AI 与能源电网：负荷预测、新能源调度与虚拟电厂

电网为什么是最早拥抱 AI 的行业

电力系统有一条铁律：发电与用电必须每一秒都平衡，频率偏移超限就是事故，大面积失衡就是停电。为了维持这个平衡，电网几十年前就需要「预测」——预测明天、下一小时、每一刻全社会用多少电，才能安排机组怎么开机、输电通道怎么排。所以负荷预测是电力行业做了几十年的老手艺，从时间序列统计起步，比「人工智能」成为流行词早得多。电力行业不是被 AI 革新的新手，而是最早一批资深用户。

此前《AI 的能源账》一篇算的是 AI 自己要耗多少电、数据中心如何给电网施压；本篇把方向反过来，讲 AI 如何反哺电网。这两件事会长期同时发生：一边是新的用电巨兽把负荷曲线推得更陡，一边是算法尽力把每一段陡坡削平。

理解当下这波落地的背景，要看清三重压力。其一，尖峰负荷：空调负荷让夏季与冬季尖峰逐年抬升，而尖峰时刻只出现在每年少数几天，为这几天准备的机组与电网容量利用率极低。其二，资产与人力：输电线路绵延百万公里量级，靠人工巡线既贵又有盲区，设备老化与运维人手不足并存。其三，也是最大的变量——新能源：风光出力「靠天吃饭」，把传统「源随荷动」的运行范式逐步推向「源荷互动」，不确定性成了电网运行的常态输入。

还要补一层背景：电网的数字化基础其实非常厚。调度自动化系统、用电信息采集、厂站的在线监测，几十年的建设让电力行业的数据采集密度在各行业里名列前茅——这意味着 AI 落地不缺数据地基，缺的是把数据用起来的人才与机制。很多电力 AI 的瓶颈不是「没有数据」，而是数据在体制的各个部门之间流动不畅，以及生产系统的安全要求把实验空间压得很窄。

AI 切入点：预测、调度、聚合与巡检

负荷预测：从统计回归到深度学习

传统负荷预测靠时间序列模型加人工经验修正，气象影响靠简单映射。深度学习进来之后，数值天气预报、历史负荷、节假日与经济活动数据被一并喂进模型，超短期（分钟级，用于实时调度）、短期（日级，用于日前计划）、中期（月季级，用于检修与燃料安排）分层预测的精度持续改善。预测精度的经济意义直接：预测越准，电网需要预留的备用容量越少，而每一兆瓦备用容量都是真金白银；偏差大了，要么紧急购电，要么机组空转，全是成本。

风光功率预测：新能源并网的前置条件

风光功率预测的难度高于负荷预测——负荷有作息规律，天气是混沌系统。功率预测要融合数值天气预报、卫星云图、测风塔与电站历史出力，误差随预报时效放大。随着电力现货市场在多个省份运行，新能源电站申报的出力曲线与实际出力的偏差会被考核扣费，功率预测从「锦上添花」变成了「直接换钱」的工具：预测每准一分，场站的结算收入就实打实多一分。第三方功率预测服务因此长成一门明确的生意，气象能力成为这类公司的核心壁垒。

电力交易：现货市场的算法博弈

电力现货市场把「预测」延伸成了「交易」：发电侧报量报价、售电侧购电决策、储能充放电窗口选择，都是面对价格曲线的决策问题。报价策略要在预测自家出力、预测市场价格与考核规则之间求最优，人工盯盘越来越力不从心，算法交易因此进场——预测模型给出价格曲线，优化器算出申报策略，交易员从「拍脑袋报价」变成「审策略、控风险」。售电公司在这轮市场化里分化明显：有算法能力的公司能在批发与零售两端的价差里持续吃到利润，靠关系吃饭的公司在价格波动里最先受伤。现货市场是电力行业里「模型能力直接换钱」浓度最高的地方，也是算法人才第一次在电力行业拿到市场化定价的地方。

虚拟电厂：把散落的资源聚合成一座电厂

虚拟电厂不建厂房、不烧燃料，它聚合的是分布式光伏、用户侧储能、充电桩、可调节的工商业负荷与空调，用一套平台预测这些资源的行为、并在电网需要时精确调用，作为整体参与电网调度与电力交易。技术内核是三件事：可测（每个资源的容量与响应速度有画像）、可调（指令能下达到资源并真正执行）、可算（收益如何在不同资源间分配）。需求响应补贴与现货价差给了这类平台收入模型，虚拟电厂的本质是把「调度对象」从几十台大机组扩展到百万个分布式节点，这是电网运行范式的变化，而不只是一个产品品类。

虚拟电厂的另一端连着新型电力系统的大命题：随着煤电从主力电源转向调节电源，系统需要的灵活性来自储能、可调负荷与分布式资源，虚拟电厂正是把分散灵活性组织起来的工具。它成熟的过程，也是电力市场从「计划味」走向「市场化」的过程——两者的进度互为条件，这也是判断这类公司前景时必须同时看政策与技术的根本原因。

巡检与设备侧：无人机、图像识别与状态预测

输电线路巡检从人工徒步走向无人机自动巡检加图像识别，绝缘子破损、异物悬挂、通道树障等缺陷自动定位成工单；变电站的机器人巡检、红外测温与声纹分析把设备故障扼杀在早期。这本质上是《AI 与制造业》一篇讲的预测性维护逻辑在电力资产上的翻版，只是资产更贵、安全责任更重、验证周期更长。

落地现状与典型案例

电网侧 AI 的落地格局与行业体制高度相关。国内以电网公司为主导：调度系统、负荷预测平台由电网内部科研信息化力量与外部供应商共建，AI 能力嵌入生产系统要过严格的安全分区与验证流程，所以落地形态偏「体系内渐进」。电力现货市场建设给了体制外公司最大的空间：新能源场站为应对偏差考核采购功率预测，售电公司用算法做报价决策，储能电站靠充放电优化策略赚价差。虚拟电厂从试点走向常态化运行，负荷聚合商参与削峰响应，补贴机制让「调负荷」第一次成为可计价的商品。海外市场上，气象加功率预测服务商、虚拟电厂软件运营商、储能优化算法公司构成创业公司的三个主要物种，客户是电站业主、售电公司与电网公司。共同的规律是：算法本身难以构成壁垒，气象数据、设备接入规模与对市场机制的熟悉度才是。

一个新变量是数据中心与电网的互动。AI 的用电大户正在成为电网需要专门应对的负荷：数据中心的负荷可预测、可调节，算力任务可以错峰，「数据中心参与需求响应」从概念走向试点——这与《AI 的能源账》一篇描述的耗电压力正好构成一枚硬币的两面。电网公司开始把大型数据中心当作一类特殊的大用户来管理，绿电直供、算负荷互济这类机制在做设计，数据中心选址甚至开始看电网的余量与电价结构。算力与电力的耦合，会是未来十年电网运行里最值得观察的一条主线。

经济账与阻力

经济账算在三处。预测精度直接换钱：偏差考核、备用容量、现货价差，都有明确的单价可以折算。调度优化省大钱：机组组合与经济调度是运筹优化几十年的传统强项，每年省下的燃料成本以亿元计，AI 在传统优化之上继续做精度增量。聚合资源创造新收入：需求响应、辅助服务、现货套利，把过去「沉睡」的负荷侧资源变成了可交易的资产。

阻力同样有三处。其一，安全文化的保守：电网是全球可靠性要求最高的基础设施之一，任何接近控制回路的算法都要经过漫长验证，行业默认的边界是「先上信息侧，别碰控制侧」——预测、交易辅助可以快，自动闭环调度很慢。其二，数据壁垒：电网与用电数据敏感，分散在营销、调度、用电信息采集等多个系统，创业公司获取数据的成本高，数据接口的开放程度决定产品上限。其三，机制仍在建设：现货价差、辅助服务补偿的标准各地不一且持续调整，虚拟电厂的收入模型随政策摇摆，商业模式技术含量高、确定性低。

还有一个横向观察：电力行业的 AI 人才溢价正在显现。懂电力市场规则又会建模的复合人才稀缺，现货省份的售电公司与储能运营商开出的薪酬明显高于传统电力岗位——这个薪酬信号是行业智能化进程最诚实的指标，比任何宣传稿都真实。

给从业者的观察清单

• 分清信息侧与控制侧：负荷预测、功率预测、交易辅助工具已商用成熟，自动闭环控制仍在试点，宣传口径要过一遍筛子。
• 盯现货市场进度：功率预测与储能优化的商业价值随现货机制成熟而放大，看政策节奏做事。
• 看可调容量的成色：虚拟电厂故事的关键是资源是否真能被精确调用，纸上容量与真实可调容量差着数量级。
• 看气象自研能力：功率预测的上游是气象预报，有自有气象能力的厂商有结构性优势。
• 看数据接口与准入：电网数据开放度与市场准入政策，决定第三方公司的天花板。

小结

电网是 AI 的老用户，也是 AI 价值兑现最「硬」的行业之一——这里的每一分预测精度都能折算成燃料、备用与考核费用，没有讲故事的空间。负荷预测从统计模型走到深度学习，风光功率预测从可选项变成并网刚需，虚拟电厂把调度对象从大机组扩展到百万分布式节点，三条线共享同一个底层命题：让不确定的电源与负荷变得可预测、可调度。

与《AI 的能源账》对照着看，那个方向讲压力，这个方向讲解压，两者会长期并存：数据中心把负荷曲线推得更陡，算法则努力削平每一段陡坡。这种「AI 耗电—AI 节电」的循环，正是能源系统与智能系统互相塑造的过程，也是判断 AI 宏观能耗影响时最常被忽略的对冲项。

这篇的账本还有一个容易被忽略的视角：电网 AI 的采购方大多是强监管下的公用事业，它们要的不是最先进的模型，而是最可靠、可审计、责任清晰的方案。模型精度从九成提升到九成五在论文里是进步，在生产系统里则要回答剩下那半成偏差谁担责。在这个行业，算法的「可信」比「先进」值钱——这也是为什么愿意做长周期验证、懂电力生产流程的团队，比纯算法背景的团队更容易留下来。

对从业者与观察者，这个行业最重要的提醒是：它吃机制与政策的成分多于吃模型能力的成分。同样的算法，在现货市场成熟的地方是印钞机，在机制未落地的地方是演示品。判断一家电网侧 AI 公司的成色，先看它身处哪个市场、接入多少真实资源、预测精度在考核口径下值多少钱——而不是看它讲多大的「能源互联网」故事。电网这门生意没有悬念叙事，只有精度与机制的复利。