中國儲能網(wǎng)訊：日前，第二屆GTI數(shù)智香江國際論壇在香港開幕。同期，“智慧能源”分論壇由中國南方電網(wǎng)有限責任公司承辦，聚焦人工智能（AI）與能源行業(yè)的深度融合路徑，核心目標是搭建全球智慧能源交流合作平臺，推動智能化能源技術(shù)的創(chuàng)新轉(zhuǎn)化與產(chǎn)業(yè)價值提升。
論壇期間，《南方能源觀察》（以下簡稱“eo”）對主要參會專家進行了專訪。
電力系統(tǒng)與新型電力系統(tǒng)領(lǐng)域國際知名專家、IEEE（電氣電子工程師學會）會士、香港城市大學電機工程學系主任兼講席教授董朝陽在能源系統(tǒng)建模與優(yōu)化、人工智能的電力系統(tǒng)應(yīng)用等領(lǐng)域有長期且深入的研究，曾主導中國、新加坡、澳大利亞等多個國家的能源技術(shù)研發(fā)與示范項目，尤其在可再生能源并網(wǎng)、儲能調(diào)度等領(lǐng)域見解獨到。
當前，算力中心電力需求呈快速增長態(tài)勢，并對供電穩(wěn)定性與綠色性提出了極高要求，這已成為能源行業(yè)面臨的新挑戰(zhàn)。AI如何讓新能源并網(wǎng)更可控可靠？“小概率、大影響”（Low Possibility High Impact）事件又將如何重塑電力系統(tǒng)思維？電算協(xié)同的落地存在哪些難點？又該通過何種路徑突破？儲能價值的充分釋放還需要怎樣的AI技術(shù)支撐？在專訪中，董朝陽對這些行業(yè)核心問題給出了自己的答案。
01
“小概率、大影響”正在重塑電力系統(tǒng)思維
eo：近年來，可再生能源大規(guī)模并網(wǎng)的問題越來越重要，在這一過程中，AI技術(shù)的重要性日益凸顯，您如何看待AI在其中的具體應(yīng)用價值？能否結(jié)合實際案例進一步說明？
董朝陽：無論從科研層面還是全球各國電力工業(yè)的實踐來看，AI的作用都在不斷強化，尤其在應(yīng)對復(fù)雜問題時，傳統(tǒng)方法往往難以滿足需求。
最典型的場景就是儲能管理。當前，國際上一些國家電力市場機制復(fù)雜，電價、負荷在幾秒到幾分鐘內(nèi)就會出現(xiàn)劇烈波動，這需要實時解決高度復(fù)雜的優(yōu)化問題。過去，簡單的優(yōu)化問題可用傳統(tǒng)方法精準求解，但在現(xiàn)在很多場景下，不僅問題本身難以被定義為標準優(yōu)化模型（需考慮多重限制條件），更無法實現(xiàn)實時求解。而AI技術(shù)能在這種情況下，快速給出接近最優(yōu)的解決方案，這是目前其他方法難以替代的。
此外，生成式AI（通過學習海量數(shù)據(jù)中的模式和規(guī)律，創(chuàng)造出文本、圖像、音頻、視頻、代碼等形式的原創(chuàng)內(nèi)容，如GPT類語言模型）的應(yīng)用也越來越廣泛，尤其在應(yīng)對”小概率、大影響“事件時價值顯著?！靶「怕省⒋笥绊憽笔录陔娋W(wǎng)運行與電力市場運行中至關(guān)重要，但在傳統(tǒng)培訓或數(shù)據(jù)積累中往往難以覆蓋，導致系統(tǒng)管理員、市場管理員缺乏應(yīng)對經(jīng)驗。AI可通過模擬這類極端場景，幫助管理者提升認知，保障系統(tǒng)與市場的穩(wěn)定高效運行。
eo：如何理解電力系統(tǒng)的“小概率、大影響”事件？
董朝陽：我可以舉兩個南澳大利亞州（以下簡稱“南澳州”）的典型案例對比說明。2017—2018年，南澳州曾發(fā)生全州大停電，當時新能源發(fā)電量幾乎接近100%，遠超傳統(tǒng)能源，而部分燃氣機組未運行。更關(guān)鍵的是，大量新能源通過逆變器接入電網(wǎng)，其中部分不具備低電壓穿越功能。故障發(fā)生時，分布式新能源發(fā)電與新型負荷同步中斷，實際負荷遠超系統(tǒng)預(yù)期。由于這種場景此前從未出現(xiàn)，電網(wǎng)系統(tǒng)管理員缺乏應(yīng)對預(yù)案，最終導致事故。兩年后，南澳州電網(wǎng)再次面臨風險，特斯拉新增部署的儲能電站通過精準的充放電控制，成功避免停電，相鄰區(qū)域卻因缺乏類似調(diào)控陷入斷電。這兩個案例說明，對新能源帶來的未知風險，若能通過AI實現(xiàn)精準且魯棒的預(yù)測與控制，就能充分發(fā)揮儲能等技術(shù)的支撐作用。
應(yīng)對電力市場的電價波動也是AI的重要應(yīng)用場景。例如，澳大利亞國家電力市場電價波動幅度極大，某些時段甚至出現(xiàn)負價，而在極端情形下，價格可逼近市場設(shè)定的上限（如1.75萬澳元/兆瓦時）。這種“高波動性”帶來的風險，甚至超過新能源本身的不確定性。傳統(tǒng)方法難以描述、求解這類復(fù)雜問題，而AI能通過數(shù)據(jù)分析與預(yù)測，為市場交易提供輔助，幫助參與者應(yīng)對風險。
eo：您的團隊在能源系統(tǒng)建模領(lǐng)域經(jīng)驗豐富，能否結(jié)合具體實踐，談?wù)凙I在建模中的關(guān)鍵作用？
董朝陽：在能源系統(tǒng)建模中，AI的價值主要體現(xiàn)在兩方面：一是新能源發(fā)電預(yù)測，二是復(fù)雜場景下的優(yōu)化與風險預(yù)警。
從發(fā)電預(yù)測來看，風能、太陽能受天氣影響大，不確定性極強，必須依賴AI提升預(yù)測精度。我們早在2009年就開始相關(guān)實踐——在香港一個風電場的設(shè)計項目中，首次將AI用于風電預(yù)測。如今氣候變化加劇，極端天氣頻發(fā)，AI在預(yù)測中的必要性更突出，通過AI分析海量氣象數(shù)據(jù)，能更準確地預(yù)判新能源發(fā)電出力。當前用于新能源預(yù)測的主要算法包括長短期記憶網(wǎng)絡(luò)（LSTM）、Transformer及混合模型，這些方法能處理時間序列的非線性波動。我們正在探索將大模型應(yīng)用于新能源預(yù)測，期望研發(fā)一種自主訓練與任務(wù)優(yōu)化的端對端預(yù)測模型。
從優(yōu)化與風險預(yù)警的層面來看，“小概率、大影響”事件仍是核心挑戰(zhàn)。這類場景缺乏歷史數(shù)據(jù)支撐，傳統(tǒng)建模方法無法覆蓋，需要構(gòu)建AI模型：通過訓練不同場景下的數(shù)據(jù)，讓模型提前學習極端情況的特征，最終輸出可接受的優(yōu)化結(jié)果。
其實早在2003年美國大停電事件后，行業(yè)就意識到傳統(tǒng)“態(tài)勢感知（Situational Awareness）”的局限性。事故發(fā)生時，如果系統(tǒng)運行員缺乏相關(guān)經(jīng)驗，傳統(tǒng)計算方法也無法實時響應(yīng)，就難以預(yù)防級聯(lián)故障（Cascading Failure）。當時，我們團隊參與了相關(guān)專項研究，負責基于數(shù)據(jù)挖掘技術(shù)，構(gòu)建能預(yù)測連鎖故障的模型，這也是早期AI在能源系統(tǒng)建模中的重要探索。如今，業(yè)界提出的“電算協(xié)同”，本質(zhì)上也是對這種“數(shù)據(jù)驅(qū)動建?！彼悸返难由?，被視為新型電力系統(tǒng)的重要發(fā)展方向。
02
電算協(xié)同：數(shù)據(jù)驅(qū)動建模的新方向
eo：當前，數(shù)據(jù)中心、算力中心帶來的新增負荷呈指數(shù)級增長，尤其是AI產(chǎn)業(yè)對電力需求巨大。您如何理解在“高不確定性、高復(fù)雜性”的背景下，電算協(xié)同的落地難點與路徑？國際上是否有前沿實踐可參考？
董朝陽：當前，算力中心（如數(shù)據(jù)中心）的電力需求確實在快速增長，且對供電的穩(wěn)定性、綠色性要求極高——這既是電力系統(tǒng)的新型挑戰(zhàn)，也是電算協(xié)同的核心應(yīng)用場景。
從國際實踐來看，目前雖未明確提出“電算協(xié)同”的統(tǒng)一概念，但已有不少探索方向。算力中心自身通過節(jié)能與電網(wǎng)協(xié)同。一方面，通過技術(shù)創(chuàng)新降低算力中心的能耗（如優(yōu)化散熱、提升硬件效率）；另一方面，推動算力“動態(tài)分布”，也就是不再僅依據(jù)GPU、CPU等硬件資源分配算力，而是結(jié)合電網(wǎng)供電情況，將算力調(diào)度到電力充足、電價較低的區(qū)域，本質(zhì)上是將“負荷側(cè)響應(yīng)”升級到算力層面，為電網(wǎng)提供支撐。
eo：美國得州已提出要求，未來數(shù)據(jù)中心須具備主動響應(yīng)電網(wǎng)需求的能力，試圖通過市場機制引導協(xié)同，但這一做法也引發(fā)爭議。
董朝陽：對算力中心而言，其核心訴求是電力穩(wěn)定以保障運算效率，若要求其根據(jù)電網(wǎng)波動調(diào)整算力，可能與自身運營目標沖突。其落地難點在于利益協(xié)同與技術(shù)適配。技術(shù)上，通過AI調(diào)度算力、匹配電網(wǎng)需求是可行的，但如何通過市場機制平衡算力中心與電網(wǎng)的利益，是關(guān)鍵挑戰(zhàn)。比如，若電網(wǎng)要求算力中心削減負荷，需提供合理的補償機制；同時，電網(wǎng)也需通過儲能建設(shè)、網(wǎng)架升級，為算力中心提供更穩(wěn)定的供電基礎(chǔ)，避免單方面要求負荷調(diào)整。
03
儲能價值的釋放，離不開AI的預(yù)測與優(yōu)化
eo：在您參與的國際項目中，如澳大利亞的智能電網(wǎng)示范項目，儲能是如何通過市場化機制獲得收益的？這些經(jīng)驗對中國有哪些啟示？AI在其中又扮演什么角色？
董朝陽：儲能要實現(xiàn)經(jīng)濟價值，核心在于依托多元化市場機制，AI則是提升收益效率的關(guān)鍵工具。
從市場機制來看，國際上成熟的模式主要分為兩類。
一是在現(xiàn)貨市場，利用峰谷電價差盈利。低價時充電、高價時放電，這是最基礎(chǔ)的模式。但在很多地區(qū)，單純的電價差不足以覆蓋儲能成本，因此需要結(jié)合第二類市場，那就是在輔助服務(wù)市場，通過提供調(diào)頻、電壓控制等服務(wù)盈利，這類市場對響應(yīng)速度要求高，收益也更可觀。例如，特斯拉的儲能電站正是通過快速充放電參與調(diào)頻，在預(yù)防電網(wǎng)崩潰的同時獲得了高收益。
AI的作用主要體現(xiàn)在“精準預(yù)測”與“高效優(yōu)化”：在現(xiàn)貨市場中，AI可預(yù)測電價、負荷波動，幫助儲能確定最佳充放電時機；在輔助服務(wù)市場中，需求有限且競爭激烈，AI能快速計算最優(yōu)報價策略，同時規(guī)避風險（若預(yù)測失誤，可能面臨罰款）。
這一經(jīng)驗對中國的借鑒意義在于，一方面，需加快完善現(xiàn)貨市場與輔助服務(wù)市場建設(shè)，為儲能提供多元化收益渠道；另一方面，應(yīng)推動AI與儲能的深度融合，尤其在新能源大規(guī)模并網(wǎng)場景下，通過AI提升儲能的調(diào)度效率與盈利能力。
值得注意的是，儲能與新能源的結(jié)合已成趨勢。當前，建設(shè)大型光伏、風電場時，配套儲能逐漸成為常態(tài)（雖非強制，但能為電網(wǎng)提供支撐）。相較于同步調(diào)相機（維修復(fù)雜、成本高），儲能不僅能滿足電網(wǎng)支撐需求，還能通過參與市場獲得收益，AI則能進一步放大這種收益優(yōu)勢。
此外，分布式儲能也有廣闊空間。通過虛擬電站技術(shù)，可將分散的儲能資源聚合起來，既能為配網(wǎng)提供支撐（如作為虛擬同步機），也能參與現(xiàn)貨與輔助服務(wù)市場，實現(xiàn)小容量聚合、大容量收益。
eo：在實際應(yīng)用中，我們觀察到AI在電網(wǎng)更多用于監(jiān)測（Monitoring）環(huán)節(jié)，而工程師運行調(diào)度個人經(jīng)驗仍占主導。您如何看待這種現(xiàn)象？在澳大利亞等市場，電網(wǎng)運行是否也存在類似情況？
董朝陽：這種現(xiàn)象的核心原因在于責任邊界與技術(shù)成熟度的不同。對電網(wǎng)運行而言，安全責任重大，AI目前仍以“輔助角色”為主，更多用于補充極端場景的分析、降低人為決策誤差。
而對發(fā)電側(cè)、零售側(cè)而言，尤其是在短時交易（如現(xiàn)貨、輔助服務(wù)市場）中，AI的作用更突出。如果模型訓練充分，AI可媲美甚至超越資深交易員的決策效率，能實現(xiàn)快速響應(yīng)電價波動、優(yōu)化交易策略等。
澳大利亞的實踐也符合這一規(guī)律。目前，電網(wǎng)在預(yù)測環(huán)節(jié)（如負荷、發(fā)電預(yù)測）已高度依賴AI，但核心的運行調(diào)度仍以傳統(tǒng)方式為主，AI僅作為輔助工具。這種AI輔助、人工主導的模式，既能發(fā)揮AI的數(shù)據(jù)分析優(yōu)勢，也能通過人工決策規(guī)避技術(shù)風險，是當前階段的穩(wěn)妥選擇。
04
車網(wǎng)互動與氫能儲能，AI正在引領(lǐng)新方向
eo：車網(wǎng)互動、分布式能源、儲能、虛擬電廠等新型業(yè)態(tài)，正成為電力系統(tǒng)的重要組成部分。您認為AI在這些領(lǐng)域的預(yù)測與調(diào)度中，亟須突破的環(huán)節(jié)是什么？
董朝陽：這些新型業(yè)態(tài)的核心需求是大規(guī)模協(xié)同調(diào)度與精準預(yù)測。以網(wǎng)約車的調(diào)度為例，小規(guī)模調(diào)度（如幾百輛、幾千輛網(wǎng)約車）可通過人工完成，但當規(guī)模擴大到幾萬輛甚至幾十萬輛時，人工調(diào)度會達到極限。我們香港城市大學有個案例：一家由校友創(chuàng)辦的上市公司早期通過人工調(diào)度電動車，規(guī)模受限；后來與我們合作開發(fā)AI調(diào)度系統(tǒng)，如今已能在東南亞實現(xiàn)幾萬輛車的高效調(diào)度，本質(zhì)上就是突破了數(shù)據(jù)融合與大規(guī)模優(yōu)化的瓶頸。這類平臺的核心技術(shù)就是AI預(yù)測與調(diào)度：通過分析用戶需求、車輛分布，優(yōu)化派單策略，縮短等待時間。
未來，隨著電動汽車的普及，AI或許既能預(yù)測用戶的充電需求、出行規(guī)律，也能結(jié)合電網(wǎng)的供電能力、電價波動，實現(xiàn)車—網(wǎng)—人的協(xié)同。車網(wǎng)互動的AI調(diào)度，相當于在人—車匹配的基礎(chǔ)上，額外增加電網(wǎng)供電這一維度，復(fù)雜度更高，更需要突破數(shù)據(jù)整合與實時優(yōu)化的能力。
