以DeepSeek为代表的AI在能源行业的应用前景预测.pdf

4

一、AI大模型的技术历史回顾

（一）

20世纪50~70年代是人工智能技术的萌芽时期。20世纪80年代，专家系统作为一种模拟人类专家决策能力的AI应用开

始出现。20世纪90年代，随着计算机运算能力的提升，更复杂的智能算法被开发出来，用于生产规划和调度。21世纪初开始，

大数据和云计算兴起，机器学习等算法被提出。2010年，物联网、大数据分析、机器学习、深度学习等技术出现；2020年至今

AI大模型出现并得到迅速发展，以Deepseek为代表的语义大模型出现。

4

二、AI大模型的核心技术与特点

4

（一）

AI大模型的成功是多类技术的积累，但其中最为核心的是自注意力

机制和Google在2017年提出的Self-Attention、Transformer架构。

ChatGPT,Deepseek,豆包，Kimi都是基于该架构提出，具有以下三个特

点。

1、参数规模庞大。AI大模型通常具有数十亿甚至千亿级别的参数，

使得模型能够捕捉到更多的细节和特征，提高了任务的准确性。

2、训练数据海量。AI大模型需要训练大量数据才能发挥出其强大的

性能，这些数据来自于各种来源，如互联网、企业内部数据等。

3、计算资源需求高。由于参数规模庞大，AI大模型的训练需要高性

能的计算资源，如GPU集群、分布式训练框架等。

5

能源行业部分大模型

4

（一）

◼国网光明电力大模型：（开源与闭源并举）

发输变配用、调度、交易

规划、建设、运行、检修、营销

◼南网，大瓦特

◼三峡集团“大禹”大模型

◼中核集团龙吟大模型

◼中国广核，“锦书”大模型

◼中国石油，昆仑大模型

◼中国石化，“胜小利”大模型

◼中国海油，“海能”人工智能模型

◼国家管网，“管网”大模型

一、能源生产与管理

4

（一）

◼新能源发电优化：

1、精准的功率预测：DeepSeek可构建更精准的新能源发电预测模型，对太阳能、风能等发电功率进行提前预测。例如，针对某风光装

机占比达58%的省级电网，DeepSeek通过构建考虑新能源场站波动特性的动态安全域模型，将弃光率从19%降至3.2%，日前预测精度提高

至94.7%。

2、优化调度决策：基于精准的发电预测，AI大模型可以综合考虑电网的负荷需求、不同新能源电站的发电能力、储能设备的状态等多

方面因素，制定出最优的电力调度方案。这有助于提高电网对新能源电力的消纳能力，降低弃风、弃光率，提高新能源发电的利用效率。

9

一、能源生产与管理

4

（一）

◼能源管理：

1、电网状态监测与故障诊断：利用

传感器网络收集电网的实时运行数

据，如电压、电流、功率因数等，

AI大模型可以对这些数据进行实时

分析和处理，监测电网的运行状态

。一旦发现异常情况，如电压波动

、电流过载、设备故障等，能够及

时发出警报，并对故障进行诊断和

2、储能设备的优化控制：对于电池储能、抽水蓄能等储能设备，AI大模型可以根据能源

定位，帮助运维人员快速排除故障

需求和供应的变化情况，优化储能设备的充放电策略。例如，在电价低谷时段，控制储能

，提高电网的可靠性和稳定性。

10设备充电，储存多余的电力；在电价高峰时段，控制储能设备放电，向电网供应电力，从

而实现削峰填谷，降低能源成本。

一、能源生产与管理

4

（一）

◼能源研发与创新：

1、新能源材料研