大模型技术在新型电力系统中的应用

大模型技术在新型电力系统中的应用 Beijing ou Creative Technology Co.,Ltd. (ocTc) 成立于2004年，是一家长期专注于电力市场交易、电网智能调度、智能发售电和能源互联网等应用领域研究咨询、算法研究、软件开发的高新技术企业主营业务：自研软件产品、软件开发服务、研究咨询、系统集成和技术服务 北京清大科越股份有限公司汇报人：王毅2025.09 一、新型电力系统的时代背景与思考 二、大模型赋能新型电力系统的创新体系 三、迈向整体智能 “双碳”目标驱动深刻变革：全球能源转型加速，“双碳”战略的提出为我国能源发展指明了清洁低碳的核心方向，能源系统正经历前所未有的结构性变革 如何实现中国的“双碳”目标？ ●新型电力系统应运而生：作为能源革命的核心载体，新型电力系统旨在构建以高比例可再生能源为主体，源网荷储深度互动、安全高效的现代能源体系 核心使命与紧迫性 承载高比例新能源：支撑风、光等波动性可再生能源的大规模、高比例接入与消纳，是实现能源结构清洁化的关键。保障能源安全稳定：在能源结构转变过程中，确保电力可靠供应，维护国家能源安全支撑经济社会发展：为经济社会绿色低碳转型提供坚实的电力基础。 承载高比例新能源 保障能源安全稳定 确保可再生能源的大规模接入和消纳，以实现能源结构清洁化。 维护可靠的电力供应，以支持国家能源安全。 支撑经济社会发展 提供坚实的电力基础，以促进经济和社会的绿色转型。 新型电力系统面临新能源不确定性、分布式资源协调难、数据处理融合不足、决策实时性要求高、安全韧性挑战大等“成长烦恼”。而大模型凭借强大的数据处理与模式识别、出色的上下文学习与推理、多模态融合潜力等能力，成为破局关键，助力解决系统难题。 、新型电力系统的时代背景与思考 二、大模型赋能新型电力系统的创新体系 三、迈向整体智能 大模型在电力领域中的角色定位 在电力这一对可靠性、安全性要求极高的关键领域，大模型的引入无疑带来了新的机遇，但其固有的局限性也决定了它们无法完全替代人类的决策作用。大模型并非“万金油”，其核心定位是作为强大的辅助工具，而非独立的决策主体 大模型在电力领域中的角色定位 协同互补的“双轨运行”模式 大模型作为智能增强层与现有系统并行运行 大模型并行运行与辅助 不直接干预现有系统的操作指令，而是通过深度分析现有系统产生的数据（如企业资源计划（ERP）系统的销售数据、办公自动化（OA）系统中的审批流程），提供高级分析、预测、优化建议和人机交互功能。大模型的输出作为参考信息，辅助专业人员进行决策，加快决策速度，并提供判断依据 现有系统自主运行 OA.ERP、文件管理等现有系统继续独立、自主地承担其核心功能，处理日常业务流程和数据。这些系统是企业运营效率的保障，其运行逻辑和数据流清晰、可控。 这种“双轨运行”模式，实现了“A算力”与“专家智慧”的完美结合。A负责处理它擅长的复杂计算和数据关联，而人类专家则凭借经验和知识，进行最终的判断和决策。 架构之基：选择与优化适应电力特性的模型骨架 通用大模型：并非为电力系统的时序性、物理性、高维动态性而生，直接应用到电力场景，效果往往受限， 定制化模型骨架 在成热通用模型基础上，增加电力专用层（如时序特性、物理约束层），兼顾通用能力与专业性或者设计适用于电力时序数据的模型架构（如基于状态空间模型、图神经网络结合时序特征的模型），更精准捕捉电力系统动态。融合物理机理模型与数据驱动模型，形成优势互补。 选和优化模型骨架要考虑： 电力数据的特性：电力数据以时序为主，包含大量数值型数据，对模型捕捉时间依赖和动态变化能力要求高。 不同的任务需求：不同任务（预测、控制、诊断）对模型架构的侧重点不同。 计算资源的约束：需平衡模型性能与训练/推理成本。 数据是血液：电力大模型价值实现的核心要素 数据贯穿模型训练、部署、应用的全过程：大模型的能力源于从海量数据中学习模式和知识。没有高质量、多维度、大规模的数据，电力大模型就是无源之水，其价值也无从谈起 数据质量决定模型上限：数据的准确性、完整性、一致性、时效性直接决定了模型训练的效果和最终应用的可靠性。低质量数据可能导致模型产生错误认知基至误导决策。 数据维度拓展认知边界：融合来自源、网、荷、储、气象、市场等多维度数据，能够让模型更全面地理解电力系统的复杂运行状态和相互影响，发现隐藏的关联和规律。 行业知识的注入：让大模型“懂”电力 电力系统拥有庞大而复杂的专业知识体系，包括设备规范、调度规程、安全约束、市场规则、行业术语等，这是通用大模型天然的知识盲区。模型如果不能理解这些行业特有的知识，就无法准确理解任务需求，更无法生成符合实际业务逻辑的可靠 检索增强生成（RAG） 领域数据预训练/微调 使用包含大量电力专业文献、报告、规程、运行日志等语料库对模型进行训练或微调，使其掌握行业语言和基础知识 实时更新知识库（如设备台账、故障案例库、标准规范库），在模型生成答案时提供相关知识作为参考，提高专业性和准确性。 指令微调 知识图谱融合 构建电力专业知识图谱，将结构化的实体、关系、规则与大模型相结合，增强模型的逻辑推理和知识关联能力。 针对特定的电力任务（如故障诊断、报告生成），构造指令数据集进行微调，让模型学会遵循特定格式和要求执行任务，可蒸留小模型，部署在硬件配置更低的终端中。 多维编织：构建从设备到系统的认知网络 电力系统是一个多层次复杂系统，包含从单个设备（变压器、开关）到局部网络（变电站、配电线路）再到整个区域电网的不同粒度。只关注设备细节可能忽略系统性风险：只看宏观整体可能无法定位具体问题根源。通过构建层次化网络结构和跨层级信息交互使模型能够根据任务需求，灵活地在不同层级进行分析和推理，实现全面认知。 系统级刻回整个电网的运行方式、稳定裕度、功率平衡、阳塞断面等宏观状态 建模局部网络的拓扑结构、潮流分布、电压支撑、保护配合等中观特性 设备级捕捉单个元件的运行参数、健康状态、故障模式等微观信息 推理的效率与边界：实现实时响应与边云协同的平衡 电力场景对推理速度的要求苛刻 实时控制类：继电保护、紧急控制等需毫秒级响应。在线分析/调度类：日内调度、安全校核等需秒级至分钟级响应。离线规划/分析类：规划设计、仿真计算等可容忍小时级响应。 为满足不同业务场景的实时性需求，并平衡性能、成本和速度，云边协调的部架构是理想选择： 云端：部署大规模、高精度的复杂模型，处理全局性、非实时的分析与决策任务。边缘端（场站/变电站/终端）：部署轻量化、快速响应的模型，处理局部性、实时性要求高的监测、控制、预警任务。云边协同：通过高效的通信机制实现云端模型与边缘模型的任务协同、模型更新和结果同步。 辅助机器人”：面向核心业务场景的智能体范式 从架构到应用，如何将宏观的技术架构落到具体的电力业务场景？科越提出“辅助机器人”的概念 定义：“辅助机器人是基于大模型技术，面向特定电力业务场景（如调度、交易、智慧能源），具备感知、认知、决策、交互能力的多智能体。 核心定位： “辅助”而非“替代”：机器人的主要职责是辅助人类专家（调度员、交易员、运维人员），提供信息分析、方案建议、风险预警，提升决策效率和质量，而非完全取代人的角色。 场景驱动：每个机器人聚焦于解决特定业务流程中的痛点问题。 智能调度辅助机器人 智慧能源辅助机器人 辅助调度员进行电网安全校核阻塞管理、优化出清计算 辅助园区管理者、聚合商、用户进行负荷预测、能效优化、市场参与决策 市场交易辅助机器人 辅助交易员进行市场分析、价格预测、策略生成、风险监控 机器人的“灵魂”：核心大模型与推理决策引擎 认知与决策中枢：是机器人的核心智能所在，负责处理最复杂的认知任务 核心大模型 理解与表征：自然语言理解，负责理解输入的指令、数据和上下文信息 知识推理：基于注入的行业知识和从数据中学到的模式，进行逻辑推理、因果分析、态势研判 复杂决策规划：能够进行多步骤、多自标的复杂决策规划，生成解决问题的初步方案或行动序列 推理决策引擎 整合与优化：整合大模型的初步分析结果、外部知识库信息、实时数据以及业务规则约束。 技术实现：能采用预训练大模型（经过电力领域微调）+专用推理/优化算法（如运筹优化、强化学习）。 机器人的“驱干”：数据融合与知识管理 数据融合与知识管理系统是连接“头脑”与“四肢”的关键枢纽，为机器人的智能运作提供持续的数据流和知识流 数据融合平台 多源接入：连接来自电网SCADA、气象系统、市场平台、用户侧设备、外部数据库等不同来源的数据接口。》清洗与整合：对接入的数据进行实时清洗、校验、对齐和融合，形成统一的、高质量的数据视图。实时更新：保证数据的时效性，为“头脑”提供最新的系统状态信息。 知识管理系统 知识库构建：存储和管理电力行业的专业知识，如设备台账、运行规程、故障案例、标准规范、市场规则等（可能结合知识图谱）。动态维护：保证知识库内容的准确性和及时更新。高效检索（RAG支撑）：为“头脑”在推理决策时提供快速、精准的外部知识检索服务。 机器人的“四肢”：感知、执行与交互的专业子智能体 由多个功能专一的“子智能体”（或模块/工具）构成机器人与外部世界交互、执行具体操作的“手和脚 子智能体的多样性 感知类：负责特定数据的采集和初步处理（如图像识别巡检子智能体、特定信号监测子智能体） 》计算/分析类：执行特定的计算或分析任务（如潮流计算子智能体、负荷预测子智能体、优化算法子智能体） 》执行类：调用外部系统接口（构建MCP服务）执行操作（如向调度系统下发指令的接口子智能体、向市场平台报价的接口子智能体）。 》交互类：负责与人或其他系统进行交互（如生成报告子智能体、自然语言对话接口子智能体、调用外部API的子智能体）。 协同工作：“头脑”（大模型）进行规划，“驱干”（数据）提供支持，“四肢”（子智能体）根据指令分工协作，完成复杂任务链。 协同机制：子智能体之间的通信协议、任务分配、状态同步、冲突解决机制是实现高效协同的关键技术难点。 可靠性与安全性：每个子智能体（尤其是执行类）的可靠1性和安全性必须得到充分保障。 场景1：现货交易 现货复盘功能从整体上分析各种策略下的收益情况，并细化总体收益，将收益的各个市场下的具体组成进行细化，并将各市场收益的不同策略的组成进行分析，定位各市场下策略的优劣，能更好的指导交易人员的策略制定，以及了解收益的概况 通过基于知识增强大模型的电网应急信息智能生成与报送技术研究，实现应急事件自动判断、应急信息智能生成、应急信息报送范围自适应决策，提高应急信息报送效率，保障电网安全运行 场景3：趋势预测分析-市场趋势预测 电力市场趋势预测的总体思路则是在完成发电与负荷预测后，形成供给曲线和需求曲线，再输入市场力度申报约束、出清约束等交易约束调节，预测交易量和边际成交价格。 场景4：分布式新能源功率预测-新能源功率预测系统功能 G场景5：电价预测-高精度电力市场边界预测（负荷/新能源）技术Q清大科越 基于高精度气象和人工智能技术的预测方法 独家数据优势：城市院作为第三方战略合作伙伴 ●全要素高分辨率专业数值气象预报系统RMAPS3.0 气象-AI融合预测算法 ，基于时间序列特性：LSTM，Seq2Seq：TCN等》历史“惯性”周期变化·融合网格化气象数据：CNN，Attention，Transformer等提取全局及不同区域的气象信息抓住关键影响因素综合考虑多种影响因素的样本/特征工程正在调研筹备时序大模型的应用 多源预测结果融合 提供多种预测结果供运营参考考虑随机性，提供可能的分布区间根据各算法近期的误差表现和稳定度，自适应为其结果分配权重，给出最有可能的预测结果 应用效果 多年来为多个省份和地区提供稳定服务MAPE指标基本可达98.5%以上 场景5：