通用大模型“水土不服”，新型电力系统亟需“定制款”

新能源规模化发展与终端电气化替代，意味着新型电力系统将呈现出非线性、强随机、快时变的复杂巨系统特征，其复杂性呈指数级增长。图为2026年7月4日，重庆市黔江区中塘光伏发电站。视觉中国|图

最近有两组数字很引人注目。2026年9月1日，国家能源局公布，截至7月底，我国光伏发电装机容量首次超过煤电，占到全国发电装机的31.5%，成为我国装机第一大电源；光伏发电在全社会用电量中的占比已达到13%，全国每用8度电就有超过1度来自光伏。

一个月前，国家发展改革委、国家能源局印发的《新型电力系统建设“十五五”规划》明确提出，到2030年，绿色低碳的电力供给格局基本形成，非化石能源发电量占比达50%。

新能源规模化发展与终端电气化替代，意味着新型电力系统将呈现出非线性、强随机、快时变的复杂巨系统特征，其复杂性呈指数级增长。从演进趋势看，作为融合了物理系统、信息系统、社会系统三重维度的巨型复杂系统，新型电力系统将演进成为最复杂的人造系统。

如何破解？AI赋能新型电力系统，给出兼顾安全稳定与经济运行的最优解。

值得注意的是，2025年以来，围绕“人工智能+”能源战略，国家层面密集出台顶层文件。其中，《关于推进“人工智能+”能源高质量发展的实施意见》提出，到2027年，推动五个以上专业大模型在电网、发电、煤炭、油气等行业深度应用；到2030年，能源领域人工智能专用技术与应用总体达到世界领先水平。

同时，中国拥有全球领先的电力系统和最丰富的能源电力应用场景，虽然在自然语言通用大模型方面，国内与海外顶尖水平还存在一定差距，但在实现能源AI垂类大模型方面，中国拥有比其他国家更好的基础与条件。

在这种背景下，华南理工大学能源交叉学科研究院提出，要做全球首创的面向新型电力系统的能源AI垂类大模型。这不是以Transformer为核心的通用大模型，也不是调用通用大模型的Agent应用，而是一个全面重构了混合架构的能源电力领域通用的行业垂类大模型。

来自电力系统与通用模型的多重挑战

为什么要做能源AI垂类大模型？

首先是以新能源为主体的新型电力系统，正面临重大挑战。

第一，发电侧与用电侧两侧的随机波动性大幅增加，电力系统发生了结构性变化，系统的惯量与阻尼大幅减小，系统容易失稳。2026年，业界就发生某个数据中心与独立储能负荷区出现了次/超同步振荡的失稳现象，切出改造后才能重新并网和稳定运行。

第二，火电机组调节能力已无法满足调节需求，调度模式从源随荷动转变为源荷互动，也就是源荷两边都要参与调节。

第三，源荷双边海量对象存在大幅随机功率波动，传统源随荷动的单边锚定转变为源荷互动的双边随机动态匹配，在这种复杂运行工况下确保发用两边实时动态平衡的难度大幅提升，系统安全稳定保障与经济运行矛盾凸显。

其次，自然语言通用大模型面临“水土不服”。我们发现，正在快速演进的自然语言通用大模型，似乎神通广大，但是，它采用以神经网络为核心的Transformer架构，难以适配严格满足物理定律与物理约束的新型电力系统。

第一，自然语言通用大模型无法理解电力系统的公式与定律、分层级拓扑结构、技术规范，以及交易规则、专家规则；第二，自然语言通用大模型“概率性输出”的底层逻辑与电力系统“零容错”的刚性要求之间存在根本性冲突。

既要交叉学科知识，又要高质量数据集

为适配新型电力系统的需求，我们提出的全球首创的能源AI垂类大模型架构包含三大板块，涵盖了人类对于知识的三大类学习模式，融合了通信、人工智能控制、电力三大领域的交叉学科知识。

第一，公式推理大模型：在电力系统的物理规律和公式、定律的基础上，构建自动适配任意起点到任意终点的符号化公式推理大模型。

第二，专家规则推理大模型：在能源电力领域专家经验规则库的基础上，构建自动适配任意起点到任意终点的专家规则推理大模型。

第三，数据驱动推理大模型：在对自然语言大模型进行裁剪的基础上，利用能源电力领域的高质量数据集对其进行训练，并建立安全校核机制。

要支撑能源AI垂类大模型的训练与验证，必须打造能源电力领域的高质量数据集全链路专用生产平台，形成能够自我演进的自动化生产线。

该生产线包含采集、汇聚、清洗、标注、生成、对齐、评测与质检、封装八个工具链。其中，评测与质检环节贯穿前六个环节，并将通过评测与质检的数据送入数据库。没有通过的数据回炉再造，这个回炉再造算法是一个基于新型电力系统物理规律的自我演进学习过程，以确保高质量数据集符合能源电力领域的六性原则（完整性、正确性、一致性、有效性、唯一性、时效性）。

其中，完整性需要覆盖电力系统所有工况；正确性需要确保数据符合电力系统三大稳定定律和发用平衡方程约束；时效性需要确保多类型多时间尺度数据在规定时间送达。晚了1秒钟送达的数据无法参与调度与统一出清，正确的数据也是发挥不了作用的。

让能源AI垂类大模型变为现实

这个面向新型电力系统的能源AI垂类大模型究竟长什么样？

如果将其比喻成一座宝塔，简单来说，塔尖就是我们的终极目标能源AI垂类大模型。

塔身就是大模型训练与验证需要的可以自我演进的高质量数据集。这个高质量数据集的自动化生产线可以源源不断地提供能源电力领域的标准化数据，这些数据正在支撑6类业务场景（涵盖16个细分场景）的应用，在聚合调控与虚拟电厂类的应用上，高质量数据的支撑效果显著。

塔座则是支撑能源AI垂类大模型的数据来源：通过城市级智慧能碳源网荷储一体化平台，涵盖边缘层、分析层、应用层、交易层四层，将源荷储充数据源源不断提供给高质量数据集生产加工平台，叠加上学术数据库、政策数据库、气象数据库等多类型数据，通过采集、汇聚等八个环节，加工成为大模型训练验证所需的标准化数据。

我们正在山西验证这一模型。选择山西，源于当地丰富的应用场景与全国领先的创新政策，为前沿探索提供了强有力支撑，从数据来源的自动化支撑，到高质量数据集的自动化生产，再到能源AI垂类大模型的创新。

在山西省能源局、省数据局和长治市政府的指导与支持下，我们在山西省长治市打造了全国首个城市级源网荷储一体化平台，对各类能源生产单元、能源消费单元、能源储存单元，进行高精度的实时数据采集、分层级数据分析、优化调度控制。

这一城市级能源互联网底座是连接用户侧和发电侧单元级的泛在式神经末梢网络，全面打通“能量流—数据流—资金流”，真正实现安全稳定、经济运行、绿色低碳的“源荷互动”。平台拥有毫秒级到年度级的多时间尺度时序运行数据，全面标准化规范化的数据处理方式，有力地支撑了能源电力领域高质量数据集的建设，支撑能源AI垂类大模型的训练与验证。

为了验证能源AI垂类大模型的混合架构思路，我们还搭建了面向山西电力现货市场的交易智能体，充分验证了前面谈到的混合架构三大学习模式的有效性。即公式推理：完全理解公式表达的节点相关断面的功率约束条件；专家规则推理：完全理解计算节点电价的交易规则；数据驱动推理：完全理解所在节点发用两侧数据背后的供需博弈关系。

一个数据足以证明混合架构这条创新路径已经跑通：交易智能体目前已经投入常态化运行，实现了全面的智能化决策、自动交易执行、自主复盘进化，稳定胜率超过85%，其表现已经超越了我们原来的专业交易团队。

杨苹（华南理工大学能源交叉学科研究院副院长）

责编 曹海东