这两年一说到AI和电力很多人首先想到的是耗电。大模型训练要用电数据中心运行要用电算力规模越大背后的电力需求也越高。于是“AI的尽头是电力”成了一句很流行的话。这句话没错但只说了一半。AI确实在给电网增加负荷同时也在帮电网解决问题。它开始参与天气预报、负荷预测、运行调度、设备巡检和故障抢修甚至连风电、光伏什么时候会突然增发或者减发也在它的计算范围内。尤其到了夏天这种能力就显得更重要。高温会推高空调用电台风和暴雨可能损伤输电线路强对流天气又会让风电、光伏出力突然变化。过去很多工作靠调度员盯数据、运维人员跑现场再根据经验做判断。现在的问题是电网里的数据已经多到靠人看不过来了天气和负荷的变化也越来越快。AI进电网首先解决的就是“来不及”这件事。天气预报还不够电网需要知道哪一基杆塔有危险普通人看天气预报关心的是明天会不会下雨、气温有多高。电网关心的东西要具体得多。一场暴雨来了哪段线路附近可能发生山洪台风向西移动哪些杆塔会先进入大风圈连续高温下哪台变压器更容易重载如果气象信息只能到市、县一级电网运维人员仍然要靠经验判断风险会落在哪里。等现场真的出现险情再组织人员处置往往已经有些晚了。现在卫星、雷达、数值预报、地形、设备状态和历史故障记录可以被放到一起分析。国网工研院研发的电网遥感综合应用服务系统就把部分灾害预警做到了杆塔级。公开案例显示今年汛期以来系统累计发布中高风险预警200余次准确率超过95%。其中24次高风险预警均与实际风险情况相符。这类系统真正有用的地方不是多弹出一条预警而是把预警和设备对应起来。“某地可能有暴雨”是一条天气消息“未来两小时这几基杆塔附近发生山洪和滑坡的风险较高”才是可以安排工作的电网信息。运维人员可以提前巡查调度部门可以调整运行方式抢修物资也能往更可能出问题的地方布置。气象大模型同样在做这件事。面向电力场景的“玑衡”气象大模型可以在几分钟内完成未来10天的全球气象预报在省域范围内把空间分辨率细化到3公里×3公里。台风、寒潮等高影响天气也被单独纳入识别范围。过去气象预报和电网防灾之间多少隔着一层。现在这层距离正在缩短。调度员最缺的不是数据而是判断时间电网调度室从来不缺数据。线路潮流、设备状态、实时负荷、新能源出力、天气变化各类信息不断刷新。真正紧张的时候调度员要在很短时间内回答几个问题哪里可能过载负荷能不能转走转到哪条线路更安全方案执行后会不会带来新的风险很多时候30分钟并不算长。但在迎峰度夏或者故障处置中30分钟又可能太长。长沙供电公司的智能调度员“光明”可以24小时巡检全市4000余条10千伏线路。一旦发现线路重过载或者设备异常它会主动推送预警并生成多套负荷转供方案再完成安全校验。应用之后长沙配电网单次转供决策时间从30分钟缩短到1分钟以内大型保供电方案的编制时间也从10小时压缩到了10分钟。山西长治的AI调度机器人“灵犀”做的是另一件事把散落在不同系统中的运行数据整理成一张“全景电网图”。调度员通过语音就能查询设备和电网状态原来需要20分钟完成的态势感知现在约30秒就能给出结果过去需要3小时统计的设备重过载信息也可以实时生成。这些系统并没有把调度员从控制室里拿掉。负荷是否转供、运行方式是否调整最后仍要由人审核确认。它们拿掉的是调度员面前那些耗时但必须做的工作找数据、做统计、反复核对、生成备选方案。机器先把问题和选项摆出来人再作决定。从实际效果看这可能比简单讨论“AI会不会替代调度员”更有意义。以前是人去找缺陷现在是缺陷自己露出来夏季高温大负荷期间电网设备既要承受高负载还要经受烈日、暴雨和大风。巡检不能停但完全依靠人工也越来越困难。一方面线路长、设备多有些位置人员很难靠近另一方面人眼长时间查看大量照片也容易漏掉细小缺陷。在浙江±800千伏绍兴换流站无人机、四足机器狗、轮式机器人和1000余个高清摄像头已经组成一套立体巡检网络。无人机从空中测温机器狗进入人不方便到达的位置固定摄像头则持续监控设备状态。后台的图像识别模型负责第一轮筛查。渗油、锈蚀、表计异常等问题先由系统从海量照片中找出来再交给运维人员确认。油位、气压和温度等数据也会一起用于判断设备是否存在风险。这套巡检体系投入使用后巡检效率提高了60%缺陷识别率达到95%以上。陕西配网采用的“无人机AI”也是类似思路。无人机负责拍系统负责筛人负责复核。今年迎峰度夏以来陕西电网已经完成18.5万基杆塔、1.2万千米线路的巡检。值得注意的不是无人机飞了多少架次而是检修方式正在变化。过去更像是按日历检修到了时间无论设备状态如何都要检查一次。以后可能更多按风险排序。哪台设备温度异常哪段线路经历过极端天气哪类部件近期故障率上升系统先排出轻重缓急运维人员再安排检修。有限的人手也就能更集中地用在真正危险的地方。抢修正在从“小时级”往“秒级”走线路出了故障最怕的是找不到故障点。告警信息传回来以后要判断哪一段出了问题再隔离故障区段、调整供电路径、恢复其他区域供电。任何一个环节慢下来用户停电的时间都会变长。湖北电力研发的配电网抢修管理智能体已经可以根据多源数据自动研判故障、隔离故障区段并完成负荷转供。今夏湖北东部遭遇强对流天气时黄石一条10千伏线路发生故障系统不到60秒就完成了故障区段隔离非故障区域随即恢复供电。北京的做法又往前走了一步。1.6万余台带有暂态录波功能的故障指示器持续记录线路中的细微波形变化。绝缘出现轻微损伤时线路可能还没有停电但异常波形已经出现。AI通过比对历史数据可以判断潜在缺陷类型。一个是在故障发生后尽快恢复一个是在故障发生前寻找征兆。两条路合在一起才是电网真正想要的“自愈”。当然自愈不等于什么都交给机器。哪些操作可以自动执行哪些必须经过人工确认需要清楚的权限边界。对于电网来说快很重要但安全永远排在快前面。新能源越多越需要把天气算明白风电和光伏给电网带来的难题不是它们不能发电而是出力受天气影响太大。一片云经过光伏场站功率可能很快下降台风外围风场发生变化一批风电场可能同时出现大幅爬坡。对单个场站来说这是预测误差放到区域电网里就会变成调峰、备用和消纳压力。所以气象大模型的价值不能只看天气预报准不准还要看它能不能把气象变化转成功率变化再把功率变化交给调度系统。“玑衡”已经接入全国新能源集中预测平台。相关应用中北方某区域70%以上的新能源场站功率预测精度得到提升。这件事往后走还不只是提高单个场站的预测准确率。分钟级的云团和阵风怎么应对小时级的储能什么时候充放日前交易计划怎样安排火电和水电留多少调节空间这些原本分散的问题最终需要放到一起计算。风电、光伏、储能、充电桩和可调负荷也不会永远各管一摊。只要数据能够连通它们都可以成为电网手里的调节资源。真正的智慧电网不是多装几块大屏现在不少项目喜欢讲“大模型”“数字人”“智能体”。名字越来越新屏幕也越做越漂亮。但判断一个系统是不是真的智能不能只看展示效果。我更愿意看三个问题。它能不能提前发现问题而不是等故障发生以后再报警它给出的结果能不能直接落到线路、杆塔、场站和设备而不是停留在一张宏观地图上它能不能进入实际工作流程帮助调度、运维和抢修人员作出决定而不是只供参观和汇报如果这三件事做不到模型参数再大也很难真正改变电网运行。反过来看把前面的案例连在一起未来电网的轮廓已经能看出一些了气象模型先发现极端天气风险模型判断哪些设备可能受影响调度系统提前调整运行方式巡检设备赶在灾害前复查重点线路如果仍然发生故障系统快速隔离故障区段、恢复非故障区域供电再把处置结果用于下一次判断。这不是某一个模型单独完成的而是一整套“预报、判断、处置、复盘”的闭环。AI进电网越深有些问题越不能含糊电网不是普通互联网平台。推荐错一条视频用户划过去就算了判断错一条线路的风险后果可能完全不同。数据可靠是第一关。传感器漂移、设备台账错误、气象数据偏差都会影响模型判断。数据底座不扎实模型越聪明错误可能传得越快。系统也不能只扔出一个答案。为什么判断这条线路会过载方案依据了哪些数据执行后有没有新的风险都应当说清楚。尤其涉及停送电和负荷转供时结果必须经过潮流、安全稳定和保护等约束校验。还有一个问题是责任边界。AI可以提出建议也可以在明确授权的范围内自动执行但关键操作仍要保留人工确认和应急退出机制。模型一旦失效系统必须能够降级运行不能让整个业务跟着停摆。因此未来电网比拼的不会只是模型有多少参数。数据是否干净设备状态是否真实业务规则是否完整算法能不能和电网物理机理结合这些看起来没那么热闹的基础工作反而决定了AI最后能走多远。电网需要AI但更需要用好AIAI的确越来越耗电但它也在帮助电网把每一度电管得更稳。从台风来临前找到高风险杆塔到负荷高峰时快速生成转供方案从无人机识别设备缺陷到线路故障后的秒级隔离再到提高风电、光伏功率预测精度AI已经不只是实验室里的技术展示。它开始进入电网每天都要面对的具体问题。未来的电网大概不会变成一套完全无人值守的系统。更现实的情况是机器负责一直盯着、快速计算和反复校验人负责处理例外、权衡风险并作出最后决定。人和机器各自做更擅长的事。这或许才是电网智能化真正应该抵达的地方。