二、發(fā)電功率預測、輸變電智能運維巡檢，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)建設推進基礎保障，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)濟社會發(fā)展電力需求 為首要目標，以堅強智能電網(wǎng)為樞紐平臺，以源網(wǎng)荷儲互動與多能互補為支撐，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)。

　　智慧融合是構建新型電力系統(tǒng)的基礎。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)控制運行由“量測-控制”模式向多物理系統(tǒng)的狀態(tài)感知、智能 學習和預測控制等方式轉(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映射轉(zhuǎn)變。2)智能學習: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行轉(zhuǎn)變。3) 預測控制：將從電力物理系統(tǒng)的機理模型仿真和預測，向融合機理和數(shù)據(jù)模型的信息物理 耦合仿真預測轉(zhuǎn)變，提升隨機變量的預測精度，并應用于電網(wǎng)逐級調(diào)控和控制引導。

　　新型“源網(wǎng)荷儲”協(xié)同調(diào)控，保障電力可靠供應。傳統(tǒng)電力系統(tǒng)可根據(jù)用電側(cè)的負荷來調(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荷端，在運 行過程中滾動調(diào)節(jié)，從而實現(xiàn)電力系統(tǒng)安全可靠運行。在新型電力系統(tǒng)下，由于隨機變化、 弱可控的電源并不容易直接跟隨可測性降低的負荷做出調(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、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)、負荷側(cè)的調(diào)節(jié)能力，促進供需兩側(cè)精準匹 配，保障電力可靠供應。

　　預計 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，當前 21-23 投資額已達成 15200 億元，考慮到特高壓直流建設加速等 因素，“十四五”期間實際投資額有望超預期。我們預計 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%，預計“十四五”期間整體智能 化投資占比 17%，我們假設 23-25 年智能化投資占比為 17%、17.5%、18%，則對應投資金 額 893、954、1008 億元，每年增速 5-7%。

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

　　發(fā)電功率可靠預測是新能源大規(guī)模有序并網(wǎng)的關鍵。新能源發(fā)電對天氣依賴較強，具有間 歇性和波動性特征，因此發(fā)電電量較難預測，大規(guī)模集中并網(wǎng)會對電網(wǎng)的穩(wěn)定運行產(chǎn)生較 大的沖擊。因此新能源發(fā)電的準確預測可幫助電網(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。

　　功率預測相關政策趨于嚴格，“雙細則”加強考核。2018 年 3 月，國家能源局印發(fā)《關于 提升電力系統(tǒng)調(diào)節(jié)能力的指導意見》，要實施風光功率預測考核，將風電、光伏等發(fā)電機 組納入電力輔助服務管理。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)運行管理實 施細則》和《并網(wǎng)發(fā)電廠輔助服務管理實施細則》(“雙細則”)，加強對新能源發(fā)電功率預 測的考核，明確和加強考核罰款機制，發(fā)電功率預測精度直接影響到電站的運營與盈利。

　　新能源功率預測分類：(1)按照時間尺度：分為超短期、短期、中長期預測;(2)按照空 間尺度：分為單機預測、單場站預測、區(qū)域預測;(3)按照建模方法：分為物理建模方法、 時間序列建模方法、基于機器學習和深度學習等的人工智能建模方法。 超短期和短期預測均用于電網(wǎng)調(diào)度。根據(jù)各能源局《發(fā)電廠并網(wǎng)運行管理實施細則》：(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。

　　基于人工智能的預測模型具有諸多優(yōu)點，為當前主流研究領域。相比物理建模、時間序列 建模等傳統(tǒng)方法，基于 AI 的預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)訓練得到，更容易獲取;模型的輸入特征亦可靈活構建;結合智能優(yōu)化算 法還可進行參數(shù)自動尋優(yōu)，進一步省去了人工調(diào)參的工作量。

　　當前 AI 在功率預測領域的應用主要包括：模型輸入、模型構建和參數(shù)優(yōu)化。(1)模型輸 入：包括數(shù)據(jù)預處理、數(shù)據(jù)增強和特征構建;(2)模型構建：包括 ANN、SVM、決策樹模 型為代表的傳統(tǒng)機器學習算法，基于深度學習的新一代 AI 技術，以及融合多種模型的組 合預測技術;(3)參數(shù)優(yōu)化算法：包括進化算法、群智能優(yōu)化算法等靜態(tài)優(yōu)化算法和強化 學習等動態(tài)優(yōu)化算法，主要用于模型訓練和組合參數(shù)優(yōu)化。

　　功率預測技術路線主要包含數(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) 功率預測算法模型的自動匹配及預測數(shù)據(jù)的自動計算發(fā)送，因此在項目日常營運端，人力 投入較少，僅在少數(shù)場站模型遠程匹配失敗的情況下，由業(yè)務人員前往現(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)功率預測模型，并將其自動匹配至站場服務器。

　　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獲得原始氣象預報數(shù)據(jù)、②通 過建模計算后得到更高精度的氣象預測數(shù)據(jù)、③進行短期功率預測數(shù)據(jù)計算、④傳輸短期 功率數(shù)據(jù)到所服務電站、⑤在電站軟件中進行超短功率預測、⑥報送數(shù)據(jù)至電網(wǎng)調(diào)度部門。

　　當前線性回歸模型和樹模型實際應用效果好，深度學習類模型表現(xiàn)亮眼。全球能源預測大 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)電預測賽道中，基于決策樹的同質(zhì)集成算法在實際應用中效果較好，還有 優(yōu)勝隊伍使用了深度學習類模型，表明深度學習模型逐漸在實際應用中嶄露頭角。

　　業(yè)內(nèi)成熟的功率預測系統(tǒng)主要采用組合建模方法。實際功率預測系統(tǒng)采用的技術路線由早 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，從而提高預測精度。

　　2024 年新能源功率預測市場規(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 年均復合增長率將達 16.2%，其中光伏發(fā)電功率預測市場規(guī)模預計為 6.5 億元，風力發(fā)電功率預測市場規(guī)模預計為 6.9 億元。市場格局方面，國能日新為行業(yè)龍頭，2019 年公司在光伏和風能發(fā)電功率預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 天預測精度均高于傳統(tǒng)數(shù)值方法，同時預測速度提升 10000 倍，能夠提供秒級的全球氣象預報(傳統(tǒng)數(shù)值預測方法無法做到)，包括位勢、濕度、風 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 小時的全球氣象預報。

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

　　我國輸電線回路與變電設備存量規(guī)模大，投運總規(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 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 造成電力設備缺失或損壞，應當及時發(fā)現(xiàn)各種劣化過程的發(fā)展狀況，并在可能出現(xiàn)故障或 性能下降前，進行維修更換。電力系統(tǒng)運維管理主要包括“被動”運維、“主動”運維、 “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，同時響應更加及時、效率更高、成本更低，隨著技術的發(fā)展，智能機 器人技術具有廣闊的應用前景，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 個工人耗費一個 禮拜的工時才能進行一次全面檢查，假設每位工人年薪約 8 萬，而同樣的工作量，一臺巡 檢機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 用巡檢機器人比人工巡檢能節(jié)約 16 萬/年。

　　輸電線路智能運維與巡檢主要分為可視化狀態(tài)監(jiān)測、無人機巡檢、及機器人巡檢等方式。 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 患及對本體整體運行狀態(tài)進行評估;2)無人機巡檢：作為線路特巡的一種手段，對線路 進行巡視，可用于發(fā)現(xiàn)線路較為細節(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)機器人巡檢主要用于變電站、配電房、電纜隧道等場景應用，可按照設定 的線路或鋪設的導軌對重點點位進行巡視。

　　電力巡檢機器人行業(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 智能巡檢的核心應用場景，其中主流巡檢場景為室外和室內(nèi)。假設：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，假設滲透 率未來四年保持年增速 2%;3)隨產(chǎn)品技術升級與競爭加劇，預計機器人單機價格持續(xù)小 幅下滑;4)變電站/配電房配置機器人比例分別為一機一站/一機兩房。綜上，預計 2025 年我國室外/室內(nèi)巡檢機器人市場規(guī)模分別為 54/118 億元，市場空間廣闊。

　　AI 技術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：無人機結合 AI 輔助拍攝技術，可以實時對目標位置進行識別，動態(tài)調(diào) 整云臺角度，得到準確目標位置的照片。綜合利用相機光線動態(tài)補償技術和精準對焦技術， 保證照片拍攝質(zhì)量，有利于輸電線路的安全運行和快速巡檢。

　　3)智能檢測：變電站、換流站中的電力設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，對采集到的設備圖像進行圖像處理，從而判斷是否發(fā)生 故障或不正常。智能巡檢機器人可使用搭載紅外傳感器、電磁感應傳感器和高清攝像頭， 對電氣設備進行多維度、近距離的監(jiān)測。還可采用無人機搭載高清攝像儀和紅外傳感器， 完成對鐵塔、導地線和絕緣子串的運行狀態(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。應用盤古 CV 大模型，利用海 量無標注電力數(shù)據(jù)進行預訓練和篩選，并結合少量標注樣本微調(diào)的高效開發(fā)模式，獨創(chuàng)性 地提出了針對電力行業(yè)的預訓練模型。在模型通用性結合盤古搭載的自動數(shù)據(jù)增廣以及類 別自適應損失函數(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。