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

论坛期间，《南方能源观察》（以下简称“eo”）对主要参会专家进行了专访。

电力系统与新型电力系统领域国际知名专家、IEEE（电气电子工程师学会）会士、香港城市大学电机工程学系主任兼讲席教授董朝阳在能源系统建模与优化、人工智能的电力系统应用等领域有长期且深入的研究，曾主导中国、新加坡、澳大利亚等多个国家的能源技术研发与示范项目，尤其在可再生能源并网、储能调度等领域见解独到。

当前，算力中心电力需求呈快速增长态势，并对供电稳定性与绿色性提出了极高要求，这已成为能源行业面临的新挑战。AI如何让新能源并网更可控可靠？“小概率、大影响”（Low Possibility High Impact）事件又将如何重塑电力系统思维？电算协同的落地存在哪些难点？又该通过何种路径突破？储能价值的充分释放还需要怎样的AI技术支撑？在专访中，董朝阳对这些行业核心问题给出了自己的答案。

01

“小概率、大影响”正在重塑电力系统思维

eo：近年来，可再生能源大规模并网的问题越来越重要，在这一过程中，AI技术的重要性日益凸显，您如何看待AI在其中的具体应用价值？能否结合实际案例进一步说明？

董朝阳：无论从科研层面还是全球各国电力工业的实践来看，AI的作用都在不断强化，尤其在应对复杂问题时，传统方法往往难以满足需求。

最典型的场景就是储能管理。当前，国际上一些国家电力市场机制复杂，电价、负荷在几秒到几分钟内就会出现剧烈波动，这需要实时解决高度复杂的优化问题。过去，简单的优化问题可用传统方法精准求解，但在现在很多场景下，不仅问题本身难以被定义为标准优化模型（需考虑多重限制条件），更无法实现实时求解。而AI技术能在这种情况下，快速给出接近最优的解决方案，这是目前其他方法难以替代的。

此外，生成式AI（通过学习海量数据中的模式和规律，创造出文本、图像、音频、视频、代码等形式的原创内容，如GPT类语言模型）的应用也越来越广泛，尤其在应对”小概率、大影响“事件时价值显著。“小概率、大影响”事件在电网运行与电力市场运行中至关重要，但在传统培训或数据积累中往往难以覆盖，导致系统管理员、市场管理员缺乏应对经验。AI可通过模拟这类极端场景，帮助管理者提升认知，保障系统与市场的稳定高效运行。

eo：如何理解电力系统的“小概率、大影响”事件？

董朝阳：我可以举两个南澳大利亚州（以下简称“南澳州”）的典型案例对比说明。2017—2018年，南澳州曾发生全州大停电，当时新能源发电量几乎接近100%，远超传统能源，而部分燃气机组未运行。更关键的是，大量新能源通过逆变器接入电网，其中部分不具备低电压穿越功能。故障发生时，分布式新能源发电与新型负荷同步中断，实际负荷远超系统预期。由于这种场景此前从未出现，电网系统管理员缺乏应对预案，最终导致事故。两年后，南澳州电网再次面临风险，特斯拉新增部署的储能电站通过精准的充放电控制，成功避免停电，相邻区域却因缺乏类似调控陷入断电。这两个案例说明，对新能源带来的未知风险，若能通过AI实现精准且鲁棒的预测与控制，就能充分发挥储能等技术的支撑作用。

应对电力市场的电价波动也是AI的重要应用场景。例如，澳大利亚国家电力市场电价波动幅度极大，某些时段甚至出现负价，而在极端情形下，价格可逼近市场设定的上限（如1.75万澳元/兆瓦时）。这种“高波动性”带来的风险，甚至超过新能源本身的不确定性。传统方法难以描述、求解这类复杂问题，而AI能通过数据分析与预测，为市场交易提供辅助，帮助参与者应对风险。

eo：您的团队在能源系统建模领域经验丰富，能否结合具体实践，谈谈AI在建模中的关键作用？

董朝阳：在能源系统建模中，AI的价值主要体现在两方面：一是新能源发电预测，二是复杂场景下的优化与风险预警。

从发电预测来看，风能、太阳能受天气影响大，不确定性极强，必须依赖AI提升预测精度。我们早在2009年就开始相关实践——在香港一个风电场的设计项目中，首次将AI用于风电预测。如今气候变化加剧，极端天气频发，AI在预测中的必要性更突出，通过AI分析海量气象数据，能更准确地预判新能源发电出力。当前用于新能源预测的主要算法包括长短期记忆网络（LSTM）、Transformer及混合模型，这些方法能处理时间序列的非线性波动。我们正在探索将大模型应用于新能源预测，期望研发一种自主训练与任务优化的端对端预测模型。

从优化与风险预警的层面来看，“小概率、大影响”事件仍是核心挑战。这类场景缺乏历史数据支撑，传统建模方法无法覆盖，需要构建AI模型：通过训练不同场景下的数据，让模型提前学习极端情况的特征，最终输出可接受的优化结果。

其实早在2003年美国大停电事件后，行业就意识到传统“态势感知（Situational Awareness）”的局限性。事故发生时，如果系统运行员缺乏相关经验，传统计算方法也无法实时响应，就难以预防级联故障（Cascading Failure）。当时，我们团队参与了相关专项研究，负责基于数据挖掘技术，构建能预测连锁故障的模型，这也是早期AI在能源系统建模中的重要探索。如今，业界提出的“电算协同”，本质上也是对这种“数据驱动建模”思路的延伸，被视为新型电力系统的重要发展方向。

02

电算协同：数据驱动建模的新方向

eo：当前，数据中心、算力中心带来的新增负荷呈指数级增长，尤其是AI产业对电力需求巨大。您如何理解在“高不确定性、高复杂性”的背景下，电算协同的落地难点与路径？国际上是否有前沿实践可参考？

董朝阳：当前，算力中心（如数据中心）的电力需求确实在快速增长，且对供电的稳定性、绿色性要求极高——这既是电力系统的新型挑战，也是电算协同的核心应用场景。

从国际实践来看，目前虽未明确提出“电算协同”的统一概念，但已有不少探索方向。算力中心自身通过节能与电网协同。一方面，通过技术创新降低算力中心的能耗（如优化散热、提升硬件效率）；另一方面，推动算力“动态分布”，也就是不再仅依据GPU、CPU等硬件资源分配算力，而是结合电网供电情况，将算力调度到电力充足、电价较低的区域，本质上是将“负荷侧响应”升级到算力层面，为电网提供支撑。

eo：美国得州已提出要求，未来数据中心须具备主动响应电网需求的能力，试图通过市场机制引导协同，但这一做法也引发争议。

董朝阳：对算力中心而言，其核心诉求是电力稳定以保障运算效率，若要求其根据电网波动调整算力，可能与自身运营目标冲突。其落地难点在于利益协同与技术适配。技术上，通过AI调度算力、匹配电网需求是可行的，但如何通过市场机制平衡算力中心与电网的利益，是关键挑战。比如，若电网要求算力中心削减负荷，需提供合理的补偿机制；同时，电网也需通过储能建设、网架升级，为算力中心提供更稳定的供电基础，避免单方面要求负荷调整。

03

储能价值的释放，离不开AI的预测与优化

eo：在您参与的国际项目中，如澳大利亚的智能电网示范项目，储能是如何通过市场化机制获得收益的？这些经验对中国有哪些启示？AI在其中又扮演什么角色？

董朝阳：储能要实现经济价值，核心在于依托多元化市场机制，AI则是提升收益效率的关键工具。

从市场机制来看，国际上成熟的模式主要分为两类。

一是在现货市场，利用峰谷电价差盈利。低价时充电、高价时放电，这是最基础的模式。但在很多地区，单纯的电价差不足以覆盖储能成本，因此需要结合第二类市场，那就是在辅助服务市场，通过提供调频、电压控制等服务盈利，这类市场对响应速度要求高，收益也更可观。例如，特斯拉的储能电站正是通过快速充放电参与调频，在预防电网崩溃的同时获得了高收益。

AI的作用主要体现在“精准预测”与“高效优化”：在现货市场中，AI可预测电价、负荷波动，帮助储能确定最佳充放电时机；在辅助服务市场中，需求有限且竞争激烈，AI能快速计算最优报价策略，同时规避风险（若预测失误，可能面临罚款）。

这一经验对中国的借鉴意义在于，一方面，需加快完善现货市场与辅助服务市场建设，为储能提供多元化收益渠道；另一方面，应推动AI与储能的深度融合，尤其在新能源大规模并网场景下，通过AI提升储能的调度效率与盈利能力。

值得注意的是，储能与新能源的结合已成趋势。当前，建设大型光伏、风电场时，配套储能逐渐成为常态（虽非强制，但能为电网提供支撑）。相较于同步调相机（维修复杂、成本高），储能不仅能满足电网支撑需求，还能通过参与市场获得收益，AI则能进一步放大这种收益优势。

此外，分布式储能也有广阔空间。通过虚拟电站技术，可将分散的储能资源聚合起来，既能为配网提供支撑（如作为虚拟同步机），也能参与现货与辅助服务市场，实现小容量聚合、大容量收益。

eo：在实际应用中，我们观察到AI在电网更多用于监测（Monitoring）环节，而工程师运行调度个人经验仍占主导。您如何看待这种现象？在澳大利亚等市场，电网运行是否也存在类似情况？

董朝阳：这种现象的核心原因在于责任边界与技术成熟度的不同。对电网运行而言，安全责任重大，AI目前仍以“辅助角色”为主，更多用于补充极端场景的分析、降低人为决策误差。

而对发电侧、零售侧而言，尤其是在短时交易（如现货、辅助服务市场）中，AI的作用更突出。如果模型训练充分，AI可媲美甚至超越资深交易员的决策效率，能实现快速响应电价波动、优化交易策略等。

澳大利亚的实践也符合这一规律。目前，电网在预测环节（如负荷、发电预测）已高度依赖AI，但核心的运行调度仍以传统方式为主，AI仅作为辅助工具。这种AI辅助、人工主导的模式，既能发挥AI的数据分析优势，也能通过人工决策规避技术风险，是当前阶段的稳妥选择。

04

车网互动与氢能储能，AI正在引领新方向

eo：车网互动、分布式能源、储能、虚拟电厂等新型业态，正成为电力系统的重要组成部分。您认为AI在这些领域的预测与调度中，亟须突破的环节是什么？

董朝阳：这些新型业态的核心需求是大规模协同调度与精准预测。以网约车的调度为例，小规模调度（如几百辆、几千辆网约车）可通过人工完成，但当规模扩大到几万辆甚至几十万辆时，人工调度会达到极限。我们香港城市大学有个案例：一家由校友创办的上市公司早期通过人工调度电动车，规模受限；后来与我们合作开发AI调度系统，如今已能在东南亚实现几万辆车的高效调度，本质上就是突破了数据融合与大规模优化的瓶颈。这类平台的核心技术就是AI预测与调度：通过分析用户需求、车辆分布，优化派单策略，缩短等待时间。

未来，随着电动汽车的普及，AI或许既能预测用户的充电需求、出行规律，也能结合电网的供电能力、电价波动，实现车—网—人的协同。车网互动的AI调度，相当于在人—车匹配的基础上，额外增加电网供电这一维度，复杂度更高，更需要突破数据整合与实时优化的能力。