封闭性过强难以充分释放AI潜力

来源：中国南方电网 时间：2025-11-07 10:16

　　日前，第二届GTI数智香江国际论坛在香港开幕。同期，由中国南方电网有限责任公司承办的“智慧能源”分论坛，聚焦人工智能（AI）与能源行业深度融合路径，旨在搭建全球智慧能源交流合作平台，推动智能化能源技术创新转化与产业价值提升。

　　论坛期间，《南方能源观察》（eo）对主要参会专家展开专访。作为西门子能源数字电网创新与业务发展负责人，奥尔加・格尔博维奇（Olga Grbovic）带领全球团队长期钻研电力系统数字化领域，凭借在电力传输、投资组合战略及复杂电网基础设施项目等行业逾17年的实战经验，在电网增强技术研发、AI落地应用及数字孪生实践等方面积累深厚。

　　在专访中，格尔博维奇深入剖析了AI、机器学习在电网巡检、仿真加速、惯量估算等场景的落地路径，以及数字孪生“多模态、全生命周期”的独特优势；此外，针对电网数字化面临的数据共享、跨学科合作、系统开放性等挑战，格尔博维奇结合西门子在德国、美国的项目实践分享了经验，并对中欧美在智慧能源领域的合作空间及未来5—10年数字电网发展重点提出了独到见解。

　　新建线路来不及，电网增强技术先顶上

　　eo：您如何定义电网增强技术（Grid Enhancing Technologies，GETs）？

　　格尔博维奇：电网增强技术指的是，所有能帮助我们更高效、更可靠利用现有电网容量的解决方案。简单来说，当前电气化进程不断加速，越来越多可再生能源接入电网，这就导致电网输配电容量需求大幅增加。但新建电网设施从规划、获取许可到建成输电线路、变电站，往往需要数年甚至十几年时间，电网增强技术就是为了填补这一供需差距而存在的。

　　在这段“过渡时期”，我们能做些什么？部署储能设备、应用潮流控制装置；同时还能增加传感器数量、提升数据采集能力，推动电网数字化转型，借助智能分析与先进诊断技术，让现有电网基础设施发挥更大效用。而人工智能和机器学习在这一过程中能发挥重要作用。它们可以帮助我们更深入地分析、理解采集到的各类数据。

　　eo：GETs与传统电网技术相比，最大的不同之处在哪？

　　格尔博维奇：以输电线路为例，传统技术的核心思路是新建线路来满足需求。但电网增强技术有一个典型优势，就是“动态资产评级（dynamic asset rating）”。目前，电网运行时，通常会给设备设定固定额定值，设备在设计和建设阶段就被限定在特定运行水平。可实际上，根据设备的运行工况、所处环境的温度、湿度、太阳辐射、风速等因素，这些设备完全可以在不同条件下灵活调整运行方式。

　　有时结合设备过往的负荷情况、当前状态，我们可以通过智能分析做出可靠判断，比如，在必要时，判断该设备是否可以短时间安全过载运行。当然，电网运行的核心目标——安全性、可靠性和可用性始终不会改变。

　　所以，如果要让线路或变压器过载运行，必须以充分的数据分析、场景模拟和多情境评估为基础。在这个过程中，机器学习和人工智能能加快模拟速度，帮助我们更快、更精准地做出决策。

　　eo：相比直接新建线路，这种技术的成本也更低。

　　格尔博维奇：确实如此。这些技术不仅成本效益更高，部署速度也更快。比如，安装传感器显然比新建一条输电线路简单得多。

　　当然，它们可能无法达到新增输电容量那样的效果，但至少能在新线路建设期间填补容量缺口，满足这段时间的用电需求。

　　eo：GETs主要包含哪些类别或技术？比如在输电和配电环节，分别有哪些应用？

　　格尔博维奇：在配电网层面，尤其是中压配电网，目前面临的挑战包括双向潮流、电动汽车充电需求增长，以及“产消者”（既用电又发电的用户）数量不断增加。而且配电网的监测点和传感器数量通常远少于输电网，这就导致我们不得不更多依赖数据估算和预测。这时AI就能发挥作用，即便没法在每个位置都部署传感器，也能通过预测和估算弥补数据缺失的问题。

　　在输电网层面，核心需求还是更好地利用现有电网资源。比如，根据输电网资产的健康状态和诊断结果，制定更优化的运维计划。这就不再是单纯按照时间周期进行维护，而是转向“基于状态”维护。同时，通过技术手段更好地预测和预防潜在故障，在日常运行中安全利用资产的过载能力。

　　eo：“基于时间”和“基于状态”维护有什么区别？

　　格尔博维奇：“基于时间”维护很容易理解，比如，你买了一台新变压器，厂家提供的维护手册要求每年停机检修一次，不管这台变压器实际运行状态如何，都要按固定时间执行。而“基于状态”维护，则是根据资产的实时诊断数据来灵活调整维护计划，设备状态好就适当延长维护间隔，状态出现异常再及时检修。

　　数字孪生+边缘AI，让电网运维更智慧

　　eo：人工智能（AI）和机器学习（ML）在推动智能电网发展中，核心作用是什么？在西门子能源的战略里，它们处于怎样的位置？

　　格尔博维奇：现在AI确实是热门领域，但它并非万能工具。不过，在一些传统数值计算难以解决的场景中，AI确实能提供有效帮助，如计算机视觉与检测技术，这一技术已在多个行业广泛应用，如今也逐渐进入能源行业。我们可以利用摄像头、激光雷达、热成像设备、红绿蓝（RGB）相机等工具，对电网资产进行巡检。巡检会产生海量图像和数据，靠人工处理效率极低。这种情况下，AI能自动识别和检测电网中的缺陷或安全隐患，从而提升电网维护水平。这是AI在电网领域应用最早、也最成熟的方向之一。

　　除此之外，电网行业还有一些特有问题，如电网稳定性、惯量和强度的测量。虽然目前已有多种电力系统仿真工具协助处理这些问题，但AI和机器学习方法能处理更大规模的数据，帮助我们更准确地估算电网惯量或电网强度。

　　举个例子，在电网资产的仿真领域，传统设计工具完成一次模拟往往需要几小时甚至几天。但我们已经积累了大量仿真数据，这些数据可以用来训练神经网络。一旦训练完成，神经网络能在几秒内输出与传统工具精度相当的结果，无论是热模型仿真，还是其他机械、物理层面的模拟。这不仅能为设计工程师提供助力，还能应用到电网运行和规划中，这在以前是难以实现的。

　　当然，所有这些模型都需要在实际运行条件下验证。如今，边缘设备性能比5—10年前有显著增强，随着边缘计算能力的提升，在现场直接部署和训练AI算法也变得更加可行。

　　eo：在输电网中，AI支持的GETs如何提升线路、变压器等关键设备的利用率和可靠性？

　　格尔博维奇：这类提升主要体现在传感与数据采集环节。现在传感器价格更低，部署范围也更广，我们能实时获取更多设备运行数据。但我认为，只做到实时分析还不够，预测和仿真才是关键。比如，变压器过载运行，可能会改变原本的维护周期，甚至影响设备寿命。但如果我们能通过AI技术计算出设备的老化程度，就能让电网运营方在“是否允许过载”这个问题上做出有数据支撑的决策。这就提升了电网运行的灵活性，进而提高设备利用率。

　　eo：在配电侧，AI除了预测，还能如何助力解决分布式能源、储能和电动汽车带来的不确定性和负荷波动问题？

　　格尔博维奇：我认为AI需要与分布式计算结合，在配电网领域尤其如此。我们应尽量减少集中数据处理，让更多计算和决策在靠近用户、靠近电网资产的边缘设备上完成。

　　因为预测和调度所需的数据量非常大，如果把所有数据都传回中心平台处理，既不现实也会增加延迟。所以必须构建一个“智能架构”，合理区分边缘侧和中心侧（调控中心或云端）的处理任务，弄清楚哪些数据由边缘设备处理，哪些需要上传到中心平台。同时，边缘侧的AI算法也要能根据最新数据不断更新、持续学习，以适应用户用电行为、用电模式和天气条件的变化。

　　比如，现在几乎每家都装了智能电表，如果这些电表本身具备图形处理器（GPU）和边缘计算能力，不仅能上传用电数据，还能在本地学习用户的用电习惯，并且与邻近电表协同优化，这样就能在局部形成类似虚拟电厂的效果，有效应对负荷波动。

　　eo：您在演讲中提到了“数字孪生”，数字孪生在电网中有什么作用？它与传统的仿真和监控有何不同？

　　格尔博维奇：电网中的数字孪生，既可以是单个资产（如一台变压器）的数字孪生，也可以是整个变电站，甚至整个电网的数字孪生。它们有一个共同点，就是必须具备“多模态”特性。

　　传统仿真通常只针对单一模块，比如只做热模型仿真。而数字孪生能同时整合多维度数据，如设备的三维模型、运行条件对设备老化的影响等，并且贯穿资产的全生命周期——从设计、运行到维护的每一个阶段。可以说，数字孪生是更高维度的仿真。

　　电网数字化的未来，关键在合作与开放

　　eo：从全球范围来看，基于AI的电网增强技术目前应用情况如何？哪些国家或地区处于领先地位？

　　格尔博维奇：这是我第二次来中国，必须说，中国在数字化和AI领域投入的研究力量和资源给我留下了非常深刻的印象。在北美地区，尤其是在大型科技公司的推动下，业界对新技术的创新意愿和试用积极性也很强。相比之下，欧洲虽然有不少相关研究，但整体偏学术化，真正实现大规模落地应用的进展还比较初期。

　　当然我们也要清楚，电力系统是关键基础设施，AI和数字化能帮助我们解决部分挑战，但我们依然离不开“硬件设备”，也就是发电、变压、输电所需的大型装备，这些设备的作用不可替代。同时，随着AI和数据应用越来越广泛，网络安全问题的重要性也在不断提升，这也是需要重点关注的。

　　eo：您认为未来5—10年，数字电网的发展重点在哪里？AI会如何进一步改变电网运行模式？

　　格尔博维奇：德国电气工程师协会做过一个很有意思的类比，把电网调度员比作汽车驾驶员。汽车自动化驾驶分为不同等级，从辅助驾驶到完全自动驾驶；同样，电网的自动化和智能化水平也可以划分不同等级。目前来看，电网不太可能实现完全“无人驾驶”，也就是说，在关键决策环节，始终需要人的参与。

　　不过，AI可以通过优化算法、开展模拟推演和情景分析，为调度员提供更强大的决策支持。现在的电网日常运行中，很多环节已经能实现半自动化甚至全自动化；未来5—10年，这一趋势会进一步深化，自动化覆盖范围会更广、效率会更高。但在特殊情况或紧急场景下，人的判断和决策依然不可或缺。

　　eo：当前AI驱动的电网应用，遇到的最大难点是什么？

　　格尔博维奇：我认为主要有三个方面。第一，数据质量与数据建模。现在传感器和物联网设备能采集大量数据，但如何确保不同设备数据的互操作性、避免数据重复和冗余，同时建立合适的数据模型，把这些数据有机关联起来，是当前最需要解决的问题。

　　第二，系统开放性。要真正加快AI在电网领域的规模化应用，就必须构建开放的软件架构和生态体系，让更多开发者和研究人员能基于统一的数据模型，开发不同的应用场景。因为没有人能精通所有领域，不同背景的专家可能会提出电力工程师从未想到过的、有价值的应用案例。

　　第三，行业封闭性。电网是关键基础设施，行业存在一定封闭性是情理之中的。但如果封闭性过强，就很难充分释放AI的潜力。所以我们需要在保证安全合规的前提下，推动构建更开放的数据共享和应用生态。

　　eo：西门子在德国最大配电公司（DSO）的试点项目中，有哪些经验和成果可以分享？

　　格尔博维奇：在所有研究领域，大家都会强调合作与共享的重要性，但在数字化和人工智能（AI）领域，这种合作尤为关键。因为AI研发需要大量高质量数据，还得找到真正契合的应用场景。AI研究成本不低，如果没有明确的应用场景，很可能会耗费大量时间和资源，却无法产生实际价值。正因如此，与电网系统运营商、电力系统资产所有者的合作就格外重要。

　　所以，我们总结出两点核心经验。第一，要选对研究方向，这必须通过设备制造商和系统运营商的深入沟通来实现，双方明确需求后再推进研发。第二，要解决数据问题。我们在建设关键基础设施时，设备安装投运后，通常无法直接获取其运行数据，除非签订了运维合同。但要验证和改进数字孪生、加快仿真效率，又必须有足够的数据支撑。这也是我们认为需要加强数据共享与合作的原因，尤其是用于科研的数据共享，应该变得更便捷。在欧洲，欧盟的数据法案已于今年9月正式生效；我也了解到，在中国，南方电网在数据开放和合理使用方面做了很多探索。这一点对推动AI在电网领域的规模化应用至关重要。

责任编辑：刘础琪