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。
一、新能源功率预测：调度侧唯一有权威背书的数字
痛点有三：传统数值天气预报（NWP）基于物理方程暴力计算，分辨率与更新频率受限；偏差还要按「两个细则」扣钱（B，新华网，2024-11-06）。
方案是达摩院的三件套：八观提供区域高精度气象，eForecaster 把气象转成功率与负荷预测，MindOpt（敏迭）做优化决策（B，澎湃新闻）。八观最高精度达 1 公里 × 1 公里 × 1 小时，核心创新是孪生 MAE 掩蔽自编码器：随机掩蔽气象图小块，用「6 小时前数据 + 6 小时后未掩蔽区域」重建被掩蔽区域，学到高波动天气下的鲁棒特征（B，36 氪）。eForecaster 走三阶段流水线：修复传感器异常值但保留合法尖峰、自动选特征与模型、做特征归因并留出规则层供调度员注入检修计划（A，AAAI 2023 论文）——这层「可解释」是它进入调度中心的准入条件。
最硬案例是国网山东电力调控中心：覆盖 262 座风电场与 331 座光伏电站，2024 年夏季投运，新能源功率预测准确率提升至 96.5%、负荷预测 98.1%；相对主流预报，辐照度 +40%、风速 +27%、云量 +24.0%、2 米温度 +11.8%（B，新华网，2024-11-06；同源稿件另有 96%/98% 的概括口径，本调研采用实测值）。
局限两处：这条线卖给省调而非发电企业，发电侧功率预测市场由企业自研或专业厂商占据；云量是四项气象指标中提升幅度最低的一项。
二、火电智能运检：「擎源」的主战场，也是归因最模糊的地方
火电正从基荷电源转向灵活调节与保供电源，频繁启停、深度调峰带来效率下降与设备疲劳。传统运维瓶颈可量化：一次全厂设备深度评价报告需 14 名专家耗时一周，配煤掺烧靠人工经验，引风机等设备常在故障扩大后才被发现。国能 2025-06-28 发布「擎源」，被称为全球首个千亿级发电行业大模型（B，央视新闻客户端）。阿里云的角色必须准确表述：官方口径是「深度参与了国能集团人工智能平台建设和发电大模型场景落地的探索」（A，阿里云政企业务官网，2025-11-24）；研发主体是国能电科院牵头。阿里云在擎源中具体提供了什么，至今没有公开披露。数据准备量也是门槛：6 个月整理 700TB 资料、清洗出 450GB 数据集（B，人民网转科技日报）。
可核验收益两处：技术监督检查评价效率提升 100% 以上——全厂设备深度评价报告从「14 名专家 1 周」压缩到「1 天生成」，查评准确率 85% 以上，之后仍需 3 天现场补充核查；违章识别从预判到推送仅 15 秒、视觉准确率 85%（B，新华网 2026-02-10；人民网）。集团在风光水火储 179 个试点电站应用，半年发现缺陷 2633 条（B，新华社，2025-06-29）。
最硬的局限来自官方：国能电力产业部运行分析处经理王安表示，大模型在预测与检修方案制定上表现优异，但「在需要毫秒级响应的工控场景中效果尚不理想」，未来要靠模型蒸馏压缩到生产一线（B，人民网）。此外，179 个试点相对集团超 4 万台机组比例极低；场景数有两套口径：发布时 4 大业务域、13 个场景、41 个智能体，集团规划为 15 个领域、75 个场景、百余个智能体。
三、风电资产运营：阿里云卖的是底座，不是模型
龙源电力截至 2025 年 9 月 30 日控股装机 43,417.39 兆瓦，其中风电 31,543.47 兆瓦（A，投资者关系活动记录表 2025-12-12）。电价在下行：2025 年风电平均上网电价 475 元/兆瓦时，较 2024 年下降 52 元；太阳能 318 元/兆瓦时（A，2025 年年度报告摘要）。
阿里云在龙源提供的是三层底座：飞天企业版专有云做统一数据底座与算力调度，OneData 建数据挖掘服务系统，ACK 容器服务管服务器资源（A，阿里云政企业务官网；B，新华网）。智能诊断这条线则是龙源自己的做法：结合风电机组机理与 SCADA 数据指标体系、构建风电检修知识图谱，以「抢单 + 派单」形成预警与维护闭环（B，中宏网）。
2022 年口径下，依托 700 多个节点的服务器资源统一管控平台管理 200 余家风电场，68 个风电场无人值班、14 个无人值守（B，新华网，2022-11-04）；到 2025 年底，龙源数字化平台已覆盖超 1000 座场站、2 万余台机组，数据 1.4PB（A，国家能源集团官网，2025-12）。此处有一处口径落差值得记住：阿里云官网 2025 年 11 月仍写「万余台风机、数百个风电场」，是建成初期的旧口径；且「机组」含风光合计，与「风机」不是同一概念。
局限：设备可用系数 99% 以上、单机故障停机次数同比降 30%、增发电量超 8 亿千瓦时，来自龙源「无故障风电场」创建行动，而该行动是联合 8 家风机制造商共同打造示范风电场的结果，不能整体归因于数字化。
四、光伏运维：最硬的案例在制造环节
隐裂、热斑、积灰这类组件级缺陷的影响是渐进的、可通过视觉识别，因此 AI 图像识别在光伏的适配度理论上高于风电。阿里云在光伏最硬的官方案例是正泰新能源的工业视觉智能质检：2–3 年积累 5 万多张缺陷图片、涵盖 20 余种缺陷类型，标注训练后迭代，像素维度瑕疵识别精细度达人工 5 倍以上，对比人工全检准确率提高 2%，EL 质检设备减少一半（设备成本节约 50%），质检人力成本节省 75%（A，阿里云官方案例库）。但性质必须点明：这是组件制造环节的出厂质检，不是电站运维。固德威基于通义与百炼打造新能源大模型，接入其 WE 平台做资产经营分析、告警降噪、工单智能生成与派发（A，固德威官网，2024-06-13）。
局限：电站侧的组件缺陷识别、清洗决策、发电效率分析三项中，清洗决策在公开材料里未找到任何案例。
五、水电与抽水蓄能：一个内测，一个空白
水电角色正从「电量提供者」转向「灵活调节与储能载体」。阿里云的抓手是「洛书」水—能—粮多模态推理大模型，2025 年 4 月由中国科学院青藏高原研究所联合阿里云发布，技术栈为 ECS + 百炼 + QwQ-32B + Qwen2.5-VL-32B：底层是青藏所自研的「思源」（HydroTrace）输出径流量与高维水文数据，中间接 QwQ-32B 推理，上层用 Qwen2.5-VL-32B 做自然语言查询与热力图解读（B，科技日报，2025-04-07）。状态必须说清：官方表述是「已在区域水电龙头企业完成了两轮内测」，尚未正式投产，内测企业与量化收益均未披露；「准确率提升近 20%」属厂商口径（C），另有「准确率达 98%」的说法出自个人分析文章、无原始出处且语义不同，不可采信。
抽水蓄能是六大子场景中唯一的零案例。相关信源都不构成落地：阿里云专家参与南网储能抽蓄智能分析系统的成果鉴定会（评审）、在储能行业交流会上作主题演讲（发言）、三峡国际董事赴阿里云调研（交流）。作为参照，南网储能自研的同类系统覆盖 7 座抽蓄电站约 60 个独立设备系统、31 万个测点，人工智能替代率 90% 以上（B，电力人工智能大会）——主角是电网侧自主攻关。水电侧竞品也更靠前：雅砻江大模型由电信与华为做底座，华电「智禹」由发电集团自研。
六、发电侧电力交易：两条不能混的线
新能源全面入市把交易推到发电企业前线。国能官方描述「擎源」在电力交易域担任「市场情报员」「交易参谋长」「运营指挥官」：整理天气、价格、煤炭信息生成看板，多模型寻优预测现货电价并生成报价（A，国家能源集团报，2025-06-30）。痛点内核是求解规模：区域现货出清的安全约束机组组合（SCUC）是高维、混合整数、非线性问题，传统 MIP 与启发式算法难以在有限时间内找到高质量解（B，阿里云开发者社区）。
要区分两条独立技术线。线 A 面向发电集团：擎源大模型 + 出清电价预测模型 + 功率预测修正模型，最硬案例是国能山西霍州电厂——节点电价预测准确率比传统方式提升 6.2%，一台 600 兆瓦机组生产成本下降 0.3%、盈利能力提升 2%（B，人民网转科技日报；A，国家能源集团报）。线 B 面向电网调度与虚拟电厂：达摩院 MindOpt 在南方电网电力调度 AI 大赛中，同精度下 AI + 优化相比纯优化求解耗时缩短约 50%（1700 余秒降至约 700 秒，目标值仅差约 0.6%）（B，阿里云开发者社区）；2026-05-28 发布的 GPU 版本在约 2000 个通用算例中可稳定求解 99% 以上的问题类型（B，经济参考报，2026-05-29）。
局限：MindOpt 的落地对象是国网、南网与虚拟电厂运营商，发电企业交易系统走的是擎源这类行业大模型路线，两条线不可混淆；竞赛成绩与生产上线有本质区别；「生产成本下降 0.3%、盈利能力提升 2%」也很难剥离电价周期与煤价波动的混杂影响。
需要泼冷水的部分
一、归因边界：不要读成「阿里云打造了擎源」。 阿里云官方表述始终是「深度参与了国能集团人工智能平台建设和发电大模型场景落地的探索」（A），从未披露提供的是哪个模型、哪套平台；而它在国网「光明电力大模型」中的角色有明确表述——提供「从基础大模型到 AI 开发平台百炼专属版的全栈技术支持」。同一厂商、两种措辞，差异本身就是信息：擎源是国能电科院牵头、多方生态参与的成果，把技术监督、电力交易等收益整体归因给阿里云，是事实性错误。
二、抽水蓄能零案例，水电仅内测。 抽蓄是六大子场景中唯一找不到任何落地案例的领域；水电「洛书」停留在科研合作与两轮内测，内测对象与量化收益均未公开。这两块空白目前看不到填补的公开证据。
三、电价下行与限电是 AI 无法对抗的结构性约束。 龙源 2025 年风电平均上网电价同比下降 52 元/兆瓦时，同期风电平均利用小时数 2052 小时、同比下降 138 小时，官方归因包括「风电限电比例同比升高」（A，龙源电力 2025 年年度报告摘要）。功率预测再准也解决不了电网消纳能力不足；老旧机组要靠「以大代小」物理更换。
四、光伏领域的检索污染已经影响结论质量。 「阿里云光伏 AI 系统可提前 24 小时精准预测发电功率」「青海格尔木光伏电站已落地积灰监测」这类表述源头多为文库类平台的 AI 生成文档，无原始出处，本篇一律不采用——这也是把光伏运维结论收窄到「制造环节有硬案例、电站侧存在结构性缺口」的原因。
五、竞品在部分场景的披露更实。 百度智能云在国电电力绥中公司（国家能源集团下属）的设备故障知识库案例有明确客户与实施范围：4 台机组、总装机 3760MW，覆盖三大主机、十余个系统与上百个辅机设备（B，人民日报，2023-03-10）。而绥中隶属国家能源集团，也就是擎源的母集团——国能内部多供应商并行，阿里云并未形成独占性绑定。
小结
发电侧这一环，阿里云的技术供给是两条腿：一条「卖底座」——飞天企业版 + ACK + OneData 承接龙源这类集团的云与数据工程；一条「卖精度」——八观 + eForecaster + MindOpt 承接省调与市场出清。真正有第三方权威媒体背书的量化收益只有两处：国网山东的功率预测，以及国能擎源体系下的火电技术监督与电力交易。中间的运维环节，阿里云或者只做底座，或者尚未入场。
本调研认为，读本篇乃至整个系列最该带上的过滤器是「归因边界」：看到亮眼数字，先问它是谁的成果、由谁验证、AI 的边际贡献能否剥离。
本系列其余篇目