上海电力大学副校长张波，专注新一代人工智能与深度学习技术、大数据技术、社交网络分析等领域研究，深入研究人工智能模型 " 如何表征复杂数据的结构特征 "" 如何将空间、时间两个维度的结构特征融合 " 等，曾和团队推出 " 智能环保中空气污染物预测 "" 基于人工智能的 STEM 教育个性化学习技术 "（STEM 是科学、技术、工程和数学 4 门学科的简称）等多个交叉学科人工智能模型、产品。

不仅如此，近年来，他的研究成果也获得了多项科技奖励。张波作为负责人主持国家自然科学基金 3 项，省部级项目 4 项，并作为主要研究人员参与完成多项国家级理论研究项目。

张波带领团队与相关企业共同合作开发的系列模型还曾服务于北京冬奥会、上海进博会、西安全运会等多个大型赛事活动。

在 9 月 7 日至 10 日召开的 2024 全球能源转型大会上，张波接受了《每日经济新闻》（以下简称 NBD）记者采访。

图片来源：主办方供图

应探索多元化新能源消纳途径

NBD：当下人工智能飞速发展，大模型的训练和使用对电能的消耗很大，正好可以消化面临消纳问题的风光电。那么人工智能数据中心是不是可以成为一个消化多余的可再生能源电力的途径？

张波：风电、太阳能等新能源的加入，的确给构建新型电力系统带来新的挑战。电力系统传统的 " 源 - 网 - 荷 " 结构正在向 " 源 - 网 - 荷 - 储 " 一体化模式迈进。但实现科学消纳是一个系统工程，而非仅仅面向满足数据中心建设的。

当前数据中心以及大模型的训练虽然都在耗费巨大的电力能源，但我认为这是一个阶段性的问题。随着技术的飞速发展，我们会逐渐进入一个数据中心发展与用户需求和技术需求匹配发展的时代。从这个角度来看，数据中心的发展速度可能并非一味地快速膨胀。届时，数据中心建设规模过快，如果超越了市场使用需求，反而可能导致能源的浪费。

因此，我们应探索多元化的新能源消纳途径，如推广新能源汽车、发展新型储能技术、部署分布式储能网络，同时考虑加强跨区域能源调度的优化配置。

NBD：以 AI 大模型为代表的新一轮人工智能技术会对电力行业培育发展新质生产力产生哪些意义？

张波：新一轮人工智能技术对电力行业的影响可以分为以下三方面。

首先是电力领域生产资料的变化。例如，随着钙钛矿太阳能电池等新型电力材料的涌现，在人工智能的助力下，科研人员可以利用 AI 技术预测钙钛矿电池的材料结构与物性，探索出更为优化的材料设计方法。

其次是电力领域生产工具的变化。我们可以把 AI 看成一个非常重要的生产工具，并由 AI 衍生制造出全新的生产工具。例如大模型有非常卓越的生成能力、预测能力和流程设计能力，在 " 源网荷储 " 的很多场合下都可以赋能到传统电力场景中去。我们完全有可能精准预测未来一段时间风电、光伏等新能源的发电量，并且基于历史数据分析用户侧电力需求，实现供需两侧电力配置的精准平衡。

再次是电力领域生产关系的变革。AI 作为全新的 " 元 " 进入电力生产链，让电力行业生产关系发生根本性转变。它打破了传统上人类单一主导电力系统的格局，从而进入 " 人、AI" 二元电力生产管理时代，引领我们步入 " 人机协同 " 的新型电力系统时代。

加强能够用于大模型训练、带有丰富语义标签的数据积累

NBD：当下电力行业有没有出现成熟的大模型？和其他领域的大模型有何区别？

张波：目前，大模型在电力行业已经有一些比较成功的案例，例如南方电网公司的 " 驭电 " 智能仿真大模型。

当然，目前很多大型企业也在自主研制电力大模型。这些大模型与市面上的通用大模型最大的区别在于，以整合大量的电力生产和电网运行数据为支撑，更加关注电力行业垂直领域应用场景的个性化需求。

我非常期待未来电力大模型能够解决垂直领域中特定场景的应用需求和个性化问题，特别是在 " 源网荷储 " 等关键环节，希望大模型能够集中解决行业共性难点。

为了实现这一目标，我们必须重视在日常生产过程中的数据积累，尤其是那些能够用于大模型训练的、带有丰富语义标签的数据。

目前，尽管企业内部已有一些生产、运维等各类数据的积累，但行业共性数据的清洗、规范化、开放共享等仍处于起步阶段。从数据这个角度，我们可能还要更加注重数据科学与数据治理在电力行业中的交叉应用，为 AI 在电力领域中的大规模应用夯实数据基建的基础。

NBD：在您看来，人工智能在电力行业的应用现状如何？电力行业应用人工智能所面临的挑战是什么？

张波：在电力领域中，电源管理、电网优化预测、储能分析等多个垂直领域已经有非常多的人工智能技术介入，但也面临多方面的挑战。

第一是数据问题。当下，电力行业的数据质量需要提升，这直接影响人工智能大模型的训练效果与准确性。

第二是模型设计的泛化能力不足，即当下的很多模型设计主要在单一区域或场景中应用，无法适用于更加广泛的区域条件和差异化场景。

第三，新型电力系统的构建是一个复杂而庞大的系统工程，我们目前仍主要着眼于局部或小范围的应用和优化。如何在 " 源网荷储 " 四个维度以及新型电力系统的整体系统角度上，实现与人工智能的全面协同乃至全局优化提升仍是一个巨大难题，目前很多模型还无法解决。

最后是人工智能在电力行业应用中的安全性与可靠性问题。

NBD：如何让人工智能技术在电力行业产业化落地、实现规模化供给，进一步推动电力行业高质量发展？

张波：总的来说，当前新型电力系统与新能源体系建设过程中，非常值得我们关注的难题之一，就是电力供给侧的不稳定性与用户需求侧的不确定性之间的矛盾，并由此所引发的 " 源网荷储 " 四维结构中一系列系统性难题。而人工智能无疑是解决上述矛盾及由此引发的系统性难题的一把利刃。

因此，推动人工智能在电力行业的产业化落地，要发挥多方面的作用，包括国有企业、高等院校以及领先的人工智能企业等，这些多元主体之间存在巨大的协同可能和共赢潜力。但如何将这种潜在的协同转化为强烈的合作需求和紧密的合作关系是亟待解决的问题。

目前，人工智能与电力行业融合所产生的研究机构、研发平台、产教融合学院和联合攻关主体等创新模式不断涌现，这些都是对合作模式的有益探索。为了实现这一目标，需要在政策引导、要素配置、创新机制、评价改革和市场验证等方面做好工作。

从技术角度看，"AI+ 电力 " 是一个典型的跨学科组合，是利用新技术推动传统行业转型升级的创新实践。有 AI 赋能，能源电力行业不论在宏观层面上对新型电力系统整体转型升级，还是微观层面，诸如微电网甚至电气零部件生产、运维的性能预测分析和故障诊断等不同细小环节优化，都会获得更大的创新突破。

每日经济新闻