封閉性過強難以充分釋放AI潛力
來源：中國南方電網 時間：2025-11-07 10:16
日前，第二屆GTI數(shù)智香江國際論壇在香港開幕。同期，由中國南方電網有限責任公司承辦的“智慧能源”分論壇，聚焦人工智能（AI）與能源行業(yè)深度融合路徑，旨在搭建全球智慧能源交流合作平臺，推動智能化能源技術創(chuàng)新轉化與產業(yè)價值提升。
論壇期間，《南方能源觀察》（eo）對主要參會專家展開專訪。作為西門子能源數(shù)字電網創(chuàng)新與業(yè)務發(fā)展負責人，奧爾加?格爾博維奇（Olga Grbovic）帶領全球團隊長期鉆研電力系統(tǒng)數(shù)字化領域，憑借在電力傳輸、投資組合戰(zhàn)略及復雜電網基礎設施項目等行業(yè)逾17年的實戰(zhàn)經驗，在電網增強技術研發(fā)、AI落地應用及數(shù)字孿生實踐等方面積累深厚。
在專訪中，格爾博維奇深入剖析了AI、機器學習在電網巡檢、仿真加速、慣量估算等場景的落地路徑，以及數(shù)字孿生“多模態(tài)、全生命周期”的獨特優(yōu)勢；此外，針對電網數(shù)字化面臨的數(shù)據共享、跨學科合作、系統(tǒng)開放性等挑戰(zhàn)，格爾博維奇結合西門子在德國、美國的項目實踐分享了經驗，并對中歐美在智慧能源領域的合作空間及未來5—10年數(shù)字電網發(fā)展重點提出了獨到見解。
新建線路來不及，電網增強技術先頂上
eo：您如何定義電網增強技術（Grid Enhancing Technologies，GETs）？
格爾博維奇：電網增強技術指的是，所有能幫助我們更高效、更可靠利用現(xiàn)有電網容量的解決方案。簡單來說，當前電氣化進程不斷加速，越來越多可再生能源接入電網，這就導致電網輸配電容量需求大幅增加。但新建電網設施從規(guī)劃、獲取許可到建成輸電線路、變電站，往往需要數(shù)年甚至十幾年時間，電網增強技術就是為了填補這一供需差距而存在的。
在這段“過渡時期”，我們能做些什么？部署儲能設備、應用潮流控制裝置；同時還能增加傳感器數(shù)量、提升數(shù)據采集能力，推動電網數(shù)字化轉型，借助智能分析與先進診斷技術，讓現(xiàn)有電網基礎設施發(fā)揮更大效用。而人工智能和機器學習在這一過程中能發(fā)揮重要作用。它們可以幫助我們更深入地分析、理解采集到的各類數(shù)據。
eo：GETs與傳統(tǒng)電網技術相比，最大的不同之處在哪？
格爾博維奇：以輸電線路為例，傳統(tǒng)技術的核心思路是新建線路來滿足需求。但電網增強技術有一個典型優(yōu)勢，就是“動態(tài)資產評級（dynamic asset rating）”。目前，電網運行時，通常會給設備設定固定額定值，設備在設計和建設階段就被限定在特定運行水平?？蓪嶋H上，根據設備的運行工況、所處環(huán)境的溫度、濕度、太陽輻射、風速等因素，這些設備完全可以在不同條件下靈活調整運行方式。
有時結合設備過往的負荷情況、當前狀態(tài)，我們可以通過智能分析做出可靠判斷，比如，在必要時，判斷該設備是否可以短時間安全過載運行。當然，電網運行的核心目標——安全性、可靠性和可用性始終不會改變。
所以，如果要讓線路或變壓器過載運行，必須以充分的數(shù)據分析、場景模擬和多情境評估為基礎。在這個過程中，機器學習和人工智能能加快模擬速度，幫助我們更快、更精準地做出決策。
eo：相比直接新建線路，這種技術的成本也更低。
格爾博維奇：確實如此。這些技術不僅成本效益更高，部署速度也更快。比如，安裝傳感器顯然比新建一條輸電線路簡單得多。
當然，它們可能無法達到新增輸電容量那樣的效果，但至少能在新線路建設期間填補容量缺口，滿足這段時間的用電需求。
eo：GETs主要包含哪些類別或技術？比如在輸電和配電環(huán)節(jié)，分別有哪些應用？
格爾博維奇：在配電網層面，尤其是中壓配電網，目前面臨的挑戰(zhàn)包括雙向潮流、電動汽車充電需求增長，以及“產消者”（既用電又發(fā)電的用戶）數(shù)量不斷增加。而且配電網的監(jiān)測點和傳感器數(shù)量通常遠少于輸電網，這就導致我們不得不更多依賴數(shù)據估算和預測。這時AI就能發(fā)揮作用，即便沒法在每個位置都部署傳感器，也能通過預測和估算彌補數(shù)據缺失的問題。
在輸電網層面，核心需求還是更好地利用現(xiàn)有電網資源。比如，根據輸電網資產的健康狀態(tài)和診斷結果，制定更優(yōu)化的運維計劃。這就不再是單純按照時間周期進行維護，而是轉向“基于狀態(tài)”維護。同時，通過技術手段更好地預測和預防潛在故障，在日常運行中安全利用資產的過載能力。
eo：“基于時間”和“基于狀態(tài)”維護有什么區(qū)別？
格爾博維奇：“基于時間”維護很容易理解，比如，你買了一臺新變壓器，廠家提供的維護手冊要求每年停機檢修一次，不管這臺變壓器實際運行狀態(tài)如何，都要按固定時間執(zhí)行。而“基于狀態(tài)”維護，則是根據資產的實時診斷數(shù)據來靈活調整維護計劃，設備狀態(tài)好就適當延長維護間隔，狀態(tài)出現(xiàn)異常再及時檢修。
數(shù)字孿生+邊緣AI，讓電網運維更智慧
eo：人工智能（AI）和機器學習（ML）在推動智能電網發(fā)展中，核心作用是什么？在西門子能源的戰(zhàn)略里，它們處于怎樣的位置？
格爾博維奇：現(xiàn)在AI確實是熱門領域，但它并非萬能工具。不過，在一些傳統(tǒng)數(shù)值計算難以解決的場景中，AI確實能提供有效幫助，如計算機視覺與檢測技術，這一技術已在多個行業(yè)廣泛應用，如今也逐漸進入能源行業(yè)。我們可以利用攝像頭、激光雷達、熱成像設備、紅綠藍（RGB）相機等工具，對電網資產進行巡檢。巡檢會產生海量圖像和數(shù)據，靠人工處理效率極低。這種情況下，AI能自動識別和檢測電網中的缺陷或安全隱患，從而提升電網維護水平。這是AI在電網領域應用最早、也最成熟的方向之一。
除此之外，電網行業(yè)還有一些特有問題，如電網穩(wěn)定性、慣量和強度的測量。雖然目前已有多種電力系統(tǒng)仿真工具協(xié)助處理這些問題，但AI和機器學習方法能處理更大規(guī)模的數(shù)據，幫助我們更準確地估算電網慣量或電網強度。
舉個例子，在電網資產的仿真領域，傳統(tǒng)設計工具完成一次模擬往往需要幾小時甚至幾天。但我們已經積累了大量仿真數(shù)據，這些數(shù)據可以用來訓練神經網絡。一旦訓練完成，神經網絡能在幾秒內輸出與傳統(tǒng)工具精度相當?shù)慕Y果，無論是熱模型仿真，還是其他機械、物理層面的模擬。這不僅能為設計工程師提供助力，還能應用到電網運行和規(guī)劃中，這在以前是難以實現(xiàn)的。
當然，所有這些模型都需要在實際運行條件下驗證。如今，邊緣設備性能比5—10年前有顯著增強，隨著邊緣計算能力的提升，在現(xiàn)場直接部署和訓練AI算法也變得更加可行。
eo：在輸電網中，AI支持的GETs如何提升線路、變壓器等關鍵設備的利用率和可靠性？
格爾博維奇：這類提升主要體現(xiàn)在傳感與數(shù)據采集環(huán)節(jié)?，F(xiàn)在傳感器價格更低，部署范圍也更廣，我們能實時獲取更多設備運行數(shù)據。但我認為，只做到實時分析還不夠，預測和仿真才是關鍵。比如，變壓器過載運行，可能會改變原本的維護周期，甚至影響設備壽命。但如果我們能通過AI技術計算出設備的老化程度，就能讓電網運營方在“是否允許過載”這個問題上做出有數(shù)據支撐的決策。這就提升了電網運行的靈活性，進而提高設備利用率。
eo：在配電側，AI除了預測，還能如何助力解決分布式能源、儲能和電動汽車帶來的不確定性和負荷波動問題？
格爾博維奇：我認為AI需要與分布式計算結合，在配電網領域尤其如此。我們應盡量減少集中數(shù)據處理，讓更多計算和決策在靠近用戶、靠近電網資產的邊緣設備上完成。
因為預測和調度所需的數(shù)據量非常大，如果把所有數(shù)據都傳回中心平臺處理，既不現(xiàn)實也會增加延遲。所以必須構建一個“智能架構”，合理區(qū)分邊緣側和中心側（調控中心或云端）的處理任務，弄清楚哪些數(shù)據由邊緣設備處理，哪些需要上傳到中心平臺。同時，邊緣側的AI算法也要能根據最新數(shù)據不斷更新、持續(xù)學習，以適應用戶用電行為、用電模式和天氣條件的變化。
比如，現(xiàn)在幾乎每家都裝了智能電表，如果這些電表本身具備圖形處理器（GPU）和邊緣計算能力，不僅能上傳用電數(shù)據，還能在本地學習用戶的用電習慣，并且與鄰近電表協(xié)同優(yōu)化，這樣就能在局部形成類似虛擬電廠的效果，有效應對負荷波動。
eo：您在演講中提到了“數(shù)字孿生”，數(shù)字孿生在電網中有什么作用？它與傳統(tǒng)的仿真和監(jiān)控有何不同？
格爾博維奇：電網中的數(shù)字孿生，既可以是單個資產（如一臺變壓器）的數(shù)字孿生，也可以是整個變電站，甚至整個電網的數(shù)字孿生。它們有一個共同點，就是必須具備“多模態(tài)”特性。
傳統(tǒng)仿真通常只針對單一模塊，比如只做熱模型仿真。而數(shù)字孿生能同時整合多維度數(shù)據，如設備的三維模型、運行條件對設備老化的影響等，并且貫穿資產的全生命周期——從設計、運行到維護的每一個階段?？梢哉f，數(shù)字孿生是更高維度的仿真。
電網數(shù)字化的未來，關鍵在合作與開放
eo：從全球范圍來看，基于AI的電網增強技術目前應用情況如何？哪些國家或地區(qū)處于領先地位？
格爾博維奇：這是我第二次來中國，必須說，中國在數(shù)字化和AI領域投入的研究力量和資源給我留下了非常深刻的印象。在北美地區(qū)，尤其是在大型科技公司的推動下，業(yè)界對新技術的創(chuàng)新意愿和試用積極性也很強。相比之下，歐洲雖然有不少相關研究，但整體偏學術化，真正實現(xiàn)大規(guī)模落地應用的進展還比較初期。
當然我們也要清楚，電力系統(tǒng)是關鍵基礎設施，AI和數(shù)字化能幫助我們解決部分挑戰(zhàn)，但我們依然離不開“硬件設備”，也就是發(fā)電、變壓、輸電所需的大型裝備，這些設備的作用不可替代。同時，隨著AI和數(shù)據應用越來越廣泛，網絡安全問題的重要性也在不斷提升，這也是需要重點關注的。
eo：您認為未來5—10年，數(shù)字電網的發(fā)展重點在哪里？AI會如何進一步改變電網運行模式？
格爾博維奇：德國電氣工程師協(xié)會做過一個很有意思的類比，把電網調度員比作汽車駕駛員。汽車自動化駕駛分為不同等級，從輔助駕駛到完全自動駕駛；同樣，電網的自動化和智能化水平也可以劃分不同等級。目前來看，電網不太可能實現(xiàn)完全“無人駕駛”，也就是說，在關鍵決策環(huán)節(jié)，始終需要人的參與。
不過，AI可以通過優(yōu)化算法、開展模擬推演和情景分析，為調度員提供更強大的決策支持?，F(xiàn)在的電網日常運行中，很多環(huán)節(jié)已經能實現(xiàn)半自動化甚至全自動化；未來5—10年，這一趨勢會進一步深化，自動化覆蓋范圍會更廣、效率會更高。但在特殊情況或緊急場景下，人的判斷和決策依然不可或缺。
eo：當前AI驅動的電網應用，遇到的最大難點是什么？
格爾博維奇：我認為主要有三個方面。第一，數(shù)據質量與數(shù)據建模?，F(xiàn)在傳感器和物聯(lián)網設備能采集大量數(shù)據，但如何確保不同設備數(shù)據的互操作性、避免數(shù)據重復和冗余，同時建立合適的數(shù)據模型，把這些數(shù)據有機關聯(lián)起來，是當前最需要解決的問題。
第二，系統(tǒng)開放性。要真正加快AI在電網領域的規(guī)?；瘧茫捅仨殬嫿ㄩ_放的軟件架構和生態(tài)體系，讓更多開發(fā)者和研究人員能基于統(tǒng)一的數(shù)據模型，開發(fā)不同的應用場景。因為沒有人能精通所有領域，不同背景的專家可能會提出電力工程師從未想到過的、有價值的應用案例。
第三，行業(yè)封閉性。電網是關鍵基礎設施，行業(yè)存在一定封閉性是情理之中的。但如果封閉性過強，就很難充分釋放AI的潛力。所以我們需要在保證安全合規(guī)的前提下，推動構建更開放的數(shù)據共享和應用生態(tài)。
eo：西門子在德國最大配電公司（DSO）的試點項目中，有哪些經驗和成果可以分享？
格爾博維奇：在所有研究領域，大家都會強調合作與共享的重要性，但在數(shù)字化和人工智能（AI）領域，這種合作尤為關鍵。因為AI研發(fā)需要大量高質量數(shù)據，還得找到真正契合的應用場景。AI研究成本不低，如果沒有明確的應用場景，很可能會耗費大量時間和資源，卻無法產生實際價值。正因如此，與電網系統(tǒng)運營商、電力系統(tǒng)資產所有者的合作就格外重要。
所以，我們總結出兩點核心經驗。第一，要選對研究方向，這必須通過設備制造商和系統(tǒng)運營商的深入溝通來實現(xiàn)，雙方明確需求后再推進研發(fā)。第二，要解決數(shù)據問題。我們在建設關鍵基礎設施時，設備安裝投運后，通常無法直接獲取其運行數(shù)據，除非簽訂了運維合同。但要驗證和改進數(shù)字孿生、加快仿真效率，又必須有足夠的數(shù)據支撐。這也是我們認為需要加強數(shù)據共享與合作的原因，尤其是用于科研的數(shù)據共享，應該變得更便捷。在歐洲，歐盟的數(shù)據法案已于今年9月正式生效；我也了解到，在中國，南方電網在數(shù)據開放和合理使用方面做了很多探索。這一點對推動AI在電網領域的規(guī)?；瘧弥陵P重要。
責任編輯：劉礎琪
