一、針對 AI 在電力領(lǐng)域的應用場景、我們提出“應用可行性分析框架”
3 月 31 號，國家能源局發(fā)布《關(guān)于加快推進能源數(shù)字化智能化發(fā)展的若干意見》，針對電 力、煤炭、油氣等行業(yè)數(shù)字化智能化轉(zhuǎn)型發(fā)展需求，提出若干建議，以把握新一輪科技革 命和產(chǎn)業(yè)變革新機遇。 其中電力行業(yè)方面，主要提出利用數(shù)字化智能化技術(shù)支撐：發(fā)電清潔低碳轉(zhuǎn)型、新型電力 系統(tǒng)建設、電力消費節(jié)能提效。我們由此梳理出以下 5 項 AI+電力應用場景： 1)發(fā)電側(cè)---發(fā)電清潔化智慧化轉(zhuǎn)型：①新能源發(fā)電功率預測;②電廠 BIM 智能化設計 2)電網(wǎng)側(cè)---新型電力系統(tǒng)建設：③電網(wǎng)智能調(diào)控和輔助決策;④輸電線路智能巡檢、變 電站智能運檢、配電智能運維 3)用電側(cè)---電力消費節(jié)能提效：⑤虛擬電廠、微電網(wǎng)。
《意見》提出的四項基本要求包括需求牽引、數(shù)字賦能、協(xié)同高效、融合創(chuàng)新。推動數(shù)字化智能化技術(shù)與能源產(chǎn)業(yè)發(fā)展深度融合，加快人工智能、數(shù)字孿生、物聯(lián)網(wǎng)、區(qū)塊鏈等數(shù) 字技術(shù)在能源領(lǐng)域的創(chuàng)新應用，最終為構(gòu)建清潔低碳、安全高效的能源體系，為積極穩(wěn)妥 推進碳達峰碳中和提供有力支撐。
19 年后 AI 大模型持續(xù)推進，賦能千行百業(yè)，22 年市場規(guī)模近 2000 億元。近十年來，包 括機器學習(ML)、自然語言處理(NLP)、計算機視覺(CV)等技術(shù)快速發(fā)展，在企業(yè)設 計、生產(chǎn)、管理、運營多個環(huán)節(jié)中均有滲透程度不斷提升，同時在礦業(yè)、電力、交通、農(nóng) 業(yè)、氣象等領(lǐng)域的應用逐步落地。AI 應用已從消費、互聯(lián)網(wǎng)等泛 C 端領(lǐng)域，向 B 端傳統(tǒng) 行業(yè)輻射，AI 大模型在基礎(chǔ)層、技術(shù)層、應用層均持續(xù)突破，AI 正加速賦能千行百業(yè)。 22 年市場規(guī)模近 2000 億元,2022-2027 年 CAGR 為 25.6%。據(jù)艾瑞咨詢數(shù)據(jù)，2022 年中國 AI 產(chǎn)業(yè)規(guī)模達 1958 億元，年增長率 7.8%。2022 年業(yè)務增長主要依靠：1)智算中心建設 及大模型訓練等應用拉動需求的 AI 芯片市場、2)智能機器人及對話式 AI 市場。 在 AI 成為數(shù)字經(jīng)濟時代核心生產(chǎn)力的背景下，AI 芯片、自動駕駛及車聯(lián)網(wǎng)視覺解決方案、 智能機器人、智能制造、決策智能應用等細分領(lǐng)域增長強勁。2027 年人工智能產(chǎn)業(yè)整體 規(guī)模可達 6122 億元，2022-2027 年的年復合增長率為 25.6%。
針對電力行業(yè)屬性，我們提出 AI+電力“應用可行性分析框架”，以多維度的視角，分析 判斷 AI 有望最先在哪些細分行業(yè)和公司落地。
面向行業(yè)主要衡量的維度有： 1) 能否解決長期痛點問題：電網(wǎng)承擔最主要的功能是維持用電側(cè)與電網(wǎng)側(cè)動態(tài)平衡，而 新能源裝機比例上升無疑加大了電力調(diào)度與消納的難度，因此若 AI 加持能有效解決 消納相關(guān)細分環(huán)節(jié)的痛點問題，相關(guān)政策導向和資金投入將有望向此環(huán)節(jié)傾斜。 2) 行業(yè)數(shù)據(jù)是否具有較低敏感性和安全性風險：大模型需要通過海量數(shù)據(jù)訓練，而電網(wǎng) 行業(yè)本身涉及到民生用電與數(shù)據(jù)安全性問題，部分信息不便用于大規(guī)模公開訓練，因 此若某一細分環(huán)節(jié)數(shù)據(jù)敏感性較低或用戶已授權(quán)使用，則大模型將更快接入落地。 3) 行業(yè)是否已較早應用布局 AI/技術(shù)實踐：電網(wǎng)多個應用場景較早地應用了 AI 技術(shù)，例 如輸變電線路運維和巡檢方面，2011 年開始，部分企業(yè)就已開展了通過 AI 對電力設 備外表缺陷進行識別、預測、跟蹤運行等研究探索。 4) 已有華為等廠商開發(fā)出行業(yè)相關(guān)大模型：例如華為盤古 CV 視覺大模型，已在 L2 級 細分場景上，推出基于電力大模型的無人機電力巡檢、電力缺陷識別等場景模型。
面向公司主要衡量的維度有： 1)擁抱 AI 的積極性：公司的主觀能動性如何?是否排斥應用大模型? 2)積累的數(shù)據(jù)規(guī)模與數(shù)據(jù)質(zhì)量：公司所積累的數(shù)據(jù)壁壘是否深厚?積累的數(shù)據(jù)能否直接 用于模型訓練?是否會涉及到客戶數(shù)據(jù)泄密? 3)享有某些數(shù)據(jù)的優(yōu)先使用權(quán)：公司是否為兩網(wǎng)核心子公司?未來是否會優(yōu)先享有某些 重要數(shù)據(jù)使用權(quán)? 4)重視信息化建設基礎(chǔ)：公司性質(zhì)是否偏軟件?是否早就重視信息化基礎(chǔ)建設?是否擁 有較高信息化建設水平，以配合 AI 落地? 5)具備自主開發(fā)訓練能力、或和大模型廠商有深入合作關(guān)系：公司是否具備開發(fā)實力/ 是否和大模型廠商深度合作?
新能源發(fā)電功率預測，輸變電線路智能運維與巡檢是我們最看好的兩個方向。
新能源發(fā)電功率預測： 1)痛點問題：對于電網(wǎng)調(diào)度部門，由于新能源發(fā)電間歇性和波動性的特點，功率預 測難度較大，新能源大規(guī)模集中并網(wǎng)會對電網(wǎng)穩(wěn)定運行造成沖擊;對于電站運營商， 各地“雙細則”考核罰款標準趨于嚴格，預測精度可直接影響電站運營和盈利。 2)數(shù)據(jù)敏感性：氣象數(shù)據(jù)的可獲得性較高，數(shù)據(jù)敏感性較低，公開信息可以直接用 于大規(guī)模模型訓練。 3)AI 布局/技術(shù)實踐：自 2012 年起，全球能源預測大賽(GEFCOM)已舉辦過三屆， 有超 60 個國家的數(shù)百只隊伍參賽;2021 年國網(wǎng)調(diào)控 AI 創(chuàng)新大賽--新能源發(fā)電預測 賽道中，已有深度學習模型在實際應用中脫穎而出;產(chǎn)業(yè)中已有國能日新、國電南瑞 等超過 10 家研究中心與企業(yè)推出了成熟的組合建模功率預測系統(tǒng)。 4)廠商相關(guān)大模型：華為云發(fā)布了盤古氣象大模型，預測精度首次超過傳統(tǒng)數(shù)值方 法，速度提升 10000 倍。
輸變電線路智能運維與巡檢： 1)痛點問題：我國輸電線回路與變電設備存量規(guī)模大，投運規(guī)模逐年增長，巡檢需 求強烈，而人工巡檢存在諸多劣勢，AI 替代是大勢所趨。 2)數(shù)據(jù)敏感性：相較于用電側(cè)數(shù)據(jù)，設備故障缺陷相關(guān)數(shù)據(jù)敏感性較低，數(shù)據(jù)質(zhì)量 與規(guī)模取決于企業(yè)自身積累情況。 3)AI 布局/技術(shù)實踐：自 2013 年起東方電子、億嘉和、澤宇智能等諸多企業(yè)已經(jīng)布 局輸變電線路智能運維、智能巡檢機器人、巡檢無人機業(yè)務，參與者眾多、產(chǎn)品多樣。 4)廠商相關(guān)大模型：華為在 L2 級細分場景模型上，已經(jīng)推出基于電力大模型的無 人機電力巡檢、電力缺陷識別等場景模型，例如電力缺陷識別模型可以替代原有的 20 多個小模型，做到平均精度提升 18.4%、模型開發(fā)成本降低 90%。
評論