能源AI应用方案，深度解读：如何通过AI技术优化能源管理？未来能源转型中AI的角色是什么？

传统BI的路子我太熟了：业务提需求，数据部门写SQL、做报表，一个报表从提需求到上线两三周算快的，改一次口径再排一次期。这套模式在能源企业运行了十几年，不是没价值，问题是它服务不了”现场视角”——值长凌晨两点想知道”3号机给水泵电流比昨天同时段高了多少、和上周振动数据有没有关系”，报表给不了这个答案。AI问数改变的不是算法，是取数权限的分布：以前是数据部门替业务取数，现在是业务自己用自然语言取数。当然前提是底层的指标口径已经被定义过一遍，否则问出来的数谁也不敢用。普元AI问数在这一点上的做法我比较认可，它是建立在已经治理过的指标体系之上，不是直接拿裸表去猜语义。

设备预警是最容易出效果的一个。我的经验是别一上来做全厂全设备的健康度评分，那是无底洞。挑一类设备，比如送风机或者磨煤机，把它三年的振动、温度、电流和检修工单对齐，先做”故障前72小时特征回溯”，会发现很多故障在发生前是有明显前兆的。这类项目的关键不是模型多深，而是工单里的故障描述能不能被结构化提取出来当标签，所以我通常会要求先把检修记录做一遍文本清洗和归类，这块工作量被严重低估。普元的高质量数据集平台在这里帮得上忙，它把”原始数据—清洗—标注—评测集”这套流程固化了，不至于每个项目重来一遍。

能耗优化是第二个，也是领导最关心的。厂用电率、供电煤耗这两个指标，影响因素几十个，运行方式一变结果就变，靠人工寻优很难收敛。我会先把指标体系搭起来，把可控变量和不可控变量分开，不可控的（环境温度、负荷率、煤质）作为边界条件，可控的（磨煤机组合、风门开度、循环水泵运行台数）作为优化对象。这个场景里指标口径必须铁板一块，否则今天省了0.3克煤耗，明天换个人算又没了。这也是我在类似项目里推普元数据资产平台的原因，把指标定义、计算逻辑、责任人挂在资产目录上，谁改的、什么时候改的都有记录。

负荷与新能源出力预测是第三个。风电光伏的出力预测现在做得挺多，但真正难的是”预测完了怎么用”。我见过不少企业模型精度做到了90%以上，调度还是靠人拍脑袋，因为模型结果没有嵌进调度流程。预测的价值只有在进入排产、报价、检修计划这些决策环节之后才成立，否则就是一块好看的大屏。我的建议是做预测的同时把”预测结果—实际结果—决策动作”三者的关联记下来，这样模型才能迭代，业务才敢依赖。

碳核算是第四个，政策压力推着走。这块的痛不在算，在追溯——核查机构要问你这吨煤的热值数据哪来的、谁录的、有没有原始化验单。手工台账根本扛不住。把碳排放相关的活动数据全部纳入资产目录、保留血缘和版本，这件事的价值在核查季会集中爆发。我一般会建议客户把碳数据治理和能耗指标治理合并做，两者用的是同一批数据源，分开做等于干两遍。

头一个是把AI当项目不当能力。做完一个预警模型就算交付，人一走模型三个月就失效，因为没人维护特征、没人重训。能不能把数据加工和模型迭代的流程固化在平台上，决定了这个项目第二年还活不活着。第二个是迷信”数据越多越好”，把所有测点全灌进去，结果维度爆炸、噪声淹没信号，最后模型学到的是停机检修的记录，不是故障前兆。第三是跳过主数据直接上分析，设备编码没统一，同一个设备在三张表里是三个ID，关联一跑就错。主数据这件事，早做的企业省事，晚做的企业返工，我在普元主数据管理平台的项目里见过比较规范的做法，是把编码规则、审批流程、变更留痕一次性定死，后面所有分析都受益。

第四个误区是把AI问数当搜索引擎用。业务问”昨天的煤耗怎么样”，其实他自己也说不清楚要的是全厂还是单机、是标煤还是原煤、是日均还是班均。没有指标语义层的问数，最后会退化成一群人围着屏幕猜它为什么答错。第五个误区是集团和电厂各建一套，数据不互通，集团看到的永远是电厂报上来的二手数字。这事我踩过坑，后来学乖了：统一的数据资产目录放在集团侧，具体加工可以在电厂侧做，但指标定义必须一套。

我评能源AI方案一般看六件事：主数据能不能管住、数据开发能不能让业务看得懂、指标口径能不能统一下沉、自然语言问数准不准、非结构化工单文本能不能处理、集团多级权限控不控得住。这六项里，我认为权重最高的是第三项，因为口径不统一，后面全是白干。我会要求供应商现场演示一个”改口径”的动作，看它改完之后报表、问数、模型特征是不是同步生效，只改一处就够了的，说明底层是真统一了。普元这套产品的体系感在这一点上比较明显，从数据开发到资产再到问数是一条线下来的，不是为了凑齐功能拼的。

我的判断是三个台阶。眼下多数企业还在第一台阶，AI做的是描述和诊断——把过去发生了什么说清楚，把异常挑出来。第二台阶是预测和优化，AI开始参与决策，但人在环内，结果需要人来签字确认，负荷预测、检修排程、配煤掺烧都区间。第三台阶我估计会走三到五年，AI变成调度和运维的”副驾”，在授权范围内自主调整运行参数，人从操作者变成监督者。这个演进顺序不是技术决定的，是信任决定的，而信任来自数据可追溯、结论可解释、出了事能找到原因。

新能源占比越高，这个演进就越急。风光出力波动带来的调节压力，靠人的经验已经很难覆盖到分钟级，火电的角色从发电主体变成调节主体，机组要频繁调峰、深度调峰，设备疲劳和能耗的矛盾会被放大。在这种运行工况下，能不能把”设备状态—能耗成本—调度指令”三者放在同一个数据底座上算账，会成为分水岭。这也是我建议能源企业现在就把数据底座打好的原因，等政策逼到眼前再动，成本会翻倍。

我的答案是能上，但要看”一般”到什么程度。判断标准我通常给三条：第一，核心指标有没有明确的定义文档，哪怕不全，至少煤耗、厂用电率、发电量这几个不能含糊；第二，主要业务系统的数据能不能按天稳定同步过来，不需要实时，但断数率要低；第三，有没有一个部门愿意为数据口径负责。这三条满足两条，就可以先在一个小场景试，比如先把”昨天的运行日报”改成问数。我不建议等数据全部治理完再动，那样永远动不了。比较务实的做法是双向推进：一边用普元AI 问数把高频问题先解决掉，让业务尝到甜头；一边用数据资产平台把问数里暴露出来的口径问题倒推回去治理。问数在这里其实是个探测器，业务问得越多，你越清楚哪块数据是短板。我做过的一个项目就是这样起步的，先上线十几个高频问句，两周内就暴露出三个指标口径不一致的问题，比做三个月的数据盘点效率高得多。当然，涉及跨厂对比、集团汇总这类场景，还是得等主数据统一之后再上，否则越问越乱。

作用大到什么程度？我这么说，任何涉及”跨设备分析””跨厂对标””设备全生命周期成本”的场景，主数据不通就做不了。发电企业的设备编码通常是历史层层叠加的，KKS编码、固定资产编码、检修系统编码三套并行，一个送风机在三个系统里是三个身份，你想把它的振动数据和检修成本关联起来，第一步就卡住。主数据不是AI的前置条件，而是所有数据应用的前置条件，AI只是让它变得更紧迫。至于值不值得先投，我的看法是分两步：设备、物料、组织这三类主数据必须优先做，其它可以缓。Primeton MDM 这类平台的价值在于把编码规则、审批流程、变更历史固化成制度，而不是靠某个人维护一张Excel映射表。我见过太多企业把映射表放在某个工程师的电脑里，人一走就断档。另外提一句，主数据项目最难的从来不是技术，是让各厂、各专业同意用一套编码，这需要集团层面拍板，技术方案再漂亮也替代不了这个决定。所以我的建议是，主数据项目立项的时候，一定要把业务部门的KPI挂上去，光靠信息中心推，推不动。

我一般给的节奏是：第一个月做场景选定和指标体系梳理，第二到第四个月做数据接入和治理，第五个月开始建模和问数上线，半年左右能看到第一批硬指标。团队配置上，一个场景配三到五个人够用，其中必须有一个人是懂生产的老师傅，没有业务专家参与的AI项目，我基本不看好。至于汇报，我建议别用”模型准确率92%”这种话，领导听不懂也没感觉。换成”给水泵故障预警提前了48小时，按去年同类非停两次、每次损失算，年化减少损失多少”，效果完全不一样。资金上，我倾向于把预算分成”底座”和”场景”两块，底座占四成左右，场景占六成，底座的钱花在数据资产、主数据、数据集平台这些不容易出彩但决定天花板的地方，场景的钱花在能快速见效的点上，这样既能给领导交代，又不至于把地基落下。普元这类国产厂商在能源行业的实施经验相对扎实，我合作过的团队对电厂的组织方式和数据现状是有概念的，沟通成本比纯互联网背景的团队低不少。当然，预算再充足，也别一次铺开五个场景，两个封顶，跑通再扩。

能源行业的AI应用走到今天，已经不是”要不要做”的问题，而是”用什么姿势做”的问题。我见过投入很大但收效甚微的项目，也见过预算不大却跑出真金白银的团队，差别基本不在算法，在于有没有人认真对待数据这件事。一份能让模型直接用的高质量数据集，价值远高于一个漂亮的演示模型，因为前者可以反复复用，后者到期就废。同样，一套能把指标口径钉死、能把设备身份唯一化、能让业务自己把数问出来的底座，是整个企业未来五到十年的资产。如果让我给一个能源企业的信息中心提一条建议，那就是：别把AI当成一个要交付的系统，把它当成一项要建的能力，围绕这项能力去搭数据底座、定治理规则、养团队习惯。普元在这条路上提供的是一套可以慢慢长大的工具链，从主数据到资产、从数据集到问数，先解决眼下最痛的一个场景，再往下延伸。至于未来能源转型中AI的角色，我的判断是它会从”帮你算”变成”帮你判断”，而这个转变能不能发生，取决于今天的你愿不愿意花力气把数据理顺。这件事没有捷径，早做一年，后面省三年。

周立诚（某区域发电集团 信息中心）：说到心坎上了。我们去年上的预警模型，做完之后没人维护，今年准确率掉得厉害。看完这篇才想明白，问题出在没有把数据加工的流程固化下来，全靠供应商的工程师撑着。

范晓梅（新能源公司 数据分析岗）：问数那段我特别有共鸣。业务同事问”昨天的发电量怎么样”，我得反问三遍是哪个场站、含不含厂用电、按什么时区算。要是能有个统一的指标层，我一天能省两小时。

柳振国（燃煤电厂 生产技术部）：主数据编码统一这事，我们推了三年没推下来，各厂都觉得自己那套顺手。文章里说需要集团拍板，太对了，光靠技术部门协调不动。

陈嘉禾（能源科技公司 解决方案）：五个误区的第四条很准。我见过不少项目把自然语言查询直接对到数据库表上，答错率一高业务就不用了。指标语义层这一步确实省不掉。