大唐人工智能研究院马博洋：人工智能技术在发电行业的应用与实践 | 智见

DTinsight导读：

• 人工智能在发电行业应用

• 人工智能发电场景

• AI落地发电行业挑战及愿景

“人工智能在能源行业的深度应用，本质上是“图像识别”、“时序分析”和“自然语言处理”三大分支的协同共振。”

AI在电力领域应用

人工智能在能源电力行业主要分为三大技术应用方向：一是图像识别，依托神经网络等技术，对人员、设备、环境等安全生产要素进行图像采集、识别与智能分析；二是时序数据预测，广泛应用于水电来水量预判、风光发电功率预测等场景，通过数据分析精准预估发电能力，保障电网供电稳定、满足调度要求；三是 NLP 自然语言处理，该技术源于十年前的文本挖掘与用户行为分析，随着算力、算法和技术框架不断成熟，逐步发展为如今的大语言模型。

在能源电力行业中，大模型主要应用于问答、智能助手以及跨应用协同三种模式。其中，跨应用协同模式依托智能体、检索增强生成等技术，实现多系统联动、数据自动调取与综合分析。

目前，国内五大发电集团均在布局人工智能技术，自 2002 年电力体制改革拆分出电网与五大发电集团后，各企业智能化发展方向各有侧重，而大唐以发电业务为核心，辅以煤炭、煤化工产业，重点围绕发电主业落地人工智能相关应用。

在应用场景方面，中国大唐编制人工智能与业务融合方案，整体采用1+3+N架构体系：即一个统一人工智能平台、三大共性关键技术，叠加 N 个落地业务场景。底层依托算力及资源调度平台提供基础支撑，中间搭建模型库、智能体库、样本库等，承载算法建模能力；上层聚焦各类实际业务应用，涵盖 AI 虚拟安全员、智能故障监测诊断、电力交易决策等场景。

随着国家能源局相关政策落地，各类新能源、火电企业全面进入电力交易市场，电价、电量的短中长期报价调度日趋市场化，对人工智能预测算法的精准度要求持续提升，也成为当前发电集团重点布局的 AI 应用方向。

中国大唐在全国三十多个省市布局光伏等新能源基建投资项目，每年对投资完成进度、工程建设质量都有明确管控要求，依托人工智能汇聚多维度数据，为新能源项目布局、投资研判及工程管控提供数据分析与预测支撑，实现 AI 赋能投资辅助决策。

从发电全产业链来看，人工智能已实现全流程赋能。项目前期，大唐采用“基因工程”选址模式，依托地理、地质、气候等数据预判风光资源，评估项目长期盈利能力，科学确定选址方案；基建阶段，通过 AI 数据分析和图像采集，管控工程质量、施工安全与建设进度，并结合大小模型协同优化工期、资金管控；运营运维环节，利用时序数据完成发电功率预测、调度优化以及设备故障诊断预警；在营销服务层面，除电力现货交易外，发电企业还可通过绿电直连、隔墙售电等模式直连终端用户，依托 AI 优化定价与对接服务，摆脱传统单一电网售电模式，拓宽经营渠道。

AI在发电行业典型应用场景

AI在发电行业诸多场景得到了广泛应用。在生产场景中，依托边缘计算搭建风机智能监测预警体系，通过模拟人看、听、摸、嗅的五感感知方式，采集风机齿轮箱、发电机等转动设备的声音、震动等运行数据，结合机器学习算法进行智能分析诊断，帮助运维提前预判潜在故障，指导现场开展状态检修与提前处置，有效规避设备安全事故。

在多模态智能诊断应用中，核心依托行业长期沉淀的专家经验，针对风机齿轮箱失效、轴承损伤、润滑不良等各类设备故障，梳理对应的故障特征、表象状态与判别依据。 AI 落地的关键难点正是沉淀专属的行业知识体系，各大央企都需要梳理自建知识工程与专家知识库，再结合 AI 算法和大模型开展智能分析诊断，才能更好适配自身业务需求。中国大唐始终遵循这一思路，持续搭建完善专属行业知识库与高质量数据集，支撑 AI 应用深度落地。

水电水情预测可依托 LSTM、XGBoost 等小模型开展时序分析，当下行业最新技术趋势是时序数据大模型。目前主要有两大技术路线：一是将时序数据转为 token 形式，依托语言大模型底座挖掘数据关联、完成预测；二是把各类数学运算、指数、工业变换等数理关系全部输入模型训练，打造基于数学机理的时序大模型，无需依赖业务物理机理，依靠输入输出数据训练调优即可实现精准预测。

通过实测对比发现，这类新型时序大模型短期预测准确率与 LSTM、XGBoost 等传统算法持平，但四天到七天中长期预测精度远超传统模型。核心原因在于模型固化了海量底层数学逻辑与数理关系，依托充足算力沉淀出数据间的隐性因果关联，能够精准推演未来一段时间的数据变化趋势，成为电力时序预测领域极具价值的新技术方向。

在“AI+数字孪生”驱动的智慧运行辅助决策方面，在电厂内部可实现冷端优化、节能调控、余热利用等精细化运行优化。而类脑技术作为未来重点产业方向，主要从两个维度开展研究应用：一是依托分布式节点计算架构，整合类脑算力资源，提升整体计算效率、降低 GPU 消耗；二是借鉴脑科学中海马体等记忆机制，优化神经网络结构，增强模型训练迭代与推理能力。将类脑技术应用于大模型训练和知识提取后，上下文召回率、准确率达全面提升，检索效率相比同类最优算法提升 18%，充分验证了类脑技术在发电行业落地应用的实际价值与成效。

在企业管理层面，中国大唐同样落地多项智能化应用。在工程管理上，集团结合历史工程数据与属地综合数据，对基建投资项目进度、投资完成情况进行智能预测，辅助战略部门优化年度投资计划，实现投资闭环管控；在经营管理方面，引入大模型开展智能合同审核，解决合同数量大、人工审核压力高的痛点，既提升审核效率，又有效规避法律风险；在财务领域，自研财务智能助手，依托智能系统实现语音生成出差单据、税务发票自动推送归集，简化报销流程，大幅降低人工操作成本、提升财务办公效率。

AI落地挑战及展望

目前，电力行业人工智能落地存在四大痛点：一是数据多元异构，即便完成数据治理，数据仍存在打通困难；二是高质量 AI 训练数据集稀缺，数据湖原始数据还需标注、差值等加工处理，大唐正联合业务专家梳理高价值数据、自建高质量数据集与知识工程；三是存在大模型幻觉与自动化偏见问题，现阶段生产控制类 AI 模型能力仍有限；四是人机权责边界模糊，现有机制无法明确人机分工与责任划分。

长远看，人工智能机遇与风险并存，部分潜在风险仍需深入研究。随着智能体、人形机器人等技术迭代，AI 将深度替代重复性工作；人工智能叠加可控核聚变等前沿技术，或将成为推动社会生产力升级、实现更高社会发展形态的关键核心技术，企业应当主动拥抱 AI、稳步推进智能化落地。