上海讯，能源行业正迎来大模型技术的崭新篇章，从通用领域迈入专用领域的步伐愈发坚定。
近期，能源领域见证了一系列大模型的发布盛况：中国石油推出了昆仑大模型APP，朗新科技集团亮出了“朗新九功”AI能源大模型，国家能源集团则发布了发电行业的首个千亿级大模型“擎源”。
尽管工业场景因其数据复杂度高、容错率低、成本敏感性强等特点，在AI大模型技术发展的浪潮中，被认为应用落地速度相对滞后，但能源行业却率先破局，成为大模型应用的先锋。电网调度、煤电生产、核电运行等多个场景，均已成功部署大模型技术。在新能源领域，大模型技术也逐渐渗透到预测、消纳、运维等多个环节。
新能源发电功率预测，作为大模型技术成熟度最高、产业应用最广的场景之一，正迎来变革。随着风光新能源在电网中占比的提升，其发电出力的随机性、波动性和间歇性，给功率预测带来了巨大挑战。传统的物理模型和统计方法，已难以满足复杂多变的气候条件和不断增长的新能源装机规模下的精准预测需求。
谷歌DeepMind的气象预测大模型，凭借扩散模型技术，能够实现长达15天的全球天气预报。华为、英伟达等公司也在持续迭代升级其气象大模型，为新能源领域提供精准高效的功率预测解决方案。细分领域的新能源发电功率预测大模型也应运而生，如协鑫集团与北京大学、NVIDIA合作开发的光伏功率预测大模型，其预测精度较时间序列模型提升了3至5个百分点。
大模型在新能源消纳方面的作用尤为显著。通过智能调度算法，大模型能够实时分配新能源电力，有效减少弃风弃光现象。南方电网的新型电力系统智能电力平衡体系，通过提升新能源功率预测和用电负荷预测的准确度，实现了新能源发电与负荷变化的秒级匹配，显著提高了新能源消纳水平。同时，大模型还能优化并网策略，实时监测和动态调整，解决电力系统宽频振荡等问题。
在发电侧，大模型在设备运维方面也展现出巨大潜力。远景智能推出的新一代风机故障检修支持虚拟专家，基于生成式大模型，结合行业精调小模型，能够迅速解析意图，提升运维效率。AI模型还能深度分析设备运行数据、电网负荷、天气预报等海量能源数据，实现预测性维护，减少非计划停机时间，降低运维成本。
然而，大模型并非万能钥匙。在某些场景下，小模型因其低成本、高效率的特点，更能满足实际需求。如宽频振荡风险分析、溯源等业务，机理明确、数据量不大，专业小模型便能有效解决问题，避免大模型的高额投资和分析结果可靠性问题。
时序大模型在新能源发电功率预测中展现出巨大的想象空间。业内人士指出，利用时序大模型，融合更多气象数据，构建端对端的架构体系，有望进一步提升预测精度，助力调度生产。相比之下，语言大模型在新能源领域的成熟度较低，因其训练和应用依赖数据储备，而能源行业的数据分散、标准不一，给AI应用带来了挑战。
能源行业的IT和OT系统长期各自发展，导致数据整合成为AI应用的一大难点。有效整合异构数据，建立统一的数据底座，是AI应用的基础。同时，工业场景的复杂性要求AI模型不仅能识别数据模式，更要结合深厚的工业机理知识。如何将行业专家经验与AI算法有效结合，开发出真正可靠、可解释的工业AI模型，仍是行业面临的一大空白。
能源行业的大模型应用，正逐步展现出其变革性的力量。从新能源功率预测到设备运维，大模型正助力能源行业实现更加高效、智能的转型。然而，如何在不同场景下合理选择大模型或小模型，以及如何克服数据整合和行业机理知识结合的挑战，仍是行业需要持续探索和突破的关键问题。
