大模型競速賽，從通用領域來到了專用領域。

　　近日，多款能源大模型集中面世：中國石油上線昆侖大模型APP，朗新科技集團發(fā)布“朗新九功”AI能源大模型，國家能源集團發(fā)布首個千億級發(fā)電行業(yè)大模型“擎源”。

　　此前，市場一直有聲音認為，工業(yè)場景具有數據高復雜度、結果低容錯率、成本敏感性高等特點，因而在本輪AI大模型技術發(fā)展的浪潮中，應用落地節(jié)奏相對較慢。

　　但在最早嘗試開展大模型應用的行業(yè)之一——能源行業(yè)，大模型已在電網調度、煤電生產、核電運行等場景落地。在新能源領域，大模型也逐步滲透至新能源的預測、消納、運維等環(huán)節(jié)。

　　賦能新能源消納

　　在新能源領域，新能源發(fā)電功率預測是大模型技術成熟度最高、產業(yè)落地最廣的場景之一。

　　新能源功率預測是電力交易的基石。但隨著風光新能源在電網中的占比不斷提高，新能源發(fā)電出力的隨機性、波動性和間歇性，正在威脅功率預測的準確性。

　　浙商證券研究指出，傳統(tǒng)上，電站主要根據物理模型和統(tǒng)計方法對新能源發(fā)電功率進行預測，以提前應對電網波動。但面對復雜多變的氣候條件和不斷增長的新能源裝機規(guī)模，傳統(tǒng)的預測方式逐難以滿足精準預測的需求。

　　目前，谷歌DeepMind基于擴散模型技術推出的氣象預測大模型能夠實現長達15天的全球天氣預報，華為、英偉達等公司也都對其發(fā)布的氣象大模型持續(xù)迭代升級，為新能源領域提供精準高效的功率預測。

　　此外，業(yè)內還衍生出細分新能源發(fā)電功率預測大模型，如協(xié)鑫集團與北京大學、NVIDIA合作研發(fā)了光伏功率預測大模型，光伏發(fā)電量預測精度比單純依靠時間序列模型提升3至5個百分點。

　　精準的新能源發(fā)電功率預測是解決新能源并網消納問題的關鍵所在。

　　通過智能調度算法，大模型可以實時分配新能源電力，減少棄風棄光現象。如南方電網的新型電力系統(tǒng)智能電力平衡體系通過大幅提高新能源功率預測和用電負荷預測準確度，實現新能源發(fā)電與負荷變化在百萬平方公里尺度上的秒級匹配，顯著提升新能源消納水平。

　　這也能夠輔助新能源并網：在新能源并網過程中，電網面臨波動性和間歇性挑戰(zhàn)。大模型能夠基于新能源發(fā)電量的精準預測，優(yōu)化并網策略;并通過實時監(jiān)測和動態(tài)調整，抑制電力系統(tǒng)寬頻振蕩等問題。

　　在發(fā)電側，大模型的另一大應用是設備運維。如遠景智能推出新一代風機故障檢修支持虛擬專家，基于生成式大模型，并智能調用行業(yè)精調小模型，能夠迅速完成意圖解析，提升運維效率。

　　劍維軟件副總裁及中國區(qū)總經理崔靜怡告訴21世紀經濟報道記者，AI模型還能夠深度分析海量能源數據，如設備運行數據、電網負荷、天氣預報，實現設備的預測性維護，大幅減少非計劃停機時間，降低運維成本。

　　此外，通過與無人機、攝像頭、機器人、機器狗等設備聯動，結合視覺大模型，大模型也能應用于新能源設備巡檢等領域。

　　避免“大材小用”

　　在大模型出現之前，人工智能在能源領域的應用以專用小模型為主。這些小模型參數規(guī)模較小、數據需求有限，專注于解決特定場景下的具體問題，如能源需求預測、智能電網管理或可再生能源優(yōu)化利用等。

　　大模型出現后，因其出色的上下文理解、指令遵循、內容生成、數據處理、場景泛化等能力，逐步覆蓋更廣泛的能源場景，如新能源并網優(yōu)化、電網穩(wěn)定性提升等。

　　有業(yè)內人士指出，大模型在某些場景下具有必要性，但有些問題使用小模型就能低成本解決。如寬頻振蕩風險分析、溯源這類業(yè)務的特點是機理相對明確、數據量不大，專業(yè)小模型便能有效解決，既能避免大模型的高額投資，也能規(guī)避大模型幻覺對分析結果可靠性的影響。

　　大模型存在多種技術路線，包括時序大模型、大語言模型、多模態(tài)大模型、仿真/科學計算模型等。

　　其中，時序大模型在新能源發(fā)電功率預測中想象空間較大。

　　“新能源預測是未來短期內有望看到顯著成效的大模型典型應用場景。”前述業(yè)內人士指出，利用時序大模型，可以在現有水平基礎上，融合更多氣象數據，構建端對端的架構體系，更加充分挖掘氣象數據和新能源出力的特征和匹配關系，有望進一步提升預測精度，助力調度生產。

　　相對而言，語言大模型的訓練和應用依賴數據儲備，目前在新能源領域成熟度較低。

　　不同于通用大語言模型可以使用互聯網海量信息作為訓練數據，能源行業(yè)的AI模型沒有現成數據可以使用。崔靜怡告訴記者，能源行業(yè)的IT(信息技術)和OT(運營技術)系統(tǒng)長期各自發(fā)展，導致數據分散、標準不一。有效整合這些異構數據，建立統(tǒng)一的數據底座是AI應用的基礎，但也是一大難點。

　　她還指出，工業(yè)場景的復雜性要求AI模型不僅能識別數據模式，更要結合深厚的工業(yè)機理知識。“如何將行業(yè)專家經驗與AI算法有效結合，開發(fā)出真正可靠、可解釋的工業(yè)AI模型，尤其是對于波動條件下的新能源電力與化工的聯合動態(tài)運行，仍是行業(yè)空白，還需要持續(xù)投入研發(fā)以突破技術難關。”

　　來源：21世紀經濟報道記者孫燕