兹

据

平

龄共同构成完整Al

生态1950

年图灵测试：

智能的判定标准阿兰

·

图灵在《计算机器与智能》中提出：如果人类无法通过文字对话区分机器与真人，则可认为该机器具有智能。这一思想实验至今仍是AI哲学讨论的重要基石。人工智能(Artificial

Intelligence,AI)是研究如何使机器能够模拟、延伸和扩展人类智能的科学与技术，包括感知世界、逻辑推理、

自主学习和决策交互等智能行为。什么是人工智能新型电力系统背景人工智能技术体系发展历程电力系统智能化启产业布局-IGET

平台现实挑战与未来方向AI赋能新型电力系统各层相互支撑，参数量巨大(数十亿至数千亿),具备涌现能力和通用性通过预训练+微调适配各种下游任务基于多层神经网络，自动提取数据的层次化特征表示通过数据自动学习规律，无需显式编程规则技术体系发展历程电力系统智能化启AI赋能新型电力系统现实挑战与未来方向产业布局-IGET平台人工智能(

ArtificialIntelligence,AI)机器学习

(

Machine

Learning,ML)深度学习

(

DeepLearning,DL)大模型/基础模型Al

技术体系：从Al到大模型的层次关系类比理解：AI如同“交通工具”

,ML如同“汽车”

,DL如同“电动汽车”,大模型如同“

自动驾驶电动车”,每一层都是上一层的子集，但技术能力逐层聚焦与深化。最广泛的概念AI的核心子领域ML的重要分支DL的前沿形态新型电力系统背景人工智能核心思想通过多层神经网络自动学习层次化特征表示代表架构·

卷积神经网络(

CNN)·

循环神经网络(

RNN/LSTM)·

Transformer

(注意力机制)技术特点·自动特征提取·适合大规模非结构化数据·

需要大量数据和算力电力系统应用光伏功率预测、缺陷检测、文本挖掘核心思想从标注数据中学习输入到输出的映射函数代表算法·线性回归、决策树、随机森林·

支持向量机(

SVM)、K近邻技术特点·

需要人工特征工程·适合结构化数据，可解释性强·数据量要求相对较低电力系统应用负荷预测、设备故障分类、电价预测Al主要类型

(一):传统机器学习与深度学习核心差异：传统ML依赖人工特征工程，适合结构化数据；深度学习自动提取特征，适合图像、文本、时序等非结构化数据。两者在电力系统中各有适用场景。深度学习传统机器学习技术体系发展历程电力系统智能化启现实挑战与未来方向新型电力系统背景人工智能产业布局-IGET

平台AI

赋能新型电力系统强化学习核心思想智能体通过与环境交互，

以

“试错

”方式学习最优策略关键要素·

状

态State·

动

作

Action·

奖

励

Reward·

策

略Policy技术特点·

适

合序列决策·

无需标注数据·

与环境交互自主学习电力应用电网/储能调度优化

、需求响应生成式AI核心思想学习数据分布

，生成与训练数据相似的新内容代表技术·

GAN(

生成对抗网络)·

VAE(

变分自编码器)·Diffusion

(

扩散模型)技术特点·能够创造全新内容·

图像

、文本、音频生成·

数据增强与场景模拟电力应用场景生成

、负荷曲线合成

、数据增强基础模型/大模型核心思想海量数据上预训练超大规模模型，微调适配下游任务代表模型·Chatgpt、Gemini、Claude·DeepSeek·

文心一言

、通义千问

、豆包技术特点·

涌现能力·

上下文学习·

少样本/零样本学习电力应用知识问答

、报告生成

、辅助决策Al主要类型(二):强化学习

、生成式AI与基础模型新型电力系统背景人工智能三种技术范式各有侧重

，在电力系统中可协同应用：

RL优化决策

、生成式Al增强数据

、大模型提供认知能力技术体系发展历程电力系统智能化启现实挑战与未来方向产业布局-IGET平台AI赋能新型电力系统1950图灵测试提出：阿兰

·

图灵发表《计算机器与智能》,提出图灵测试——AI思想的萌芽，探讨"机器能否思考"这一根本问题人工智能技术体系发展历程电力系统智能化启19561957达特茅斯会议："人工智能"术语正式诞生。麦卡锡、明斯基、香农等科学家齐聚达特茅斯学院，提出核心命题——"学习的每一个方面或智能的任何特征，原则上都可以被精确描述，以至于可以用机器来模拟"感知机诞生：罗森布拉特发明感知机(

Perceptron),第一个具有学习能力的神经网络算AI赋能新型电力系统法，开启了机器学习的先河现实挑战与未来方向1960s早期乐观主义：AI研究获得大量政府资助，专家乐观预言"二十年内机器将能做任何人类能做的事"。符号主义(逻辑推理+知识表示)成为主流范式产业布局-IGET平台1970s第一次AI寒冬：1969年明斯基和佩珀特出版《感知机》,证明单层感知机无法解决异或问题。计算能力严重不足，政府资助大幅削减，AI研究陷入长达近十年的低谷期Al发展简史

(一):诞生与早期探索新型电力系统背景注：这一阶段的A1以符号主义为主流

，依赖逻辑推理和知识表示，与后来的连接主义(神经网络)形成鲜明对比。1950s—

1970s人工智能1980s专家系统的黄金时代：将领域专家的知识编码为“如果-那么“规则，构建知识库和推理引擎·

代表系统：MYCIN(

医疗诊断)、DENDRAL(

化学分析)·局限性：知识获取瓶颈、规则维护困难、缺乏学习能力、泛化能力差技术体系1987-93发展历程第二次AI寒冬：专家系统维护成本高昂，实际效果未达预期。个人计算机性能超越专用电力系统智能化启LISP机器，专用硬件市场崩溃。日本第五代计算机计划失败，政府和企业投资锐减AI赋能新型电力系统1990s统计机器学习崛起：从“知识驱动”转向“数据驱动”——不再手工编码规则，而是从数据中学习规律。SVM

(支持向量机)、随机森林、贝叶斯网络等方法成为主流现实挑战与未来方向1997深蓝战胜卡斯帕罗夫：IBMDeepBlue击败国际象棋世界冠军，标志着暴力搜索+专用硬件产业布局-IGET平台在受限领域可超越人类专家，但方法泛化性有限Al

发展

简史

(二)

:

专家

系统兴衰

与第

二次寒冬两次AI寒冬的共同教训：

过度承诺技术能力

、忽视基础理论瓶颈

、资金断流导致研究停滞

，

这些经验对当前AI热潮具有重要警示意义。1980s—1990s新型电力系统背景2006—2017深度学习复兴：Hinton提出深度信念网络(

DBN),

有效解决深层神经网络训练难题，"

深度学习"概念重新获得学术界关注AlexNet:

深度学习爆发元年：在ImageNet图像识别竞赛中，AlexNet以巨大优势获胜，错误率从26.2%骤降至15.3%。GPU并行训练成为深度学习标配，标志着大数据+大算力

时代的开启GAN诞生：Goodfellow提出生成对抗网络(

Generative

Adversarial

Network),

生成

器与判别器相互博弈，开启生成式AI新范式AlphaGo击败李世石：AI发展的里程碑事件。技术核心：深度神经网络+蒙特卡洛树

搜索(MCTS)+

强化学习。围棋搜索空间远超国际象棋(10170

vs1047),被视为AI难

以攻克的最后堡垒Transformer架构：Google提出"AttentionIsAIIYouNeed",

自注意力机制取代

RNN/CNN,成为现代大语言模型的基础架构，彻底改变了NLP领域深度学习三要素：

大数据+大算力(GPU)+

大模型(深层网络),三者缺一不可。人工智能技术体系发展历程电力系统智能化启AI赋能新型电力系统现实挑战与未来方向产业布局-IGET平台Al

发

展

简

史

(

三

)

:深度学习革命与AlphaGo20062012201420162017新型电力系统背景GPT-3发布(1750亿参数):展现惊人的上下文学习和少样本能力。“涌现能力”

(EmergentAbilities)

概念提出——模型规模达到阈值后能力突然跃升ChatGPT发布——大模型从实验室走向大众：两个月内用户破亿，史上增长最快的应用。标志着A1从”识别型"向"生成型+对话型”的根本转变，自然语言成为人机交互的新界面大模型百花齐放：GPT-4、Claude、文心一言、通义千问等竞相发布。多模态能力成为标配——文本、图像、代码的统一理解与生成DeepSeek系列——国产大模型的突破：DeepSeek-V2/V3以极低成本实现接近GPT-4的性能；MLA架构创新大幅降低推理成本。DeepSeek-R1开源推理模型，在数学、编程等任务上媲美OpenAl

o1,推动大模型技术民主化Sora发布——视频生成里程碑：能够生成60秒高质量连贯视频，展现"世界模型"雏形。基于扩散模型+Transformer架构，将视频视为时空块序列进行生成大模型核心范式：

预训练+微调+提示工程+人类反馈强化学习新型电力系统背景人工智能技术体系发展历程电力系统智能化启AI赋能新型电力系统现实挑战与未来方向产业布局-IGET平台AI发展简史

(四):大模型时代20202022.112023202

420242020—20242025—至推理模型确立新范式：以

DeepSeek-R1、OpenAlo3

为代表。大模型具备了“慢思考”能力，通过内在的思维链与自我纠错，实现了AI从“直觉式生成”到“严密逻辑推演”的跨越。智能体

(Agent)跨出聊天框：以

OpenAIOperator、Claude3.7

为代表。AI

获得计算机“操作权限”,能够像人一样跨越不同软件自主规划并执行长线任

务，正式从“对话工具”进阶为“数字员工”。群体智能(

Multi-Agent)重塑工作流：企业级多智能体框架全面商用。以微

软AutoGen、CrewAI

为代表，单打独斗的

Al

被“硅基团队”取代，通过角

色分工(如规划、执行、测试)与高速协同，开始接管复杂的系统级工程。具身智能(

Embodied

AI)

跨越数字边界：端到端大模型(视觉-语言-动作)爆发。以TeslaOptimusGen2、宇树科技(

UnitreeG1)等端到端

VLA

大

模型。Al

突破屏幕限制，深度理解三维空间与物理常识，能在真实环境中自

主作业，完成从“数字大脑”到“物理实体”的终极闭环。新型电力系统背景人工智能技术体系发展历程电力系统智能化启AI赋能新型电力系统现实挑战与未来方向产业布局-IGET平台Al

发展

简史

(

五)

:

智

能体

时代2025年初2025年上半年2025年下半年2026年初智能体范式：推理期计算+动态记忆与规划+通用计算机操作+多智能体网络核心转变：AI

从基于直觉的

“

对话型工具

”

,演变为具备慢思考

、

长航时

、

能自主操作软件并团队协作的

“

数字员工

”。今T

三

SL

再针对当前形势的辅助决策下一步是什么?—基于树搜索的决策基于机器学习

，通过削减搜索树上

的大量叶子来降低复杂性价值网络：策略网络：

策略执行的结果落子选址问题

Posson

分析突破性应用—AlphaGo

的启示：机器学习+搜索+决策技术体系发展历程电

力系

统

智能

化

启AI赋能新型电力系统现实挑战与未来方向产业布局-IGET平台策略网络Policy

Network深度学习训练

，预测下一步落子概率作用：提供”直觉”——快速判断哪些位置值得考虑价值网络Value

Network评估当前棋局的胜率作用：提供“判断“——量化评估局面优劣蒙特卡洛树搜索MCTS系统性探索未来可能的棋局变化作用：提供“深度思考”——在关键决策点精细推演新型电力系统背景人工智能深度学习提供“直觉”,搜索提供“深度思考”,强化学习提供“策略评估”三者协同决策资料来源

：https://www.davidsilver.uk/wp-content/uploads/2020/03/AlphaGo-tutorial-

slides_compressed.pdf技术架构解析机器学习人类专家及自生成对局对电力系统的启示电力知识管理整合运行规程

、设备手册

、历史案例

、调度经验

，构建统一电力知识库智能调度助手调度员通过自然语言查询决策建议：·

“负荷预测偏差大，调整哪些机组?

”·"某线路N-1故障后转供方案?"报告与分析自动化·自动生成运行分析报告·

故障诊断报告自动撰写图片识别与生成从"识别模式"到"理解语义"理解上下文

、推理逻辑关系从"分类预测"到"生成创造"撰写报告

、编写代码

、生成方案从"单任务"到"通用智能"一个模型处理多种不同任务ChatGPT的革命性意义·自然语言交互降低使用门槛DeepSeek的技术创新·

极致性价比：

1/10训练成本ChatGPT与DeepSeek的启示：从识别到推理与决策大语言模型的核心能力跃迁技术体系发展历程电力系统智能化启现实挑战与未来方向人工智能产业布局-IGET

平台AI赋能新型电力系统新型电力系统背景文本撰写编程辅助对电力系统的深层启示多模态数据融合电力系统包含时序数据

、

图像

(巡检照片)

、

文本

(调度

日志)

、

视频

(监控

画

面)

,

多模态AI可

以统

一处理这

些

异构数据2

场

景

生

成

与

仿

真生成极端天气下的电网运行场景，用于压力测试和应急预案演练，

弥补历史极端事件数据稀缺的短板"电

力

系

统

世

界模

型

"

的

构

想借鉴Sora"理解物理世界"的思路

，构建电力系统世界模型——模拟不同调度策略下电网的演化过程

，实现"先仿真

、后决策"3Sora的启示：多模态生成与世界模型Sora

的技术突破从文本到视频生成能够生成60秒高质量连贯视频

，从静态图像生成跨越到动态时空序列生成

，代表了生成式A1的新高度世界模型雏形模型理解物理世界的规律

，例如重

力

、碰撞

、光影

、流体运动

，这是通向通用人工智能的重要一步时空一致性保持物体在时间和空间上的物

理合理性

，人物

、场景

、光影在视频中保持连续和一致技术体系发展历程电

力系

统

智能

化

启现实挑战与未来方向人工智能新型电力系统背景AI赋能新型电力系统产业布局-IGET平台技术架构：扩散模型+Transformer,将视频视为时空块序列进行生成Sora生成视频·AI

赋能自主式智能电网，围绕功率预测、设备监测、系统运行和稳定性分析四类关键任务，实现从数据感知、状态评估到优化决策和安全控制的协同运行；·贯穿感知—预测—诊断—决策—控制—反

馈的全链条智能核心，推动电网向自学习、自适应和自主运行方向发展整体框架AI

赋能新型电力系统功率预测设备监测系统运行稳定性分析现实挑战与未来方向产业布局-IGET平台新型电力系统背景人工智能AI

模

型LSTM,Transformner,T

FM自主式智能电网实时感知

自适应优化弹

性

运

行稳定性分析最优潮流实时热定值AI

技

术L20,DRL,Hybrid控制动作机组组合储能/电动汽车调度ALC分发和控制AI模型CNN,Autoencoder,Foundation

Models稳定性边界与告警智能电表

、分布式能源

、气象数据实时状态设

备

检

测Zipeng

Liang,C.Y.Chung,et

al.Next-Generation

AITechniquesfor

AutonomousSmartGrids:Stateofthe

ArtandFuture

Perspectives,Engineering,Under

Review预测系统运行AI

模

型Transformer,GNN,SGFM,DigitalTwin瞬

态

稳

定

性

评

估(TSA)电压稳定性故障诊断与故

障定位电力质量评估新能源发电预测净负荷预测设备健康监测

异

常

和

入侵检测传感器

(IEDs)微波负荷预测电价预测网络物理安全安全PMU测量

，网络拓扑电网状态(实时)功率预测负荷预测·

根据历史数据和影响因素预测负荷需求·

根据微电网、配电系统和输电系统分类新型电力系统背景人工智能工业负荷商业负荷居民负荷学校负荷多步尺度预测分层预测概率预测产业布局-IGET平台AI

赋能新型电力系统现实挑战与未来方向负荷

典型负荷曲线

人工智能模型功率预测设备监测系统运行稳定性分析Source:National

Energy

Administration,International

Energy

AgencywG

人k=

1.,2

i=1,…N·负荷和可再生能源在短时间内剧烈波动，特别是由于频繁的极端天气·

智能电表等先进的计量基础设施提高了配电网络的监测水平·

狄利克雷过程混合模型和基于树的集成学习框架能够处理负荷模式的不确定性并改进概率预测负荷预测Wang,B.,Mazhari,M.,&Chung,C.Y.(2022).Anovel

hybrid

methodforshort-term

probabilisticloadforecastingindistribution

networks.IEEETransactionson

SmartGrid,13(5).3650-3661.

Yu,GZ.,Lu,L.,Tang,B.Wang,S.Y.,&

Chung,C.Y(202).Ultra-short-termwind

powersubsectionforecasting

method

basedonextreme

weather.IEEETransactionson

Power

Systems.现实挑战与未来方向产业布局-IGET平台人工智能AI

赋能新型电力系统基于狄利克雷过程混合模型的集成学习框架新型电力系统背景狄利克雷过程混合模型概率负荷预测结果功率预测设备监测系统运行稳定性分析优

势电动汽车影响城市电力生态系统，对其负荷的准确预测对于电网可靠性、安全运行和经济规划至关重要核

心挑战数据特性带来的预测难题充电行为的高度不规则性、充电站特性的异构性，以及新建充电站面临的严重数

据稀缺问题，使得负荷预测极具挑战性现有模型泛化能力不足现有的统计模型、深度学习模型和基于Transformer的模型，往往过度依赖历史

数据，在面对使用模式差异巨大的不同充电站时，泛化能力表现不佳电动汽车充电负荷预测物理/统计模型深度学习模型Transformer/大模型精度瓶颈CNN/RNN

能力受限成本与适应性核心痛点：少样本/零样本性能骤降在新站场景下，现有模型缺乏足够数据支撑，导致预测效果显著下降现实挑战与未来方向产业布局-IGET平台难以捕捉复杂时空变化

CNN感受野有限与行为不确定性

RNN难以建模长期依赖Gu,X,Liang.Z,&Chung,

C.Y.STDeepSeek:Continual

Learning

EnhancedSpatio-Temporal

Large

Language

ModelforLoad

ForecastingofElectric

VehicleCharging

Stations.(TobePublished新型电力系统背景AI

赋能新型电力系统人工智能功率预测设备监测系统运行稳定性分析现有预测方法局

限参数量巨大训练部署成本高Froen

Pre

traimedMa-SaleTenpundEmbrdángFiae-Tuning&OnlineContinulLarning

doopsaak

L-Transforoer

BckTaeSnesChagingLaod电动汽车充电负荷预测充电汽车负荷预测时空大模型(STDeepSeek)少样本预测：解决新场站数据缺失场景的建模难题低算力需求：通过低秩适配器微调仅训练1.7%大模型参数在线学习机制：自适应优化预测能力，提升预测精度新型电力系统背景人工智能现实挑战与未来方向产业布局-IGET

平台地理信息+时间序列多源数据时空大模型STDeepSeek

算法架构图Gu,X,Liang.

Z.,&Chung,

C.Y.STDeepSeek:Continual

LearningEnhancedSpatiotemporal

Lange

Language

Modelfor

Load

ForecastingofElectric

VehicleChargingStations.(TobePublished)AI赋能新型电力系统深圳市充电桩数据集功率预测设备监测系统运行稳定性分析ModelMAERMSEMAPEWMAPER2LSTM31.1143.3318.1914.370.9282BiLSTM31.1744.2418.1314.400.9250GRU31.6445.1118.5514.620.9219BiGRU30.7943.1118.2314.230.9286CNN-LSTM30.8043.1017.9214.230.9289iTransformer29.9143.5717.4313.820.9258Chronos32.6949.0918.3015.100.9061TimeMoE30.5444.4817.5014.110.9227STDeepSeek24.7234.0214.7211.420.9550STDeepSeekt24.3233.4814.5911.230.9564电动汽车充电负荷预测准确预测62个场站未来24小时的充电负荷需求，平均准确率>88%现实挑战与未来方向产业布局-IGET

平台62个深圳市真实电动汽车充电站的充电数据(2022.09-2023.03)Gu,X,Liang.Z.,&Chung,C.Y.STDeepSeek:ContinualLearningEnhancedSpatio-Temporal

Large

Language

Modelfor

Load

ForecastingofElectric

VehicleCharging

Stations.(TobePublishedAI

赋能新型电力系统新型电力系统背景人工智能功率预测设备监测系统运行稳定性分析高精度高鲁棒高稳定少样本下预测62个场站未来24小时的充电负荷需求，准确率>85%Gu,X,Liang.Z,&Chung,C.Y.STDeepSeek:Continual

LearningEnhancedSpatio-Temporal

Large

LanguageModelforLoad

ForecastingofElectric

VehicleCharging

Stations.(TobePublished电动汽车充电负荷预测RMSE二BiLSTM5999BiGRU1

015iTransformerTimeMoESTDepSeekSTDeepSeck+误差仅为30.07%比最强的基准方法提高了9.4%误差仅为14.41%凸显了自适应学习在数据稀缺场景下的关键作用零样本预测设置使用在62个场站上训练的模型，迁移到另外62个场站进行推理少样本预测设置使用仅7天训练数据评估模型在数据受限场景下的预测能力新型电力系统背景人工智能现实挑战与未来方向产业布局-IGET

平台AI

赋能新型电力系统功率预测设备监测系统运行稳定性分析Model二LSTMGRUCNN-LSTM

iTransformerTimeMoESTDeepSeekSTDeepSeek+173120.5414.410.71

880.63670.898008155RMSE二853655.9569.

15134.09129.4799.85

□

36.18942430.0762L92571.04

5056744.3564.0532.7431.97

22

95215127.5420.0262,5559.4

2385

034,0445.68191.76190

30125.8435.05132169128129.13036030,0196168090.62166.8360MAE

71.292441228.13247680.3979负荷监测人工智能方法逼近NILM估计Schirmer,P.A.,&Mporas,I.(2022).Non-intrusiveloadmonitoring:Areview.IEEE

TransactionsonSmartGrid,14(1),769-784.新型电力系统背景人工智能现实挑战与未来方向产业布局-IGET

平台·

基于测量数据和人工智能方法提取设备的功率分解及其开启和关闭时间·

非侵入式负载监测

(NILM),与侵入式负载监测(

ILM)不

同AI

赋能新型电力系统功率预测设备监测系统运行稳定性分析大多数数据集来自美国、澳大利亚或欧洲(共29个数据集)由这些数据集训练的模型在香港或亚洲可能表现不佳当前非侵入式数据集ILM

测量off

OutputATrm

Trm

TrmTrmTrmBERT

BERTTrm

TrmTrmE1

E2

EN

EI

E2

ENGateA

GateBExpert1:DNN

Expert

2:CNNExpert3:TrmExpert4:TCN

ExpertS:LSTMTimeInput基于混合专家的多任务学习框架(

MMOE)优

势State:On/Off

Specificpowerconsumption·

协同效应：帮助联合训练模型更好

(状态：开/关)

(具体功率消耗)捕捉独立训练可能遗漏的共享模式·

多样性：专家是不同的AI网络提供多样性来源·

易于升级：利用多个共享底层(独立专家)较其他模型更易升级英国家庭电器数据集：五个房间房间：#1,3,4,5用电设备：

电热水壶

、冰箱

、洗衣干衣机

、微波炉等采样频率：

总采样频率和设备采样频率均为6秒房间：

#2用电设备：电热水壶、冰箱、洗衣干衣机、微波炉等采样频率：

总采样频率和设备采样频率均为6秒Zipeng

Liang.C.Y.Chung,Haosen

Yang,etal.,"AHeterogeneous

Multiple-Experts

Approach

to

Low-Frequency

Nonintrusive

Load

Monitoring,"in

IEEE

Transactionson

SmartGrid,vol.17,no.1.pp.746-765.Jan.2026新型电力系统背景人工智能产业布局-IGET平台AI

赋能新型电力系统现实挑战与未来方向功率预测设备监测系统运行稳定性分析负荷监测·训练集训练集基于混合专家的多任务学习框架(

MMOE)与当前最先进的CNN

、LSTM

、TCN等AI方法相比混合专家多任务学习AI方法能更好捕捉设备的用电模式·

在香港中华电力公司真实数据集上进行建模验证得到以下结果：·

采样频率为6s时，该方法比最强基线模型CNN方法精度高3%·

采样频率为15min时，该方法精度达92%,较CNN方法高15%15分钟采样频率下预测值与真实值曲线比较图200600

1000Sampling

pointsCNN0

200

400

1000Sampling

points所提MMOE新型电力系统背景人工智能AI

赋能新型电力系统Zipeng

Liang.C.Y.Chung.Haosen

Yang,etal.,"AHeterogeneous

Multiple-Experts

Approach

toLow-Frequency

Nonintrusive

Load

Monitoring,"in

IEEE

Transactionson

SmartGrid,vol.17,no.

1,pp.746-765,Jan.2026现实挑战与未来方向产业布局-IGET

平台设备监测系统运行稳定性分析负荷监测功率预测人工智能·

根据其容量分类电力系统需求侧Step-up

transformerplantPowerDi-grid

storageIndustrialloads

ResidentialT-gridloads功率预测设备监测系统运行稳定性分析Step-downtransformerMassive

renewable

generation

Distributed

renewable

generationCommercialloadsAI

方法现实挑战与未来方向数值天气预测产业布局-IGET

平台集中式光伏集中式风电分布式光伏发电预测可再生能源发电预测新型电力系统背景

·

基于历史数据和天气条件(或物理过程)预测可再生能源发电(例如，风能和太阳能)AI

赋能新型电力系统EducationalloadsPower统计与线性方法：DLinear,NLincar核心思想：将预测建模为历史观测的线性映射

，计算高效特点：

小数据下鲁棒性强

，但依赖严格线性假设

，难捕捉复杂非线性性时序深度学习方法：RNN类(

LSTM/GRU),

Transformer类(iTransformer等)核心思想：

通过循环结构或自注意力机制捕捉长短期依赖特点：

预测性能优于传统方法

，

是当前领域主流技术路线视觉融合深度学习核心思想：

融合高空影像

、卫星与云图等视觉信息与气象时序数据特点：直观反映云量与大气变化，改善天气突变时的预测效果气象条件突发性变化

、夜间零发电数据中断、实际场景数据稀疏缺失(a

)数据稀疏与突变适应难传统模型依赖历史数据

，难以应对天气突变导致的剧烈出力波动(

b)模型机制物理耦合不合理将时间依赖与变量交互耦合在同一注意力机制中

，可解释性差(c)多模态信息融合效率低简单的视觉与时序特征拼接未能有效利用视觉信息动态引导注意分配(d)基础方法局限性基础方法受限于稀疏数据，易导致夜间出现反常识预测情况光伏预测三类主流方法各存局限，仍难突破气象、时序及数据稀疏等核心痛点，且存在多类共性技术问题国家战略需求顺应高比例可再生能源并网的电力系统发展趋势可再生能源发电预测新型电力系统背景人工智能现实挑战与未来方向产业布局-IGET

平台AI

赋能新型电力系统Gu.X.Liang.Z.,&Chung,

C.Y.VT-LLM:A

Visual-Guided

and

Parameter-Efficient

Pretrained

Transformer

for

IoT-Enabled

Multimodal

Photovltaic

Forecasting

in

Consumer

Energy

Systems(Tobe

Publised)功率预测设备监测系统运行稳定性分析核心痛点与研究缺陷主流数据驱动方法设备监测系统运行稳定性分析Estraction现实挑战与未来方向Patch-BasedTime

SeriesEmbeddingTokensz产业布局-IGET

平台Mutvanate'Time

Series

Withim

Channel

DeepSeek

Cros

Channel

DeepSeck

PVForecasting斯坦福大学分布式光伏板上空图VTDeepSeek算法架构图基于DeepSeek

的光伏发电预测多模态大模型①多模态大模型：融合图像信息与时间序列，建立高精度的多模态光伏预测大模型2稀疏建模能力：充分利用大模型泛化能力，解决传感失灵等数据断续情况下的建模难题3低算力需求：利用LoRA微调策略，通过仅训练0.1%大模型参数高效完成建模任务4双流架构：通道内注意力机制对时序段内依赖进行建模，通道间注意力机制对与天气数据等关键变量的依赖关系建模可再生能源发电预测新型电力系统背景人工智能AI

赋能新型电力系统Gu,X.Liang.Z.,&Chung,C.Y.VT-LLM:AVisual-GuidedandParameter-EfficientPretrainedTransformerforIoT-EnabledMultimodalPhotovoltaicForecastinginConsumerEnergy

Systems(TobePublished)deepseelk

Last

Transformer

BlockFeedForward

MaskAItention功率预测Sky

Images

CNNLayerLayer

Nonm可再生能源发电预测201909202019021预测与真实值的对

比在发电高峰期的预测误差范围最窄在太阳辐射迅速下降的发电末端最快响应归零测试集

(2个月)上平均WMAPE仅为5.62%基于斯坦福大学真实光伏数据进行建模(2017-2019)新型电力系统背景人工智能现实挑战与未来方向产业布局-IGET平台准确预测分布式光伏未来15分钟的光伏发电功率，准确率>94%基

线较PatchTST提升10.21%较Nlinear提升40.76%对

比

较LSTM提升50.62%AI

赋能新型电力系统Gu,X.Liang.Z.,&Chung,C.Y.VT-LLM:AVisual-GuidedandParameter-EfficientPretrained

Transformer

forIoT-Enabled

Multimodal

Photovoltaic

Forecasting

in

Consumer

Energy

Systems(Tobe

Published)功率预测设备监测系统运行稳定性分析光伏功率20190-22预测未来15min\4h\24h\48h光伏发电功率，准确率均>90%Gu,X.Liang.Z.,&Chung,C.Y.VT-LLM:AVisual-GuidedandParameter-EfficientPretrained

Transformer

for

IoT-EnabledMultimodal

Photovoltaic

Forecasting

in

ConsumerEnergy

Systems(Tobe

Published)可再生能源发电预测nRMSE新型电力系统背景人工智能展现对太阳直射位置与云层散射的精确敏感性高激活值集中在与太阳照射或经云层散射后的对应光源区域VTDeepSeek

在进行未来1/16/96/192步多尺度预测中始终显著优于对应最优基线模型产业布局-IGET平台AI

赋能新型电力系统现实挑战与未来方向功率预测设备监测系统运行稳定性分析多尺度预测性能对比图可再生能源发电预测·

专注跨变量交互作用1.

学习各区域不同气象变量之间的相互依赖和

影响关系2.回答“不同因素之间是如何相互作用的?

”3.

挖掘变量间的复杂非线性关系针对不同电站：装机容量不同、组件类型不同及遮挡情况不同等问题构建：个性化微调模块、局部适配层(

Local

Adapter)

与个性化权重融合机制实现：“共享主模型+场站个性化模块

”的建模策略面向分布式电站协同建模的联邦学习框架通过将耦合的“时间依赖”与“跨变量交互”解耦模型能够独立分配注意力资源，在提升预测精度的同时增强了物理可解释性·

专注时间自相关性1.学习单个气象变量自身随时间的演变规律2.

回答“某个因素过去是如何变化的?

”3.

捕捉时间序列的动态特征新型电力系统背景人工智能现实挑战与未来方向产业布局-IGET

平台跨区域多站点的协同高效建模融合时空、气象及卫星信息的泛化建场站个性化信息约束的高性能建模AI

赋能新型电力系统功率预测设备监测系统运行稳定性分析·

风电功率预测不确定性源于风速的随机性、近似风电功率曲线以及不可避免的误差·

基于广义交叉熵的非参数密度估计仅调整带宽来降低区间构建问题的复杂度·由实际应用驱动的混合确定性/概率性风电功率预测框架将点预测作为预测区间的初始估计，保证灵活性WP

samples

Testing厂

X₁XLXL+1X2LX2L+1X3L1stwindow2ndwindowestimator(Q1,Q"1)(Q2,Q"₂)可再生能源发电预测Rezaie,H.Chung,C.Y.,&Khorramdel,B.(2022).Windpowerpredictionintervalbasedonpredictivedensityestimationwithinanewhybridstructure.IEEETransactionsonIndustrial

Informatics,18(12),8563-8575.现实挑战与未来方向产业布局-IGET

平台人工智能AI

赋能新型电力系统基于广义交叉熵的预测密度估计方法混合确定性/概率性风电功率预测框架基于连续时间窗口的分位数估计新型电力系统背景功率预测设备监测系统运行稳定性分析

P-model

D-modelTrainingTraining优