如何实现中国的“双碳” 目标？ 新型电力系统面临新能源不确定性、分布式资源协调难、数据处理融合不足、决策实时性要求高、安全韧性挑战大等“成长 烦恼”。而大模型凭借强大的数据处理与模式识别、 出色的上下文学习与推理、多模态融合潜力等能力 ，成为破局关键 ，助力解 决系统难题。 数据 “爆炸 ”与融合困境 ： 海量 、 多源 、 异构数 不确定性剧增 ： 高比例能源的接入 ， 新能源的 随 机性、 、 网络 、 气候等 多 据处理需求迫切 ，价值挖掘不足 决策实时性要求严苛 ： 复杂优化问题需在秒级甚 强大的数据处理与模式识别能力 ，有望从海 量数据中洞察运行规律 出色的上下文学习与推理能力 ，可辅助甚至 优化复杂决策过程 多模态融合潜力 ，整合文本、 时序、 图像 等 多元信息 ，实现全景感知 挑战与机遇并存：大模型技术破局电力系统复 杂性 新型电力系统的“成长烦恼” 区域电网 的不同粒度。只关注设备细节可能忽略系统性风险；只看宏观整体可能无法定位具体问题根源。通过构建层次化网络结构和跨 层级信息交互使模型能够根据任务需求 ，灵活地在不同层级进行分析和推理 ，实现全面认知。 ● 多维编织：构建从设备到系统的认知网 络 实时控制类：继电保护、紧急控制等需毫秒级 响应。 在线分析 / 调度类： 日内调度、安全校核等需秒 级至 分钟级响应。

公司 作业区 井场/场站 生产监管 融合集成平台 ROMA Site 边缘 计算节点 智能安防 工况诊断 …… 公共数据存储服务 三维数字孪生 GIS服务 物联设备管理 边缘推理平台 APIC 统一认证和权限管理 统一接入LINK MQS 统一运营 AC-IoT 10W+设备并发 海量接入 标准化物模型 设备统一 接入管理 云边协同 应用、算法、模型 统一下发管理 保产节能： 通过“一井一策”，保障不减产， 同时降低能耗30% • 提升运维效率： 基于边缘计算和云管理架构，实现 管理效率提升50% 智慧井场 • 云边协同架构： 集团训练中心云和油田边缘推理协 同，管理生产效率双提升 • 边用边学，越用越好： 专家经验赋予人工智能能力持续提 升，边用边学，越用越好 • 非正常即异常： 理念革新，模型训练工作量节省 85%以上 油气生产大模型 作业效率提升 自主创新技术，提升 了整体作业效率 18% 综合运维成本下降 自动化样本筛选和 标注，成本降低 端侧推理 • 安全部署：保障全链路安全 • 智能调度：实时感知，动态优化算力 • 效能提升：弹性编排提高算力利用率 推理管理平台 集团中心 油田公司 端侧推理（Edge） 油气田 • 资源优化：集中管理区域算力资源 • 运维升级：智能化降低运维成本 • 业务加速：人工处理→智能自动化

能化的感知、人机交互、决策和执行技术 ，实现设计过程、制造过程和制造装备智 能化。 • 智能制造系统是一种由智能机器和人类专 家共同组成的人机一体化智能系统，借助 计算机模拟人类专家的智能活动进行分析 、推理、判断、构思和决策等，从而取代 或者延伸制造环境中人的部分脑力劳动。 同时，收集、存贮、完善、共享、集成和 发展人类专家的智能。 -- 百 度 6 赵敏： “ 智能制造，基于 CPS （赛博物理系统）技术构建„状态感知 敏捷感知市场和 客户输入的实时 状态 学习创新 利用人工智能， 自学习，作出创 新的方案 自主推理 按照设定的规则 ，根据数据分析 的结果，自主作 出推理和选择 实时分析 对感知的实时状 进行实时分析和 计算 智能制造 典型特征 快速反应 根据推理和选择 的结果，快速地 作出本能反应 通过工业 4.0 将传统工厂向智能工厂转 变 以太网 SCADA 入的实时状 态 学习创新 利用人工智 能，自学习 ，作出创新 的方案 时分析和计 算 智能制 造 典型特 征 自主推理 按照设定的规 则，根据数据 分析的结果， 自主作出推理 和选择 快速反应 根据推理和 选择的结果 ，快速地作 出本能反应 2.3.4 MES 智能化，即与智能制造相结 合智能制造的基础是企业生产过程彻底的（完备的）数据化。智

风险能力。最后，边缘算力系统通过多样化的网络实现离散边缘算力 3 节点互联互通，具备将网络与算力统一管控的能力，支持网络对计算 任务的动态适配和优化。 1.2 边缘算力基本概念 边缘算力是指在靠近用户侧部署的计算能力，具体包含推理决策、 执行计算任务、存储数据、训练模型等能力，它不仅包括硬件层面的 计算能力，如处理器的运算速度、内存容量、存储能力等，还涵盖软 件层面的算法处理能力，如数据预处理、实时分析、智能决策等算法 的效率和准确性。 边缘算力为各类实时应用提供了算力底座，通过在靠近数据供需 两侧的位置提供数据处理能力，大幅缩短原始数据传输距离，从物理 层减少延迟产生的因素，最终大幅降低端到端延迟。人工智能的训练 和推理过程需要大量算力，鉴于各领域终端设备自身算力较低，智算 中心实时性较差，边缘算力成为未来承载人工智能应用的重要载体。 边缘算力系统是一种依托多种网络连接技术将多元边缘算力整 合为有机整体的算力 加强各应用业务标准化接口与协议适配，建立跨设备协议对接机制， 利用 ONNX Runtime 等框架实现模型跨平台部署，在边缘节点可将深 度学习推理速度提升，使用轻量化中间件通过异步优化消息传输，降 低边缘设备内存占用。最后，边缘算力系统实现端边云协同与弹性扩 展，通过大量边缘节点构建泛在算力服务能力，支持大模型推理的弹 性调度，算力管控平台可动态匹配任务与算力资源。 靠近用户提供服务，支撑全域实时响应。单一边缘节点的覆盖范

提供模型全生命周期管理 支持灵活的部署模式 提供车富的案例集和分析模板 2.4 智能分析：更强大 的数据分析和建模能 力 云上训练 , 边侧推理 采用 Kubernetes 原生的容器编排和调度能力 ，模型容器化部署， 无缝下发应用到多个边侧执行推理任务。 边云协同 , 统一管理 云上采用边侧采集的数据分布式训练和统一管理机器学习模型， 并远程 监控模型运行 情况 ，实现边云协同能力。 发 上 传 数 据 模型训练 模型管理 各种传感器收集信息 信 息 上 报 上 传 数 据 执行推理 执行推理 执行推理 2.4 智能分析： 模型下发，边云协 同 电力 开箱即用 , 支持定 制 装备智能化应用 生产智能化应用 化工 油气 轨道交通 离散制造 水务 半导体制造 2.5

。其次，能源行业发展迅速，新技术、新政策、新数据不断涌现。 DeepSeek 可能无法及时获取和更新最新的能源数据和信息，导致在处理与时效性相关的能源问题时，给出的结果滞后或不准确。 2 、逻辑推理方面： 1 ）复杂逻辑处理能力有限，能源系统涉及发电、输电、配电、用电等多个环节，各环节之间存在复杂的因果关系 和 逻辑联系。 DeepSeek 在处理一些需要深入理解和分析复杂能源逻辑关系的问题 DeepSeek ，限制了其在这些场景下的应用。 其次，模型本地部署存在缺陷。本地部署的 DeepSeek 版本可能存在参数规模受限、功能不完整等问题，如一些本地版缺少多模动态、文件分析、实时联网等核心功能，推理能力 也 相对较弱，无法满足能源行业复杂业务场景的需求。 三、挑战与应对策略 Te n c e n 腾 讯 n 应对策略：以人为本 1 、构建专业语料库： 收集能源领域的专业文献、研究 、模型优化：利用能源领域的特定数据集对 DeepSeek 进行微调，针对能源领域的复杂逻辑关系问题，调整模型的参数和结构。将 DeepSeek 与其他专门用于处理逻辑关系的模型或算法进行集成，如知识图谱、逻辑推理引擎等，结合各自的优势来提升处理复杂逻辑 关系的能力。 3 、多模态融合与交互： 除了传统数据，融入能源场景的图像、视频等多模态数据，如利用卫星图像分析能源设施分布、利用监控 视 频识别能源设备状态，结合文本数据，能让

异常检测 n 众多 AI 算法 多元线性 规划 帕雷托优化 (Pareto Improvement) 整数混合线性 规划 (MILP) 贝叶斯推理 粒子群算法 (Particle Swarm Optimization) 拖拽代替硬编码 元数据管理 主数据管理 自定义报表 分类 图像识别 聚类 知 识图 谱 数据采集 数据治理 实时计算 建筑模型库 园区模型库 推理服务 NLP 商业金融 25 25 4. 利用 AI 平台和数据智能，实 现对政策及商业模式研究预测， 负荷预测研究、智能调度技术 研究、多能优化建模技术研究 智慧控制方法研究、数据管理

10kV 大成分线运行改热备 用 武门站 设备 运行改热 备用 业务 电 大脑 城南班 组织 自然语 言学习 刘庄 语言合成 语音识别 人员 all 乡 知识 自 图推理计算 强化学习 自然语 言学习 语言合成 知识 自 图谱 语音识别 机器 ta 自 学习 知识图谱 深度学习 电力 大脑 乡 机器 学习

合综合自动化、在线监测（水、火、瓦斯、顶板等）、隐患数据、事故数据、 人员三违数据等（人、机、环、料、法）动态数据和静态数据，基于动态三维 地质模型和虚拟矿井平台，对煤矿安全生产的各类信息进行展示、分析、推理， 挖掘历史数据中蕴含的模式和知识，诊断并概括现势安全状态，预测未来安全 形势，实现煤矿安全生产的动态诊断和辅助决策。 （4）从智能矿山建设的基础层面需要实现四个统一，即“一盘棋、一张网、 一张图、一个库”。 图存数据库以及文档数据库等类型。关系型数据库包含了传统关系数据库系统 以及 NewSQL 数据库。 大数据安全技术。改进数据销毁、透明加解密、分布式访问控制、数据审 计等技术；突破隐私保护和推理控制、数据真伪识别和取证、数据持有完整性 验证等技术。 157 XX 有限公司 矿井平台，对煤矿安 246 XX 有限公司 全生产的各类信息进行展示、分析、推理，挖掘历史数据中蕴含的模式和知识， 诊断并概括现势安全状态，预测未来安全形势，实现煤矿安全生产的动态诊断 和辅助决策，原理如图 3-94 所示。 图 3-94 安全生产动态诊断原理 安全动态诊断系统需要研究解决以下三方面问题：

云平台安全 9 智能感知→智能决策→自动控制 · 持续学习： 训练集数据 ( 脱敏 ) 上传到云端，进行训练，形成模 型并下推回煤矿边端。 · 边缘计算：在边缘进行实时的分 析和推理，降低时延，减小网络 传输压力。 · 开放生态： 联合煤炭行业专业生 态伙伴，开发 Al 模型，解决煤 炭 行业场景化问题。 行为识别模型 监测预警模型 辅助决策模型 模型管理 模型库 模型部署 数据集 边云协同 边缘数据同步 边缘算法管理 边缘应用管理 边缘设备管理 视频分析 视频内容分析 智能视频分析 视频接入服务 智能 控制 端 模型管理 推理执行 指令 数据采集 特征提取 数据 感 知 指令 一 平台 视频 云 ROMA 智能边缘节点 操作站 大屏 N 应用 loT