行业研究 on CAO ZUOHUA

阿里云电力 AI 调研（一）：总览——全栈版图与产品矩阵

Tue, 29 Sep 2026 21:10:00 +0800

阿里云电力 AI 调研（一）：总览——全栈版图与产品矩阵

本系列共八篇，逐环节拆解阿里云在电力行业「发、输、变、配、用」的 AI 与 Agent 落地现状。全部结论标注信源等级：A 官方（阿里云/客户官网、官方技术博客）、B 权威媒体 / 行业白皮书 / 信通院、C 厂商 PR 稿或会议演讲、D 二手转载（仅作线索）。本系列刻意区分「已投产」与「方案宣传」，并对厂商口径保留独立判断。

一、为什么要做这个调研

「AI + 电力」是 2025—2026 年 to-B 领域声量最高的赛道之一。阿里云在这条赛道上的位置看起来非常牢固：2025 年 9 月云栖大会披露，中国超 70% 的能源央企已接入阿里 AI，阿里云已与所有能源央企建立合作（C，阿里云政企业务稿）。

但这个数字经不起细看。同一主题在 2026 年的现场推进会上，口径已经变成了 80%——这本身就是一个典型的信源漂移。更关键的是，“接入"是一个极低成本的动作：买了云、部署了平台、跑了一个知识库问答，都可以叫"接入”。它对回答下面这些真正重要的问题毫无帮助：

哪个环节做到了可验证的生产级落地？哪个环节还停留在方案卡片阶段？
那些亮眼的效率数字（“效率提升 8 倍"“准确率 98%"）究竟是谁的成果？AI 在其中贡献了多少边际价值？
电力这种强安全约束行业，大模型的幻觉问题是怎么被工程手段压住的？
一个省级电网能用的东西，一家地市供电局或者一家民营新能源企业能不能用？

本系列的定位是做一次「可核查」的梳理。 不重复厂商稿的叙事结构，而是把每个案例按"客户主体 → 时间线 → 可查数字 → 信源等级 → 归属判定"逐项过一遍，该说"未找到公开信源"的时候就直说。

二、三条总结论（结论先行）

读完八篇之后，最值得记住的是这三条。它们是全系列的骨架，各环节篇的细节都可以挂在这三条下面。

结论一：版图是「底座强、应用分层不均」

阿里云的电力 AI 产品是三层结构：算力与数据底座层、模型与平台层、智能应用层。这三层的证据强度完全不同：

底座层与平台层证据最足。飞天企业版、百炼专属版、通义系列模型都有官方文档级的公开信息，技术细节可验证（详见第七篇）。
应用层差异极大。同样是"五环节”，用电侧的公开可查案例数量是输电侧的数倍。输电侧甚至找不到一个阿里云主导的线路本体视觉识别客户案例（详见第三篇）。

所以"阿里云电力 AI 解决方案"这个说法，实际上是一个平台 + 若干不均匀落点，而不是一张均匀铺满五个环节的网。

结论二：客户侧是解耦的多供应商格局

这是本系列最重要的一条方法论。不要把客户的技术栈整体归给某一家厂商。

阿里云电力 AI 调研（二）：发电侧——从功率预测到「擎源」的归因边界

Tue, 29 Sep 2026 21:00:00 +0800

阿里云电力 AI 调研（二）：发电侧——从功率预测到「擎源」的归因边界

本系列共八篇，逐环节拆解阿里云在电力行业「发、输、变、配、用」的 AI 与 Agent 落地现状。全部结论标注信源等级：A 官方（阿里云/客户官网、官方技术博客）、B 权威媒体 / 行业白皮书 / 信通院、C 厂商 PR 稿或会议演讲、D 二手转载（仅作线索）。本系列刻意区分「已投产」与「方案宣传」，并对厂商口径保留独立判断。

引子：问题的性质变了

中国可再生能源发电总装机占比已超 50%（B，央广网，2024-11-18）；2026 年 6 月，南方五省区新能源装机达 2.9 亿千瓦，占区域电源总装机超 40%，部分时段渗透率最高突破 58%（B，北极星电力新闻网）。新能源成为第一大电源后，间歇性不再是补充能源的调度问题，而是电网稳定运行的核心约束（B，新华网，2024-11-06）。

这给发电侧 AI 提了一个很不 AI 的要求：可考核。按「两个细则」，功率预测偏差直接扣减结算电费，华北区域要求中短期准确率不低于 85%、超短期不低于 90%；2022 年 3 月山东预测净收益最高的新能源电厂超 10 万元，偏差较大者面临最高 26.18 万元考核费用（B）。2026 年南方能源监管局征求意见稿又把光伏中期第 4 日门槛从 45% 上调至 60%，考核改为按日考核、月度累加，并删除新能源受限时段豁免（B，北极星电力新闻网，2026-09）。

场景地图

产品线索一句话：企业侧靠「飞天企业版 + 通义/百炼」承接央国企的大模型工程化，调度侧靠达摩院「八观 + eForecaster + MindOpt」做预测与优化——前者卖底座，后者卖精度，客户不是同一批人。

阿里云电力 AI 调研（三）：输电侧——公开案例最稀缺的一环

Tue, 29 Sep 2026 20:50:00 +0800

阿里云电力 AI 调研（三）：输电侧——公开案例最稀缺的一环

本系列共八篇，逐环节拆解阿里云在电力行业「发、输、变、配、用」的 AI 与 Agent 落地现状。全部结论标注信源等级：A 官方（阿里云/客户官网、官方技术博客）、B 权威媒体 / 行业白皮书 / 信通院、C 厂商 PR 稿或会议演讲、D 二手转载（仅作线索）。本系列刻意区分「已投产」与「方案宣传」，并对厂商口径保留独立判断。

先说结论

输电侧是阿里云公开案例最少的一环。官网与「输」相关的只有三张卡片——无人机巡检、电力视频 AI 防控、电网一张图，全部没有客户名、没有准确率数字（A 级，方案宣传层级），与变电侧、用电侧卡片带客户名形成鲜明对比。

而阿里云在输电侧拿得出手的成果，无一例外落在非视觉方向：调度故障研判、气象大模型、算力与数据底座。在输电线路本体（杆塔、导线、绝缘子）的视觉识别上，阿里云既没有公开的自研行业模型，也没有公开的标杆客户——它拿到的是底座，不是眼睛。

输电侧的结构性变化

规模在膨胀：截至 2025 年 6 月全国已建特高压通道 42 条，西北电网外送能力 8671 万千瓦（B 级，证券时报）；国网 220kV 及以上适航区线路无人机自主巡检覆盖率已达 100%，年巡检杆塔超 1000 万基、年识别图像近 1 亿张（B 级，经济日报）。

容错在收缩：跨区通道加密放大送受端气候差异，覆冰、舞动、山火、外破的处置窗口均以分钟计。一年一亿张图，人工看不完；一次故障十余分钟，电网等不起。

场景一：无人机自主巡检

背景与痛点：人工巡检不可持续——国网山东李敏 2013 年起步时「每天只能巡视 3-5 基杆塔」，人工约 10 基/天（B 级）。

阿里云公开程度：仅有方案描述，无客户案例。官网「偏远山区及复杂线路实时巡检」卡片无客户无数字（A 级），社区有端边云协同的通用方案文章（C 级）；达摩院有可复用视觉能力，但未见官方以电力巡检产品交付（D 级）。技术路径（推测）：端-边-云协同加云侧复判，该范式描述来自国网与百度合作稿（B 级）。

案例与收益：阿里云主体未找到公开信源；收益只有行业整体口径（山东人工 10 基/天对无人机 0.5 小时，B 级）。局限：复杂地形航线规划未过关，国网湖南新宁直到 2026 年才出现自适应巡航试点（B 级）。

场景二：输电通道可视化

背景与痛点：通道内吊车、施工、异物、山火是外破跳闸主因。佛山供电局管辖约 4500 公里线路、16000 余基杆塔，自述监测照片「到达百万级，漏审核越来越多」（A 级）；误报是行业通病，广东电网披露输电在线视频隐患误报率下降 75%（B 级，南网官网）。

阿里云电力 AI 调研（四）：变电侧——归属比能力更值得讨论

Tue, 29 Sep 2026 20:40:00 +0800

阿里云电力 AI 调研（四）：变电侧——归属比能力更值得讨论

本系列共八篇，逐环节拆解阿里云在电力行业「发、输、变、配、用」的 AI 与 Agent 落地现状。全部结论标注信源等级：A 官方（阿里云/客户官网、官方技术博客）、B 权威媒体 / 行业白皮书 / 信通院、C 厂商 PR 稿或会议演讲、D 二手转载（仅作线索）。本系列刻意区分「已投产」与「方案宣传」，并对厂商口径保留独立判断。

结构性变化

新能源并网带来潮流双向化与电压波动，特高压换流站把设备复杂度推上新量级，设备总量增长而运维人力不增长——三股压力同时落在变电环节。阿里云 2021 年把变电侧痛点归为三条：任务繁重、设备繁多、智能升级（C，厂商口径）。

但本篇要回答的不是「阿里云能做什么」，而是「那些已有好看数字的变电案例，到底有多少是阿里云做的」。

场景一：变电站智能巡检

痛点。 国网系统内机器人、无人机 AI 的研发制造主体是国网智能科技股份有限公司（B）。机器人有三大故障：自动回充失败、定位丢失、巡检图片偏移，后果是无法完整执行巡检任务——本质即机器人领域的「绑架」难题（B）。

阿里云电力 AI 调研（五）：配电侧——自愈率 80% 这个数字需要先拆开

Tue, 29 Sep 2026 20:30:00 +0800

阿里云电力 AI 调研（五）：配电侧——自愈率 80% 这个数字需要先拆开

本系列共八篇，逐环节拆解阿里云在电力行业「发、输、变、配、用」的 AI 与 Agent 落地现状。全部结论标注信源等级：A 官方（阿里云/客户官网、官方技术博客）、B 权威媒体 / 行业白皮书 / 信通院、C 厂商 PR 稿或会议演讲、D 二手转载（仅作线索）。本系列刻意区分「已投产」与「方案宣传」，并对厂商口径保留独立判断。

配电侧承载了绝大多数停电事件，却长期是数字化投入最少、感知最薄的环节。新型电力系统的结构性变化几乎全部压在末端——分布式光伏从台区侧并网使配网潮流双向化，储能与充电桩大规模接入让台区线损由"单向损耗"转为"双向波动"，并网逆流与电压越限成为常态性问题（A 级，阿里云口径）。那里恰恰是数据最黑的地方。结论先行：这是阿里云电力版图中公开信息最薄的一环，也是被误传数字最多的一环。

场景一：配网智能调度——落地细节最含糊

截至 2024 年底，山东电网风光装机已突破 1 亿千瓦，是全国首个风光装机过亿的省级电网（B 级）。分布式光伏在台区侧直接并网使母线负荷预测难度剧增；分钟级采集下传统数据库"存不住、算不动、管不细"，并网逆流与电压越限威胁电能质量（A/B 级）。

阿里云电力 AI 调研（六）：用电侧——落地最扎实，责任边界最模糊

Tue, 29 Sep 2026 20:20:00 +0800

阿里云电力 AI 调研（六）：用电侧——落地最扎实，责任边界最模糊

本系列共八篇，逐环节拆解阿里云在电力行业「发、输、变、配、用」的 AI 与 Agent 落地现状。全部结论标注信源等级：A 官方（阿里云/客户官网、官方技术博客）、B 权威媒体 / 行业白皮书 / 信通院、C 厂商 PR 稿或会议演讲、D 二手转载（仅作线索）。本系列刻意区分「已投产」与「方案宣传」，并对厂商口径保留独立判断。

一、用电侧的结构性变化

发电侧是少数大主体，用电侧是数亿分散主体。分布式光伏、电动汽车与可调负荷让用户第一次同时具备发电、储能与响应能力；市场化改革又把电价拆成分时、分区信号。电网营销与计量专业因此从「抄表计费」升级为「能源感知与客户互动中枢」——南方电网一次梳理出 27 项「AI+计量」应用场景（A/B）。

用电侧也是全系列唯一直接面对终端用户、牵涉真金白银的一环：计量误差影响结算，账单解释影响信任，电价建议影响支出。决策链末端站的是人——落地最扎实，责任边界也最模糊。

用电侧四个可查案例的量化收益　来源：阿里云官方案例页、南网官方账号、央广网、中证网

阿里云电力 AI 调研（七）：横向能力——Agent 工程化的五个关键设计与成熟度天花板

Tue, 29 Sep 2026 20:10:00 +0800

阿里云电力 AI 调研（七）：横向能力——Agent 工程化的五个关键设计与成熟度天花板

本系列共八篇，逐环节拆解阿里云在电力行业「发、输、变、配、用」的 AI 与 Agent 落地现状。全部结论标注信源等级：A 官方（阿里云/客户官网、官方技术博客）、B 权威媒体 / 行业白皮书 / 信通院、C 厂商 PR 稿或会议演讲、D 二手转载（仅作线索）。本系列刻意区分「已投产」与「方案宣传」，并对厂商口径保留独立判断。

前六篇按「发、输、变、配、用」逐环节拆完了阿里云在电力行业的落地。六篇读完得到的是一堆互不相干的印象——山东的调度智慧大脑、广东的计量设备 AI 指挥官、冀北的操作票校验、浙江的 AI 评标、国家管网的管输路径智能体。并排放置后能看到一个更值得写的事实：它们共用同一套技术底座（飞天企业版 + 百炼专属版），也共用同一套 Agent 工程方法论——大小模型协同、图模融合、确定性校验、人机责任边界。单看某一项目只是「某省电力的某次试点」，横向看，它们才是真正可复制的那部分资产。

第二层动机是祛魅。电力 AI 材料里，「百余个智能体」「自学习自优化」这类表述密度极高，但它们描述的是规模与路线图，不是自主度与交付状态。本篇把案例逐一映射到自建的三档成熟度分级上，结论先给：电力行业公开可验证的 Agent 天花板是 L2（工具调用闭环），全行业没有 A/B 级信源证明 L3（多智能体自主协同决策）已落地。

一、三层架构与核心产品清单

把阿里云在电力行业的产品按「谁依赖谁」排一遍，得到三层结构：底座层给算力与数据，平台层给模型与工具链，应用层是业务场景的智能体。上层的能力上限由下层决定。

1.1 算力与数据底座层

关键词是「同根同源」与「混部」。飞天企业版是阿里云的专有云形态，官方表述为与公共云同根同源、基于同一套飞天云计算操作系统，为政企客户构建资源与云管完全独立的企业级云平台（A）。三组能力值得记下：

一云多算：智算（GPU）+ 超算（高性能 CPU）+ 普算（通用 CPU）融合为异构算力集群，通过算力池化做多租户隔离（A）。
一云多芯：支持 Intel、海光、鲲鹏、飞腾、倚天 710 等芯片混部，并支持在线轮转——不铲除、不重建地在线替换服务器（A）。对停机窗口极稀缺的电网机房，这比参数更有价值。
规模化能力：官方口径为单集群最大支持 1.5 万张 GPU 卡、资源按 1% 粒度调度、GPU 利用率提升 100%、百万 Output Token 成本下降 89%（C，厂商口径；「提升 100%」是相对基线的倍数表述，不是「达到 100%」）。

电力专用算力有两个标志节点：2021 年 8 月南方电网与阿里云上线的国内电力行业首个云超算平台（南网调度云超算），采用飞天 + 神龙超算集群，每秒 825 万亿次浮点运算，单节点性能较普通云服务器提升 5 倍（A）；国网云，国家电网自 2019 年起构建覆盖全国的超大型云计算平台，核心由阿里云提供技术支撑（B），2020 年共建时用的是飞天企业版「一云多 Region」能力（A），该平台后来成为光明电力大模型的数字底座。

阿里云电力 AI 调研（八）：结语——方法论复盘与可复制性评估

Tue, 29 Sep 2026 20:00:00 +0800

阿里云电力 AI 调研（八）：结语——方法论复盘与可复制性评估

本系列共八篇，逐环节拆解阿里云在电力行业「发、输、变、配、用」的 AI 与 Agent 落地现状。全部结论标注信源等级：A 官方（阿里云/客户官网、官方技术博客）、B 权威媒体 / 行业白皮书 / 信通院、C 厂商 PR 稿或会议演讲、D 二手转载（仅作线索）。本系列刻意区分「已投产」与「方案宣传」，并对厂商口径保留独立判断。

一、八篇之后，剩下的是什么

前七篇逐环节走完，最终沉淀下来的其实不是一份"阿里云电力 AI 能力清单"——那样的清单半年后就会过期。真正有复用价值的是两样东西：一套判断厂商材料的方法，和一张评估某项能力自己能不能用的分层表。

本篇就是这两样东西的整理。

二、归因四问

第一篇提出了"归因三问"。跑完二十个案例之后，它需要扩成四问——第四问在整个调研中排除了大量看似可信的数字。

第一问：谁主导的？ 厂商交付、客户自建、还是客户主导 + 厂商作为底座之一？第三种情况在电力行业占比最高。山东广固换流站、重庆永川倒闸操作票、国网江苏变电智巡，都属于这一类：效果好，但不能写成"阿里云方案"。

第二问：谁验证的？ 有独立第三方吗？特别要警惕"同源验证"——山东"调度智慧大脑"故障研判"1 分钟内"这一数字，被人民网与阿里云稿同时引用，但两篇稿件的作者是同一人（B/C）。这不构成交叉验证，只是同一个信源的两次发布。

第三问：AI 的边际贡献能否剥离？ 同一时期是否存在外因？龙源电力的新能源资产运营是个典型：AI 预警准确率 86.5%、设备可用系数 ≥99% 都是真的，但同期风电电价下行 52 元/MWh、利用小时数减少 138 小时——电价与限电是 AI 无法对抗的结构性约束。任何"AI 提升收益"的叙事都必须先扣掉这部分。

第四问：这个数字的口径是什么？ 这是最容易被跳过、也最容易出错的一问。第四篇拆解的"故障自愈率 80%“就是标准案例——它指的是计量设备层面的自愈，不是配网线路自愈率。同类陷阱还有：准确率数字存在六种口径（70%/85%/87%/88.06%/90%/92%/95%）服务于不同场景，不可直接比较；“智能体数量"是数量口径而非自主度口径；“风机"与"机组"是两个概念。

四问的顺序不能颠倒。 先问归属，再问验证，然后剥离外因，最后校验口径。跳过任何一步，都可能把一个真实数字读成一个不存在的结论。

三、「铁三角」模式的真实结构

阿里云在电力行业最成功的一个项目——国网山东电力的"电网调度智慧大脑”——被官方总结为一种可复制的方法论：“需求方定义场景、技术方攻坚算法、生态方打通数据”（C，阿里云稿）。

把这三方拆开看：

角色	主体	具体职责
需求方	国网山东电力	提炼出十余项源自实际调度场景的核心业务需求
技术方	阿里云 + 达摩院	以百炼专属版平台为底座，基于通义千问、八观气象等大模型实现场景与 AI 融合
生态方	南瑞集团	扮演"数据高速公路”，打通电网内十余个核心系统的数据接口，构建覆盖超百亿条数据的调度数据中台

这个结构之所以值得单独讨论，是因为它把最脏最累的活（打通十余个异构核心系统）交给了第三方，而不是让模型厂商去做。对于电力这类系统烟囱林立、数据标准不统一的行业，这是唯一现实的路径。