二、發(fā)電功率預(yù)測、輸變電智能運(yùn)維巡檢，有望成為 AI 率先賦能方向

　　2.1 智慧融合為新型電力系統(tǒng)建設(shè)推進(jìn)基礎(chǔ)保障，國網(wǎng)智能化投資維持較高增長。

　　安全高效、清潔低碳、柔性靈活、智慧融合為新型電力系統(tǒng)基本特征。1 月 6 日，國家能 源局發(fā)布《新型電力系統(tǒng)發(fā)展藍(lán)皮書(征求意見稿)》, 以新能源為主體的新型電力系統(tǒng) 是以新能源為供給主體，以確保能源電力安全為基本前提，以滿足經(jīng)濟(jì)社會發(fā)展電力需求 為首要目標(biāo)，以堅強(qiáng)智能電網(wǎng)為樞紐平臺，以源網(wǎng)荷儲互動與多能互補(bǔ)為支撐，具有安全 高效、清潔低碳、柔性靈活、智慧融合基本特征的電力系統(tǒng)。

　　智慧融合是構(gòu)建新型電力系統(tǒng)的基礎(chǔ)。新型電力系統(tǒng)以數(shù)據(jù)為核心驅(qū)動，呈現(xiàn)數(shù)字與物理 系統(tǒng)深度融合特點，系統(tǒng)控制運(yùn)行由“量測-控制”模式向多物理系統(tǒng)的狀態(tài)感知、智能 學(xué)習(xí)和預(yù)測控制等方式轉(zhuǎn)變。1)狀態(tài)感知：電網(wǎng)內(nèi)外參與耦合運(yùn)行的物理系統(tǒng)，將從局 部的感知量測,向全局的確定性精準(zhǔn)映射轉(zhuǎn)變。2)智能學(xué)習(xí):由于參與要素的多樣性，將 從單純物理量的分析，向包括人的行為在內(nèi)的非物理量的感知和智能研判進(jìn)行轉(zhuǎn)變。3) 預(yù)測控制：將從電力物理系統(tǒng)的機(jī)理模型仿真和預(yù)測，向融合機(jī)理和數(shù)據(jù)模型的信息物理 耦合仿真預(yù)測轉(zhuǎn)變，提升隨機(jī)變量的預(yù)測精度，并應(yīng)用于電網(wǎng)逐級調(diào)控和控制引導(dǎo)。

　　新型“源網(wǎng)荷儲”協(xié)同調(diào)控，保障電力可靠供應(yīng)。傳統(tǒng)電力系統(tǒng)可根據(jù)用電側(cè)的負(fù)荷來調(diào) 整電源的發(fā)電量，其前提是用可控的發(fā)電系統(tǒng)去匹配波動幅度不大且可測的負(fù)荷端，在運(yùn) 行過程中滾動調(diào)節(jié)，從而實現(xiàn)電力系統(tǒng)安全可靠運(yùn)行。在新型電力系統(tǒng)下，由于隨機(jī)變化、 弱可控的電源并不容易直接跟隨可測性降低的負(fù)荷做出調(diào)整，電力系統(tǒng)需要從“被動”的 跟隨調(diào)控，轉(zhuǎn)化為“主動”的協(xié)同調(diào)控。通過源源互補(bǔ)、源網(wǎng)協(xié)調(diào)、網(wǎng)荷互動、網(wǎng)儲互動 和源荷互動等多種交互形式，充分發(fā)揮發(fā)電側(cè)、負(fù)荷側(cè)的調(diào)節(jié)能力，促進(jìn)供需兩側(cè)精準(zhǔn)匹 配，保障電力可靠供應(yīng)。

　　預(yù)計 23-25 年國網(wǎng)智能化投資為 893、954、1008 億元，每年維持 5-7%較高速增長。2023 年國網(wǎng)計劃投資超 5200 億元，同比 2022 年的計劃投資 5012 億元增長 3.8%。“十四五” 初期規(guī)劃 2.6 萬億，當(dāng)前 21-23 投資額已達(dá)成 15200 億元，考慮到特高壓直流建設(shè)加速等 因素，“十四五”期間實際投資額有望超預(yù)期。我們預(yù)計 23-25 年實際投資規(guī)劃為 5250 億元、5450 億元、5600 億元，每年增速為 3-5%。智能化投資占比方面，根據(jù)《國家電網(wǎng) 智能化規(guī)劃報告》， “十三五”智能化投資占比為 12.5%，預(yù)計“十四五”期間整體智能 化投資占比 17%，我們假設(shè) 23-25 年智能化投資占比為 17%、17.5%、18%，則對應(yīng)投資金 額 893、954、1008 億元，每年增速 5-7%。

　　2.2 發(fā)電功率預(yù)測：基于 AI 的預(yù)測模型為當(dāng)前研究主線，旨在提高預(yù)測精度

　　發(fā)電功率可靠預(yù)測是新能源大規(guī)模有序并網(wǎng)的關(guān)鍵。新能源發(fā)電對天氣依賴較強(qiáng)，具有間 歇性和波動性特征，因此發(fā)電電量較難預(yù)測，大規(guī)模集中并網(wǎng)會對電網(wǎng)的穩(wěn)定運(yùn)行產(chǎn)生較 大的沖擊。因此新能源發(fā)電的準(zhǔn)確預(yù)測可幫助電網(wǎng)調(diào)度部門提前做好傳統(tǒng)電力與新能源電 力的調(diào)控計劃，改善電力系統(tǒng)調(diào)峰能力，增加新能源并網(wǎng)容量。

　　功率預(yù)測相關(guān)政策趨于嚴(yán)格，“雙細(xì)則”加強(qiáng)考核。2018 年 3 月，國家能源局印發(fā)《關(guān)于 提升電力系統(tǒng)調(diào)節(jié)能力的指導(dǎo)意見》，要實施風(fēng)光功率預(yù)測考核，將風(fēng)電、光伏等發(fā)電機(jī) 組納入電力輔助服務(wù)管理。各地區(qū)能源局隨后紛紛發(fā)布了本區(qū)域《發(fā)電廠并網(wǎng)運(yùn)行管理實 施細(xì)則》和《并網(wǎng)發(fā)電廠輔助服務(wù)管理實施細(xì)則》(“雙細(xì)則”)，加強(qiáng)對新能源發(fā)電功率預(yù) 測的考核，明確和加強(qiáng)考核罰款機(jī)制，發(fā)電功率預(yù)測精度直接影響到電站的運(yùn)營與盈利。

　　新能源功率預(yù)測分類：(1)按照時間尺度：分為超短期、短期、中長期預(yù)測;(2)按照空 間尺度：分為單機(jī)預(yù)測、單場站預(yù)測、區(qū)域預(yù)測;(3)按照建模方法：分為物理建模方法、 時間序列建模方法、基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等的人工智能建模方法。 超短期和短期預(yù)測均用于電網(wǎng)調(diào)度。根據(jù)各能源局《發(fā)電廠并網(wǎng)運(yùn)行管理實施細(xì)則》：(1) 電站必須于每天早上 9 點前向電網(wǎng)調(diào)度部門報送短期功率預(yù)測數(shù)據(jù)，用于電網(wǎng)調(diào)度做未來 1 天或數(shù)天的發(fā)電計劃;(2)每 15 分鐘向電網(wǎng)調(diào)度部門報送超短期功率預(yù)測數(shù)據(jù)，用于 電網(wǎng)調(diào)度做不同電能發(fā)電量的實時調(diào)控。

　　基于人工智能的預(yù)測模型具有諸多優(yōu)點，為當(dāng)前主流研究領(lǐng)域。相比物理建模、時間序列 建模等傳統(tǒng)方法，基于 AI 的預(yù)測模型對于高維非線性樣本空間具有良好的擬合能力;模 型參數(shù)基于數(shù)據(jù)訓(xùn)練得到，更容易獲取;模型的輸入特征亦可靈活構(gòu)建;結(jié)合智能優(yōu)化算 法還可進(jìn)行參數(shù)自動尋優(yōu)，進(jìn)一步省去了人工調(diào)參的工作量。

　　當(dāng)前 AI 在功率預(yù)測領(lǐng)域的應(yīng)用主要包括：模型輸入、模型構(gòu)建和參數(shù)優(yōu)化。(1)模型輸 入：包括數(shù)據(jù)預(yù)處理、數(shù)據(jù)增強(qiáng)和特征構(gòu)建;(2)模型構(gòu)建：包括 ANN、SVM、決策樹模 型為代表的傳統(tǒng)機(jī)器學(xué)習(xí)算法，基于深度學(xué)習(xí)的新一代 AI 技術(shù)，以及融合多種模型的組 合預(yù)測技術(shù);(3)參數(shù)優(yōu)化算法：包括進(jìn)化算法、群智能優(yōu)化算法等靜態(tài)優(yōu)化算法和強(qiáng)化 學(xué)習(xí)等動態(tài)優(yōu)化算法，主要用于模型訓(xùn)練和組合參數(shù)優(yōu)化。

　　功率預(yù)測技術(shù)路線主要包含數(shù)據(jù)計算、傳輸及模型優(yōu)化。以國能日新為例，公司基本實現(xiàn) 功率預(yù)測算法模型的自動匹配及預(yù)測數(shù)據(jù)的自動計算發(fā)送，因此在項目日常營運(yùn)端，人力 投入較少，僅在少數(shù)場站模型遠(yuǎn)程匹配失敗的情況下，由業(yè)務(wù)人員前往現(xiàn)場完成模型修正。 在模型優(yōu)化方面，一般會按照設(shè)定的周期，由智控平臺中的模型算法程序自動重新選取最 優(yōu)功率預(yù)測模型，并將其自動匹配至站場服務(wù)器。

　　新能源功率產(chǎn)品每日工作流程(以國能日新產(chǎn)品為例)：①獲得原始?xì)庀箢A(yù)報數(shù)據(jù)、②通 過建模計算后得到更高精度的氣象預(yù)測數(shù)據(jù)、③進(jìn)行短期功率預(yù)測數(shù)據(jù)計算、④傳輸短期 功率數(shù)據(jù)到所服務(wù)電站、⑤在電站軟件中進(jìn)行超短功率預(yù)測、⑥報送數(shù)據(jù)至電網(wǎng)調(diào)度部門。

　　當(dāng)前線性回歸模型和樹模型實際應(yīng)用效果好，深度學(xué)習(xí)類模型表現(xiàn)亮眼。全球能源預(yù)測大 賽(GEFCOM)至今已經(jīng)舉辦過三屆，有超過 60 個國家的數(shù)百只隊伍參賽，在歷屆優(yōu)勝算 法中，線性回歸模型和樹模型實際應(yīng)用效果最好。此外，在 2021 年國家電網(wǎng)調(diào)控 AI 創(chuàng)新 大賽，新能源發(fā)電預(yù)測賽道中，基于決策樹的同質(zhì)集成算法在實際應(yīng)用中效果較好，還有 優(yōu)勝隊伍使用了深度學(xué)習(xí)類模型，表明深度學(xué)習(xí)模型逐漸在實際應(yīng)用中嶄露頭角。

　　業(yè)內(nèi)成熟的功率預(yù)測系統(tǒng)主要采用組合建模方法。實際功率預(yù)測系統(tǒng)采用的技術(shù)路線由早 期的物理建模方法，過渡到以數(shù)據(jù)驅(qū)動方法為主，且?guī)缀跞繛榻M合建模方法。組合建模 可通過串行和并行兩種方式分別減少模型的偏差和方差，從而提高預(yù)測精度。

　　2024 年新能源功率預(yù)測市場規(guī)模 13.4 億元，國能日新為行業(yè)龍頭。根據(jù)沙利文報告，2019 年我國發(fā)電功率預(yù)測市場的市場規(guī)模約 6.3 億元，到 2024 年市場規(guī)模將增長至約 13.4 億元，2019 至 2024 年均復(fù)合增長率將達(dá) 16.2%，其中光伏發(fā)電功率預(yù)測市場規(guī)模預(yù)計為 6.5 億元，風(fēng)力發(fā)電功率預(yù)測市場規(guī)模預(yù)計為 6.9 億元。市場格局方面，國能日新為行業(yè)龍頭，2019 年公司在光伏和風(fēng)能發(fā)電功率預(yù)測市場的占有率分別為 22.3%和 18.8%。

　　華為盤古氣象大模型精度首次超過傳統(tǒng)數(shù)值方法，速度提升 10000 倍以上。華為云發(fā)布 的盤古氣象大模型 1 小時-7 天預(yù)測精度均高于傳統(tǒng)數(shù)值方法，同時預(yù)測速度提升 10000 倍，能夠提供秒級的全球氣象預(yù)報(傳統(tǒng)數(shù)值預(yù)測方法無法做到)，包括位勢、濕度、風(fēng) 速、溫度、海平面氣壓等。同時，盤古氣象大模型在一張 V100 顯卡上，只需要 1.4 秒就 能完成 24 小時的全球氣象預(yù)報。

　　2.3 智能運(yùn)維與巡檢：AI 有望全面升級巡檢產(chǎn)品，行業(yè)空間預(yù)計突破百億

　　我國輸電線回路與變電設(shè)備存量規(guī)模大，投運(yùn)總規(guī)模平穩(wěn)增長。根據(jù)中電聯(lián)數(shù)據(jù)，截止 2022 年，全國電網(wǎng) 220 千伏及以上變電設(shè)備容量共 51.98 億千伏安，同比增長 5.2%;220 千伏及以上輸電線路回路長度共 88.2 萬千米，同比增長 4.6%。從新增量看，2022 年全國 新增 220 千伏及以上變電設(shè)備容量 25839 萬千伏安，同比增長 6.3%;新增 220 千伏及以 上輸電線路長度 38967 千米，同比增長 21.2%。2021 年、2022 年，220 千伏及以上變電設(shè) 備容量增速維持在 5%左右，220 千伏及以上輸電線路回路長度增速維持在 4%。新增規(guī)模 中，變電設(shè)備容量增量位于近十年次高點，輸電線路回路長度增量為近十年第三高點。

　　電力系統(tǒng)運(yùn)維管理分為：“被動”-“主動”-“ 狀態(tài)檢修”三個階段，“狀態(tài)檢修”策略 及時性和可靠性高。由于輸變電線路架設(shè)在各種自然環(huán)境中，常年經(jīng)受日曬雨淋，難免會 造成電力設(shè)備缺失或損壞，應(yīng)當(dāng)及時發(fā)現(xiàn)各種劣化過程的發(fā)展?fàn)顩r，并在可能出現(xiàn)故障或 性能下降前，進(jìn)行維修更換。電力系統(tǒng)運(yùn)維管理主要包括“被動”運(yùn)維、“主動”運(yùn)維、 “狀態(tài)檢修”策略三個發(fā)展階段，其中“狀態(tài)檢修”策略提高了故障發(fā)現(xiàn)的及時性和電網(wǎng) 運(yùn)行的可靠性。

　　人工巡檢諸多劣勢，AI 替代是大勢所趨。電力行業(yè)有大量巡檢工作條件惡劣，傳統(tǒng)人工 巡檢的工作難度大、危險指數(shù)高、及時性低、工作量大;采用智能巡檢，既具有人工巡檢 的靈活性和智能性，同時響應(yīng)更加及時、效率更高、成本更低，隨著技術(shù)的發(fā)展，智能機(jī) 器人技術(shù)具有廣闊的應(yīng)用前景，未來電氣行業(yè)無人化巡檢將成為行業(yè)常態(tài)。 AI 替代人工性價比更高。以 500kv 變電站為例，人工巡檢模式下需要 4 個工人耗費(fèi)一個 禮拜的工時才能進(jìn)行一次全面檢查，假設(shè)每位工人年薪約 8 萬，而同樣的工作量，一臺巡 檢機(jī)器人能在更短的時間內(nèi)完成，其平均成本為 65 萬/臺，計提折舊后約 16 萬/年，使 用巡檢機(jī)器人比人工巡檢能節(jié)約 16 萬/年。

　　輸電線路智能運(yùn)維與巡檢主要分為可視化狀態(tài)監(jiān)測、無人機(jī)巡檢、及機(jī)器人巡檢等方式。 1)可視化狀態(tài)監(jiān)測：能夠全天候全時段在線自動運(yùn)行監(jiān)測的方式，能夠及時發(fā)現(xiàn)安全隱 患及對本體整體運(yùn)行狀態(tài)進(jìn)行評估;2)無人機(jī)巡檢：作為線路特巡的一種手段，對線路 進(jìn)行巡視，可用于發(fā)現(xiàn)線路較為細(xì)節(jié)的缺陷，通常需要專業(yè)人員在現(xiàn)場操控才能完成對線 路的巡視;3)機(jī)器人巡檢主要用于變電站、配電房、電纜隧道等場景應(yīng)用，可按照設(shè)定 的線路或鋪設(shè)的導(dǎo)軌對重點點位進(jìn)行巡視。

　　電力巡檢機(jī)器人行業(yè)規(guī)模測算：輸電線巡檢、變電站巡檢、配電站巡檢及隧道巡檢是電力 智能巡檢的核心應(yīng)用場景，其中主流巡檢場景為室外和室內(nèi)。假設(shè)：1)變電站及配電房 數(shù)量 2020 年后保持年增速 3%;2)依據(jù)國家能源局智能電網(wǎng)的規(guī)劃覆蓋目標(biāo)，假設(shè)滲透 率未來四年保持年增速 2%;3)隨產(chǎn)品技術(shù)升級與競爭加劇，預(yù)計機(jī)器人單機(jī)價格持續(xù)小 幅下滑;4)變電站/配電房配置機(jī)器人比例分別為一機(jī)一站/一機(jī)兩房。綜上，預(yù)計 2025 年我國室外/室內(nèi)巡檢機(jī)器人市場規(guī)模分別為 54/118 億元，市場空間廣闊。

　　AI 技術(shù)有望全面升級智能巡檢產(chǎn)品，包括快速清晰建模、AI 輔助拍攝、和智能檢測。 1)快速清晰建模：例如，NERF 是一種基于神經(jīng)網(wǎng)絡(luò)的三維重建算法，它可以從 2D 圖中， 快速高效地生成高質(zhì)量的 3D 場景模型。其輸入稀疏的多角度帶 pose 的圖像訓(xùn)練得到一個 神經(jīng)輻射場模型，根據(jù)這個模型可以渲染出任意視角下的清晰的照片。 2)AI 輔助拍攝：無人機(jī)結(jié)合 AI 輔助拍攝技術(shù)，可以實時對目標(biāo)位置進(jìn)行識別，動態(tài)調(diào) 整云臺角度，得到準(zhǔn)確目標(biāo)位置的照片。綜合利用相機(jī)光線動態(tài)補(bǔ)償技術(shù)和精準(zhǔn)對焦技術(shù)， 保證照片拍攝質(zhì)量，有利于輸電線路的安全運(yùn)行和快速巡檢。

　　3)智能檢測：變電站、換流站中的電力設(shè)備普遍都具備的明顯特征，包顏色、材質(zhì)和紋 理等。利用圖像處理和識別能力，對采集到的設(shè)備圖像進(jìn)行圖像處理，從而判斷是否發(fā)生 故障或不正常。智能巡檢機(jī)器人可使用搭載紅外傳感器、電磁感應(yīng)傳感器和高清攝像頭， 對電氣設(shè)備進(jìn)行多維度、近距離的監(jiān)測。還可采用無人機(jī)搭載高清攝像儀和紅外傳感器， 完成對鐵塔、導(dǎo)地線和絕緣子串的運(yùn)行狀態(tài)監(jiān)測和安全評估。

　　盤古大模型加持電網(wǎng)智能巡檢，代替?zhèn)鹘y(tǒng) 20 多個小模型。應(yīng)用盤古 CV 大模型，利用海 量無標(biāo)注電力數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練和篩選，并結(jié)合少量標(biāo)注樣本微調(diào)的高效開發(fā)模式，獨創(chuàng)性 地提出了針對電力行業(yè)的預(yù)訓(xùn)練模型。在模型通用性結(jié)合盤古搭載的自動數(shù)據(jù)增廣以及類 別自適應(yīng)損失函數(shù)優(yōu)化策略，做到一個模型適配上百種缺陷，替代原有 20 多個小模型。 從而做到平均精度提升 18.4%、模型開發(fā)成本降低 90%。目前，華為在 L2 級細(xì)分場景模 型上，已經(jīng)推出基于電力大模型的無人機(jī)電力巡檢、電力缺陷識別等場景模型。