大模型抢滩新能源，从喧嚣走向落地

21世纪经济报道记者孙燕 上海报道

大模型竞速赛，从通用领域来到了专用领域。

近日，多款能源大模型集中面世：中国石油上线昆仑大模型APP，朗新科技集团发布“朗新九功”AI能源大模型，国家能源集团发布首个千亿级发电行业大模型“擎源”。

此前，市场一直有声音认为，工业场景具有数据高复杂度、结果低容错率、成本敏感性高等特点，因而在本轮AI大模型技术发展的浪潮中，应用落地节奏相对较慢。

但在最早尝试开展大模型应用的行业之一——能源行业，大模型已在电网调度、煤电生产、核电运行等场景落地。在新能源领域，大模型也逐步渗透至新能源的预测、消纳、运维等环节。

赋能新能源消纳

在新能源领域，新能源发电功率预测是大模型技术成熟度最高、产业落地最广的场景之一。

新能源功率预测是电力交易的基石。但随着风光新能源在电网中的占比不断提高，新能源发电出力的随机性、波动性和间歇性，正在威胁功率预测的准确性。

浙商证券研究指出，传统上，电站主要根据物理模型和统计方法对新能源发电功率进行预测，以提前应对电网波动。但面对复杂多变的气候条件和不断增长的新能源装机规模，传统的预测方式逐难以满足精准预测的需求。

目前，谷歌DeepMind基于扩散模型技术推出的气象预测大模型能够实现长达15天的全球天气预报，华为、英伟达等公司也都对其发布的气象大模型持续迭代升级，为新能源领域提供精准高效的功率预测。

此外，业内还衍生出细分新能源发电功率预测大模型，如协鑫集团与北京大学、NVIDIA合作研发了光伏功率预测大模型，光伏发电量预测精度比单纯依靠时间序列模型提升3至5个百分点。

精准的新能源发电功率预测是解决新能源并网消纳问题的关键所在。

通过智能调度算法，大模型可以实时分配新能源电力，减少弃风弃光现象。如南方电网的新型电力系统智能电力平衡体系通过大幅提高新能源功率预测和用电负荷预测准确度，实现新能源发电与负荷变化在百万平方公里尺度上的秒级匹配，显著提升新能源消纳水平。

这也能够辅助新能源并网：在新能源并网过程中，电网面临波动性和间歇性挑战。大模型能够基于新能源发电量的精准预测，优化并网策略；并通过实时监测和动态调整，抑制电力系统宽频振荡等问题。

在发电侧，大模型的另一大应用是设备运维。如远景智能推出新一代风机故障检修支持虚拟专家，基于生成式大模型，并智能调用行业精调小模型，能够迅速完成意图解析，提升运维效率。

剑维软件副总裁及中国区总经理崔静怡告诉21世纪经济报道记者，AI模型还能够深度分析海量能源数据，如设备运行数据、电网负荷、天气预报，实现设备的预测性维护，大幅减少非计划停机时间，降低运维成本。

此外，通过与无人机、摄像头、机器人、机器狗等设备联动，结合视觉大模型，大模型也能应用于新能源设备巡检等领域。

避免“大材小用”

在大模型出现之前，人工智能在能源领域的应用以专用小模型为主。这些小模型参数规模较小、数据需求有限，专注于解决特定场景下的具体问题，如能源需求预测、智能电网管理或可再生能源优化利用等。

大模型出现后，因其出色的上下文理解、指令遵循、内容生成、数据处理、场景泛化等能力，逐步覆盖更广泛的能源场景，如新能源并网优化、电网稳定性提升等。

有业内人士指出，大模型在某些场景下具有必要性，但有些问题使用小模型就能低成本解决。如宽频振荡风险分析、溯源这类业务的特点是机理相对明确、数据量不大，专业小模型便能有效解决，既能避免大模型的高额投资，也能规避大模型幻觉对分析结果可靠性的影响。

大模型存在多种技术路线，包括时序大模型、大语言模型、多模态大模型、仿真/科学计算模型等。

其中，时序大模型在新能源发电功率预测中想象空间较大。

“新能源预测是未来短期内有望看到显著成效的大模型典型应用场景。”前述业内人士指出，利用时序大模型，可以在现有水平基础上，融合更多气象数据，构建端对端的架构体系，更加充分挖掘气象数据和新能源出力的特征和匹配关系，有望进一步提升预测精度，助力调度生产。

相对而言，语言大模型的训练和应用依赖数据储备，目前在新能源领域成熟度较低。

不同于通用大语言模型可以使用互联网海量信息作为训练数据，能源行业的AI模型没有现成数据可以使用。崔静怡告诉记者，能源行业的IT（信息技术）和OT（运营技术）系统长期各自发展，导致数据分散、标准不一。有效整合这些异构数据，建立统一的数据底座是AI应用的基础，但也是一大难点。

她还指出，工业场景的复杂性要求AI模型不仅能识别数据模式，更要结合深厚的工业机理知识。“如何将行业专家经验与AI算法有效结合，开发出真正可靠、可解释的工业AI模型，尤其是对于波动条件下的新能源电力与化工的联合动态运行，仍是行业空白，还需要持续投入研发以突破技术难关。”