电网算不动了怎么办？电科院用AI把它们压到秒级

这份报告最有价值的部分不是概念，是几组能落地的速度数字：万级节点潮流计算从 35 毫秒级压到 20 毫秒，千级节点潮流收敛调整成功率 91.1%，省级机组组合求解效率比国际主流商用求解器高约 57%。

报告人是中国电力科学研究院蒲天骄，场合是 2026 年 9 月的 CIRED CHINA 2026，讲的是人工智能怎么进电网的计算内核，而不只是做个巡检识图的外挂。

报告的核心判断可以一句话说完：新型电力系统的计算问题已经陷入组合爆炸，靠专家经验和静态规则撑不住了，得让电力机理和数据一起进模型。

电网不缺模型，缺的是在分钟级时限内把百万维方程解出来的能力。

下面按“为什么要做、路径是什么、关键技术怎么实现、验证结果如何、下一步往哪走”这五段来讲。

图源：《2026电力科学智能在新型电力系统的应用探索》（第2页） · 原文

一、政策已经把AI进电网写进了“十五五”

报告开篇先立政策背景。2026 年，国家发展改革委、工业和信息化部、国家能源局、国家数据局联合印发《关于促进人工智能与能源双向赋能的行动方案》。

方案的主线是两条：能源支撑人工智能发展，人工智能赋能能源转型。用报告的话说，前者是强化能源对 AI 的基础支撑，后者是发挥 AI 对能源转型的叠加倍增作用。

同期国家能源局还发布了“人工智能+”能源高价值场景，逻辑是用真实业务需求去牵引技术攻关和工程验证，避免先造技术再找场景。

7 月，国家发改委和能源局又印发了《新型电力系统建设“十五五”规划》，明确了安全可靠、绿色低碳、运行高效三个方向。

两条线在报告里交汇成一张图：电力系统为 AI 提供绿色供能与数据供给，AI 反过来为电力系统做分析计算、机理融合和智能反馈。

政策给的是场景和预算，能不能接住要看计算技术本身。

图源：《2026电力科学智能在新型电力系统的应用探索》（第5页） · 原文

二、科学智能：科研范式换到第五代

报告用一张范式演进图铺开背景，把科研分成五段：经验范式、理论范式、仿真范式、数据范式、智能范式。

前几代分别对应法拉第与行星轨道的经验归纳、牛顿定律与麦克斯韦方程的理论推演、核试验模拟与电力系统暂态稳定仿真的计算求解。

到数据范式，靠的是机器学习和数据挖掘；再到智能范式，深度学习、ChatGPT 这类模型成了主角。报告点明电力系统当前主要用的还是第三段，也就是仿真范式，而最前沿的一段是 AI4S，即人工智能驱动的科学研究。

报告给了三个典型实践做参照：AlphaFold2 把蛋白质结构预测的数据规模拉高了约千倍，GraphCast 用图网络刻画大气演化，把 10 天全球中期预报压到 1 分钟以内。

另一个例子是强化学习控制器在托克马克装置上做实时磁控制，控制频率达 10kHz，说明 AI 已经能进实时控制回路。

AI4S 在别的学科已经证明能替代仿真，电网是下一个被啃的硬骨头。

图源：《2026电力科学智能在新型电力系统的应用探索》（第6页） · 原文

三、电力人工智能已经走了四十年

报告把电力 AI 的历史拆成四个阶段。第一阶段在 1970 至 1980 年代，王平洋等老一辈专家率先把神经网络、模糊集、遗传算法用到电网安全稳定分析。

第二阶段是 1990 年代到 2011 年，贝叶斯分类、支持向量机等机器学习技术进入动态安全估计、暂稳态预测和优化运行。第三阶段是 2012 到 2022 年，深度学习和强化学习被用于设备故障诊断、电网稳定性判断和调度控制，图像巡检能力显著提升。

第四阶段从 2023 年延续至今，生成式 AI 和大模型兴起，行业里出现了国网光明、南网大瓦特、国能擎源、中电装备电擎等一批行业模型。

这条时间线的意义在于，报告要做的不是从零开始，而是把已有的行业积累推到计算内核这一层。

四十年的积累主要停在感知和辅助判断，真正难的是决策与求解。

图源：《2026电力科学智能在新型电力系统的应用探索》（第7页） · 原文

四、传统范式的三道墙：算不动、算不完、算不准

报告认为系统复杂性正在跃升。新能源高比例接入、负荷形态复杂化、源网荷储互动增强，三件事同时抬高了系统的不确定性和复杂度。

第一道墙是分析计算。新能源出力波动强烈，叠加电力市场影响，基于典型方式的仿真根本覆盖不了可能的运行方式变化。

报告举的例子很具体：近年西北、华北、东北多次出现宽频振荡，处置不及时可能引发连锁反应，而这类问题的仿真条件和预想故障都很难给定。

第二道墙是优化决策。新型电力系统是典型的多时间尺度、多空间维度、多主体、多场景、多异构数据的复杂巨系统。

典型方式设定的控制策略失配风险在放大。交直流混合电网的故障特性更复杂、传播更快、影响范围更广，静态规则很难实时兼顾安全、经济、低碳三个目标。

第三道墙藏在规模里。报告给了一组数字：10 万节点系统的变量达到百万级，源荷乘拓扑乘控制的方式组合达到亿级，方程规模跨量级增长。

电磁暂态仿真的分辨率要去到 2 到 50 微秒，而业务要求是小时级压缩到分钟级。

问题的本质不是算法不够聪明，是解空间已经从线性增长变成了组合爆炸。

图源：《2026电力科学智能在新型电力系统的应用探索》（第8页） · 原文

五、解法是让机理和数据双向咬合

报告给电力科学智能计算下的定义是：核心是电力机理与数据驱动的双向耦合，区别于通用领域的 AI4S，也区别于传统的电力 AI。

这条路径有两个方向。知识嵌入是把电力机理和运行规则通过物理引导与机理反馈的方式放进模型，用已有知识提高数据处理效率和可信度。

知识发现则是从运行数据和仿真结果里反推参数、方程和规律，从原始数据里找出新知识。两个方向互相支撑。报告强调，现阶段以知识嵌入为主、知识发现为辅，这个判断很务实，因为电网的物理规律是现成且可靠的。

知识嵌入按位置又分三类：在输入侧做数据分布学习，构造经过机理校验的训练样本；把物理规律直接写进激活函数或网络结构，这是物理引导；把机理放进损失函数约束训练，这是机理反馈。

以损失函数为例，训练时算的是数据误差加物理残差，再加边界违约惩罚，约束涵盖潮流平衡、设备界限和工况条件。

知识嵌入解决的是可信，知识发现解决的是未知，两件事不能混着做。

图源：《2026电力科学智能在新型电力系统的应用探索》（第10页） · 原文

六、分析计算这块：从依赖专家到1.3秒出方案

分析计算要解决两个难题。一是运行方式调整高度依赖专家经验，二是海量工况下的批量计算效率跟不上。报告给的第一个关键技术，是基于离线强化学习的运行方式调整模型，把专家先验内嵌进状态、动作和训练过程。

具体做法是把电网建成异构图，节点做类型嵌入，用自注意力机制判断哪些状态该关注、哪些节点该动，再从专家轨迹库做行为克隆预训练，学习调整顺序。

预训练之后再用离线强化学习优化长期效果，奖励函数同时约束收敛、安全和操作次数，目标是尽量少动设备就把潮流调收敛。

第二个关键技术针对稳态潮流。做法是用注意力机制学习节点电气状态和电网拓扑的多粒度耦合，再用门控记忆模块挖掘分层分区的关联规律。

这类报告的原文件，运营动脉（www.yydm.cn）收得比较全，按行业分好了类，翻起来不费劲。

想核一个具体数字，或者补一张原图，直接搜报告名就能定位到相应的那一页。

模型上挂了多个预测头，潮流状态预测头算电压幅值和相角，越限分类头做 0 或 1 的判断，支撑拓扑变化下的任务泛化。验证结果是：千级节点规模的潮流收敛调整策略计算时间约 1.3 秒，调整动作步数从 30 步减到 15 步，收敛成功率超过 91.1%。

万级节点这边，电压幅值平均预测精度 99.99%，N-1 静态安全分析的线路越限判别准确率 99.91%，单次计算 20 毫秒，比传统机理方法快 20 倍。

从 30 步压到 15 步，省下的一半动作就是现场调度最怕出错的地方。

图源：《2026电力科学智能在新型电力系统的应用探索》（第3页） · 原文

七、四川试点：精度99.996%，调整从分钟到秒

报告给了落地数据。四川 1200 电网试点中，潮流计算电压幅值预测精度 99.996%，电压相角精度 99.992%，单次潮流计算平均 10 毫秒。潮流收敛调整的准确率是 95%，单次调整平均 1.8 秒，相比现有知识驱动方法从分钟级提升到秒级。

报告还做了横向对照。同样是千级节点电网的潮流调整，现有知识图谱加传统优化方法要 60 秒以上，自研的科学智能模型只要 1.8 秒。

潮流计算这一侧，自研模型 10 毫秒，学界现有多数模型在 35 毫秒到 22 毫秒之间，误差也低一个量级。这组数字的意义不只是快。秒级的调整意味着潮流收敛可以在在线场景里反复调用，而不是只能离线算好一个典型方式。

精度是入场券，秒级才是能让它进调度回路的那张通行证。

图源：《2026电力科学智能在新型电力系统的应用探索》（第9页） · 原文

八、优化决策这块：把搜索空间先砍掉一半

优化决策面对的是另一类问题。源网荷储协同接入、全国统一电力市场加速，省级机组组合的决策变量规模已经涨到百万级。

报告给了两条技术路线。第一条叫智能增强优化，用 AI 给国产优化求解器做加速，不让 AI 取代求解器。其中冗余约束辨识依据 KKT 条件对机组出力分类，训练高斯核函数分类器预测边际机组，把明显不会越界的约束先剔除。

算例显示辨识正确率可达 99.7%，约束规模减少 14.3%，平均求解时间提升 31.4%。可行解热启动用强化学习结合图神经网络预测可行解，把电网拓扑和约束编码成时空图特征，再按时间序贯解耦求解，误差降低约 5.8%。

智能分支诱导用深度强化学习学分支规律，更新求解器上界做剪枝，万级整数变量的分支搜索节点数减少 52.5% 以上。

第二条路线是大小模型协同，让大模型按求解可行性和求解时间反馈，自动优选约束形式的组合方式，再调用加速工具，把建模精度和求解效率的矛盾交给机器去权衡。

验证用的是 50 组十万级变量、十万级约束的省级机组组合问题，规模对应千级节点电网。结果是相较国际主流商用求解器，求解效率提升约 57%。

AI 在这里不是替代求解器，是帮求解器少走一半的弯路。

九、四地示范：减碳、降本、提速各有各的数

优化决策落地做成了源网荷储协同优化智能辅助决策系统，在天津滨海、安徽淮北、浙江宁波、湖州四地部署。滨海做的是日内调度，支持 1026 节点电网的调度策略计算，时间由 3 分钟降到 13.68 秒，效率提升 92.4%。

宁波做多能优化，支持 4 个园区的综合能源协同调度，时间从 143 秒降到 55 秒，效率提升 61.5%。淮北做经济运行，支持 1171 节点电网的合作博弈策略快速生成，运行成本降低 6.33%。

湖州做降碳减排，支持 3337 节点电网的源网荷储低碳协同，日均减碳 4.22%。四个场景对应四种价值：速度、协同、成本和碳。这也说明同一套引擎换到不同业务口径下都能算出账来。

减碳 4.22% 这种数字，只有算得够快、能进日内调度才拿得到。

十、下一步两个方向：人在回路和数字孪生

报告最后给了两个发展方向，都围绕“高可靠、高安全”这个前提。第一个是人在回路的混合增强智能。报告明确提到要防范机器智能局限性引发的决策风险与系统失控，所以人工最终把关这一环不能去掉。

技术上有三块要突破：神经符号计算、人机协同、可解释溯因分析。目标是行为可管控、决策可解释、异常可溯源、过程可审计。

第二个是电力数字孪生。思路是把物理设备、数字空间打通，做到实时映射、状态推演、方案校验、运行反馈的闭环。

孪生体里同时跑机理模型、数据驱动模型和图学习模型，覆盖负荷预测、潮流与暂态、拓扑识别、故障预测和状态估计。安全侧则要求数据隔离脱敏、权限管控和操作留痕。

报告人蒲天骄来自中国电力科学研究院，报告致谢了人工智能所王轶申主任、李扬、闫冬、刘思言和杜帅等研究人员。这份报告的原文件与全部图表都放在运营动脉（www.yydm.cn）上，搜报告名就能打开。