课程背景：

随着“双碳”目标的推进和新型电力系统的加速构建，电力行业正面临新能源高比例并网、电网复杂度激增、供需动态平衡难度加大等挑战。传统电力系统的规划、运维和交易模式已难以满足高效、安全、低碳的发展需求，而人工智能技术的突破为行业变革提供了全新路径。从大语言模型到多模态AI Agent，从深度学习到智能决策系统，AI技术正深度融入电力生产、传输、调度、交易全链条，成为推动能源数字化转型的核心引擎。

本课程聚焦能源电力行业需求，系统性解析AI在新能源功率预测、风光储协同优化、电力现货交易、虚拟电厂、智能巡检等15大场景的落地实践。通过新疆电力调度中心、国网智能巡检、中广核知识管理系统等标杆案例，展现AI如何提升发电效率30%、降低运维成本50%、实现电网可靠性99.999%的跨越式突破。课程结合政策导向（如“十四五”现代能源体系规划）、技术趋势（大模型+物联网+数字孪生）与行业痛点，为从业者提供从技术认知到应用落地的全景视角，助力企业在AI浪潮中抢占先机。

课程收益:

1. 认知升级：掌握人工智能技术发展脉络，理解大模型、多模态AI等前沿技术对电力行业的颠覆性影响；

2. 技术解码：系统学习AI在电力系统的核心应用逻辑，包括机器学习、计算机视觉、数字孪生等技术原理；

3. 场景赋能：深度剖析15大应用场景的解决方案，覆盖新能源、输变电、虚拟电厂等关键领域；

4. 案例迁移：借鉴国网、中广核、国家能源集团等头部企业AI落地经验，快速转化实践方法论；

5. 决策支撑：获得AI驱动电力系统智能化转型的评估框架，提升资源投入与技术选型的决策效率；

6. 趋势前瞻：预判AI与电力融合的演进方向，把握AGI（通用人工智能）时代的战略机遇与风险边界。

课程时间：2天，6小时/天

课程对象：能源电力行业相关从业人员

课程形式：讲师讲授+现场讨论+案例介绍＋数据分析

课程大纲：

第一讲：理解人工智能——AI的过去、现在和未来

一、过去篇——人工智能的进化之路

第一阶段：理论奠基期（1950-1990）：在纸上造梦的疯子们

第二阶段：基础建设期（1990-2012）：当世界变成一块硬盘

第三阶段：深度学习产业化（2012-2022）：机器睁开眼睛的那天

第四阶段：通用智能涌现（2022-至今）：当我们成为AI的零件

二、现在篇——技术与社会

1. 人工智能的技术

1）人工智能的底层技术：机器学习、神经网络

2）人工智能的维度划分：计算机视觉、自然语言处理、机器人技术、语音处理、推荐系统、自动驾驶；判别式AI、生成式AI（DeepSeek、Chatgpt）、交互式AI

3）多模态AI Agent

2. 正当时的大预言模型

1）什么是大语言模型

2）大语言模型的训练阶段：预训练、监督微调、奖励建模、强化学习

3）大语言模型的黄金三角：算力为骨、算法为脉、数据为血

4）大语言模型的开源与闭源：技术民主化的博弈

3. AI江湖风云录

1）AI宏大叙事里的三类玩家

a基础模型开发者：DeepSeek、阿里云、豆包、文心一言、Google、OpenAI

b算力硬件支撑者：英伟达、英特尔、AMD、华为

c行业应用落地者：微软、TikTok、Google

2）当人类面对AI革命：四个阵营的角力与共生

a技术激进派+积极影响论者：杨立昆（Yann LeCun）、奥特曼（Sam Altman）

b技术激进派+消极影响论者：马斯克（Elon Musk）

c技术保守派+消极影响论者：杰弗里·辛顿（Geoffrey Hinton）

d技术保守派+积极影响论者：约书亚·本吉奥（Yoshua Bengio）

三、未来篇：挑战与机遇

1. 愿景：AI会如何改写人类文明进程

1）人工智能的终局：通用人工智能（AGI）

2）AI改写人类的三个阶段：信息智能、物理智能、生物智能

2. 限制：AI的天花板在哪儿

1）实现AGI的资源限制：算力、数据和资源

2）AI能否产生自主意识？

3）AI能否进行因果推断？

第二讲：人工智能在电力系统中的15大应用场景

场景一：AI+新能源：新一代新能源功率预测系统

1. 新能源电站天气预测

2. 分析地形、风光资源、发电特性

3. 基于风机和光伏阵列参数，结合安装位置区域气象数据，构建处理预测模型

4. 按照空间和时间两个维度，预测风力和光伏发电功率变化趋势，提高功率预测准确性

5. AI 可以智能地调整风力发电机的叶片角度和转速，以及太阳能电池板的朝向和倾角确保发电设备始终处于最佳运行状态，从而最大化地提高发电效率

案例：新疆电力调度中心：用AI预测功率，预测精度超过93%，大幅增加利用率

场景二：AI+光伏

1. 光伏系统设计与优化：AI算法可模拟不同地形、光照条件和阴影遮挡，优化光伏板空间布局，最大化能量输出

案例：Googlel利用AI优化太阳能农场布局，提升发电效率20%

2. 机器学习(ML)加速新型光伏材料（如钙钛矿、异质结电池）的研发，预测材料性能并筛选最优组合

案例：MIT团队通过AI筛选出高效钙钛矿材料，缩短研发周期

3. 生产制造与质量控制：利用计算机视觉（CV）结合深度学习，实时检测光伏板生产中的微裂纹、隐裂或焊接缺陷，提升良品率

4. 发电预测与运维管理：基于气象数据（辐照度、温度、云层）和历史发电数据，AI模型预测短期和长期发电量，辅助电网调度

5. 故障诊断与预警：AI分析光伏电站的实时数据（电流、电压、温度），识别组件老化、热斑、逆变器故障等问题，提前预警

案例：华为FusionSolar系统利用AI实现光伏电站的智能诊断

6. 智能情节与运维机器人：AI驱动无人机或地面机器人自动巡检光伏电站，通过红外成像和视觉分析定位脏污，破损或者遮挡问题

7. 自动清洁调度：AI根据天气（沙尘、降雨）和发电数据，优化清洁机器人的工作频率和路径

8. 消纳与储能优化：AI预测光伏发电波动，优化储能系统充放电策略，减少弃光率

9. 农光互补：AI平衡光伏发电与农作物生长的光照需求，优化之家高度和版间距

10. BIPV：AI模拟建筑表面的光照条件，设计高效且美观的光伏幕墙或者屋顶

场景三：AI+风电

1. 尾流效应建模与优化：深度学习集合计算流体动力学模拟尾流效应，优化风机布局，减少尾流损失，AI算法动态调整风机偏航角度，提升下游风机的风速和发电效率

2. 风机性能预测与运维优化：基于AI故障预测与健康管理系统，提前识别风机关键部件（如齿轮箱、叶片）的潜在故障，优化维护周期，降低运维成本

3. 利用无人机巡检和AI图像识别技术，检测叶片损伤，减少人工巡检成本

4. 土地利用优化：AI结合地理信息系统，分析地形、风速分布等数据，优化风电场选址

5. AI模型评估不同布局方案的土地占用与发电效率，实现经济效益与生态的平衡

6. 采用平准化度电成本模型，评估AI优化后的风电场经济性，可降低度电成本10-15%

7. 通过AI优化电力市场交易策略，提高风电场的手电收益，减少弃风率

场景四：AI+电力项目选址

1. 利用地理信息数据结合GIS空间分析等技术手段，为电站和输电线路选址

2. 结合无人机+AI技术，较好的规避潜在的障碍物和风险点

3. 能快速识别出规划区域内需要拆迁的建筑物

4. 初步估算其拆迁所需的补偿成本

5. 提高规划效率，为成本控制和预算制定提供有力支持

场景五：AI+电力现货交易

1. 通过分析历史交易数据和市场趋势，预测未来的市场走势

2. 使用机器学习算法对电力市场需求进行预测，可以帮助电力公司优化发电和输电计划

3. 可以在实时市场中自动调整交易策略以规避风险，如在负电价情况下自动减少电力输出

4. 可以在市场发生极端事件时提前预警，帮助机构进行跨区域电力置换交易

5. 交易系统可以在毫秒级响应市场变化，执行大量的交易指令

场景六：AI+微电网

案例：中能建北京设备公司“源网荷储”一体化微电网

1. 园区用能高度依赖传统能源

2. 创新性建设分布式光伏发电、智能配电系统、光储充一体化微电网

3. 支持光伏和储能系统可靠接入，有效增加可再生能源的比例

4. 提升工业企业绿电使用占比，减少对传统能源的依赖

5. 采用数字孪生的三维建模实现检测控制可视化

6. 通过AI大数据模型计算，智能优化能源配置

7. 实现用电量最低、成本最优、能耗最低的方案

8. 大幅降低用电成本，提高园区、源网荷储绿电使用占比

场景七：AI+虚拟电厂

1. 推动虚拟电厂本地化精准响应

2. 虚拟电厂与电力交易是AI在电力领域的最佳落地场景

3. VPP解决电网负荷最具经济性的选项之一

案例：2023年深圳虚拟电厂管理中心，实时可调节能力超过50万千瓦

场景八：AI+抽水蓄能电站

1. 传统线下人工管理转向线上智能管理

2. 经验决策向数据决策转变

3. 设备的数据智能巡检、设备状态的智能诊断、设备运维模式变革

4. 基于海量多维数据产出准确的设备状态评价

5. 提前预判设备缺陷隐患

6. 将设备数据分析与检修策略相结合

7. 明确告知运维人员：设备现在好不好，设备将来修不修

8. 依托云端快速掌握设备运行状态和性能指标，参考发电机、水轮机、励磁、调速器等系统设置的分析评价结论，灵活调整设备检修策略

案例：2023年，XS-100D平台实现了90%以上的人工巡检由机器替代，一年创造1760W经济效益

场景九：AI+火电①

案例：国家能源集团——全国首个燃煤电厂专属“智能大脑”AI助手

1. “智能大脑”与现有管理平台体系、历史数据进行对接

2. 实现AI助手智能问答、智能检索、知识生成等功能

3. 辅助生产和管理人员科学决策

4. 分析记录消缺记录、缺陷分析、检修记录等内容

5. 在消缺决策、安措危险提示、设备智能检索方面提供直接帮助

场景十：AI+火电②

案例：国能台州电厂——智能巡检管控系统

1. 核心技术：人工智能+物联网+大数据结合赋能火电巡检业务

2. 高清摄像头+油泄露监测+声/振/温/水传感器，全天候盯防

3. 电力物联网+AI视频分析，构建智能巡检数字基座

4. 多源信息+数模混合驱动=设备健康评分+故障自诊断

5. 黑科技：多源感知矩阵、AI诊断引擎、数据融合与智能诊断、3D数字孪生驾驶舱

6. 优点总结

1）提升巡检效率，降低人工成本

2）提高巡检质量，保障设备安全

3）实现数据化管理，辅助决策分析

4）推动火电厂智能化转型，提升企业竞争力

场景十一：AI+核电

案例：中广核：核工业首个企业级大规模智能知识管理系统——锦书，转为核工业打造，其参数规模达到720亿

1. 机遇系统化培训理念的智能培训系统

2. 个人岗位晋升系统、PPT生成等多个应用

3. 打破了各工种之间的数据孤岛

4. 实现“技术平权”，一人即N人

5. 现场工程师可以通过知识库之间的排列组合构建数字工程师

6. 开发经验反馈数字工程师

场景十二：AI+变电

案例：国网新疆——站式AI平台

1. 全面收集变电站一次主设备的基本信息、运行数据、检修数据

2. 掌握设备曾发生故障的事件、原因、处理方法和结果

3. 将各项数据汇集，实现一站式AI平台全景展示功能

4. 为每一台设备精准“画像”推动设备全寿命周期管理

5. AI平台可以监测变压器绝缘油中溶解气体含量

6. AI平台可以监测变压器套管和电流互感器油压、避雷器绝缘性能等数据

场景十三：AI+输电①

案例：国网：超/特 高压输电线路红外缺陷智能识别系统

案例：华北电力大学联合国网电力空间技术公司研发——输电线路红外缺陷智能识别系统

案例：国内首次将人工智能（AI）技术规模化应用于输电线路发热检测

1. 过去痛点

1）人工智能识别红外影响数据的流程比较复杂

2）由人工现场判别，易受检修人员经验、注意力等因素影响造成遗漏

3）红外视频数据量庞大，福建工作难度极大且效率低下，易造成绝缘子掉串

2. 新系统上线后

1）仅需一键上传巡检红外视频就能快速抽帧并智能识别发热缺陷

2）可辅助线路运维单位及时消除线路跳闸停电的隐患

3）以240基杆塔的红外视频为例，传统人工数据复合需要5h，新系统只需要2h，并且无需人工干预

场景十四：AI+输电②

案例：国网山东电力——无人机跨越黄河巡检输电线路

案例：中科院自动化研究所与山东电力合作研发——基于单线激光雷达的仿线飞行智能巡检技术无人机

案例：成功对1000千伏泉乐I线和II线23-24号塔跨黄河输电导线精细化巡检

1. 过去痛点

1）两个塔横跨黄河两岸，相距1315米，容易出现导线断股等隐患

2）沿途塔位多位于山区、丘陵等地理条件复杂地带

3）输电线路导线巡检工作挑战大，传统无人机巡检无法解决

2. 新技术融合后

1. 仿线飞行智能巡检技术无人机

2. 自研激光雷达设备，结合双目视觉识别技术，部署深度卷积神经网络算法

3. 可实现基于仿线飞行的输电线路巡检、间隔棒巡检、树线矛盾巡检、导线异物检测、垂弧/相线距离测量、支持对输电线路导线的精细化巡检

4. 加入前端人工智能辅助拍照，实时识别、智能聚焦、智能补光等技术进行精准抓拍

5. 前端部署AI识别算法，无人机检测到异常时，可悬停并进行多角度拍摄

6. 对于导线锈蚀、磨损、异物悬挂、散股、断股、断裂等可见光缺陷无人机智能识别

7. 成果：缺陷整体发现率约为80%

场景十五：AI+配电

案例：国网上海电力——电力AI辅助决策系统

案例：上海电力完成进博会全景智能供电保障系统6.0版迭代升级

案例：将上海电力30余套源端系统集成于“一张屏”

1. 实现保电区域“设备智能化、业务工单化、管理数字化”

2. 系统建立了以设备静态参数、运行动态数据以及站房重要性为主的综合评价体系

3. 对房站内或线路上的每一台主设备进行评价，为站房巡视及运维策略进行智能决策

4. 在多种智慧宝典手段的护航下，进博会核心区域电网供电可靠性达到99.999%以上

场景十六：AI+储能

1. 电池管理系统(BMS)：

1）荷电状态估计：通过AI算法，结合电池的电压、电流、温度等数据，实时估计电池的SOC

2）健康状态评估：通过算法，分析电池的充放电循环数据，预测电池的SOH，提前发现电池老化，提供维护建议

3）功率状态评估：通过强化算法，结合电池实时状态和环境条件，动态调整电池的充放电功率，确保电池在安全范围内运行

2. 能量管理系统（EMS）：

1）电力需求预测：通过AI深度学习算法，通过大量的历史数据训练出高精度的预测模型

2）电价预测：AI结合历史电价数据、市场供需关系、天气等因素，预测未来电价波动

3）充放电策略优化：通过强化学习算法，结合电力需求、电价、电池状态等数据，动态调整储能系统充放电策略，最大化经济效益

3. 电力电子变换器

1）故障诊断与预测性维护：通过AI对变换器的电压、电流、温度等数据进行监控

2）控制策略优化：通过AI算法优化变换器控制策略，提高效率和可靠性