AI 在电力系统里最实用的三件事，以及它为什么不能碰关键设备

2026-10-06 发布来源：我告诉你AI导航阅读

夏天最热的那几天，调度大厅的屏幕上同时挂着几条曲线：明天的负荷预测、风机出力的预测、几条重载线路的温度。任何一条偏了，后面就要靠临时开停机去补。这类判断过去靠经验和规则，现在越来越多交给模型。AI 在电力系统里真正跑顺的只有三件事，...

夏天最热的那几天，调度大厅的屏幕上同时挂着几条曲线：明天的负荷预测、风机出力的预测、几条重载线路的温度。任何一条偏了，后面就要靠临时开停机去补。这类判断过去靠经验和规则，现在越来越多交给模型。AI 在电力系统里真正跑顺的只有三件事，而且它始终进不了那间拍板的屋子。下面逐件拆开讲，也说清这条界线画在哪。

电发出来就得用掉，这条约束决定了 AI 站哪

电网有个别的行业没有的硬约束：发和用要在同一瞬间平衡，大规模存储的成本还很高。这意味着所有的预测误差都要用备用容量去兜，兜不住就是频率波动，再严重就是拉闸。所以电力系统对 AI 的期待很具体，不是让它发明新策略，而是让它把误差压小一点、把预警提前一点。位置定在辅助，是因为这个系统的容错空间本来就窄。

三件事的实际边界

把行业里说得热闹的能力按动作拆开，落差一目了然：

环节	能做	不能做
负荷预测	结合天气、节假日、历史负荷给出次日与日内曲线，并按区间给出误差范围	预测临时大型活动、突发限电、单台大设备故障引起的负荷跳变
设备巡检	用无人机与摄像头识别异物、破损、发热点，把海量照片先筛一遍	判断这条缺陷还能撑多久；替代带电作业前的现场确认
新能源出力预测	按数值天气预报推算风电光伏的出力区间，提前安排备用与检修窗口	预测天气过程本身的突变；给出可以直接结算的确定值
调度与保护	给运行方式建议、做潮流校核、在仿真环境里试算几种方案	直接下发控制指令、替代继电保护、为一次事故承担责任

四行里落地程度差得最远的是第一行和最后一行。负荷预测已经有多年积累，气象数据、历史曲线、节假日标签都相对规整，误差可以被量化，也能被考核。调度与保护面对的是公共安全，一次误动可能影响几十万人用电，所以这一环的技术再进步，权限也不会交出去。

巡检先跑通，是因为错了当天就能发现

巡检场景有三个天然优势：目标明确，异物、破损、发热点在图像上有稳定的外观特征；反馈快，拍完当天就能核对；环境可控，无人机航线固定、拍摄角度可复现。三点凑齐，模型效果就能被稳定衡量。视觉识别的基本原理可以看计算机视觉怎么从画面里读出信息。真正的瓶颈往往不在识别率，而在那些占比不高的疑难样本：逆光、覆冰、被树枝遮挡的绝缘子，它们仍然需要人工复核。

预测的天花板在数据，不在算法

负荷预测的精度提升，过去十年主要来自数据而不是模型。气象观测点加密、智能电表铺开、新能源场站上传实测出力，这些让输入变准了。反过来，传感器漂移、量测缺失、台区改造导致的统计口径变化，会让模型悄悄失效，这类偏移有个通名，可以看数据漂移是怎么发生的。时间序列方法本身的进展也有帮助，但它是乘数，不是基数，时间序列预测怎么处理季节性讲的就是这类模型的适用边界。

另一层天花板在极端情形。模型学的是历史分布，而电力系统最需要预测的恰恰是分布之外的那几天：连续高温、台风过境、一次罕见的寒潮。这些样本在训练集里太少，模型给出的区间往往偏窄，看起来自信，实际兜不住。行业里的做法是给极端天气单独准备一套规则和人工研判流程，不指望模型自己扛。

为什么关键设备必须留给人

这一段说清边界。第一层是安全等级：断路器、保护装置、直流系统这些设备，动作一次就不可逆，错了没有撤销键，任何概率性的判断都不适合直接接到执行端。第二层是责任：事故要有人签字、有人担责，模型没有这个位置，也无法解释自己为什么在某个时刻给出了那个建议。第三层是验证难：电力系统的极端工况无法在真实电网里反复试验，一个策略在上万次仿真里都对，也可能在第一次真实故障时失效。所以行业普遍把 AI 放在仿真、校核、告警这三类可回退的位置上，训练和推理在这里也是分开的两件事，模型更新要经过离线验证才上线，可以看训练与推理的区别。