AI示范项目展现巨大潜力，但公用事业公司准备好了吗？

公用事业公司和系统运营商正在探索人工智能和机器学习的新应用，以应对负荷增长带来的可靠性威胁，多家机构和分析师表示。

根据电力研究院（EPRI）2024年的一份报告，生成式AI模型“已爆发式进入公众视野”。这一热潮催生了2025年巨额AI投资承诺，例如5000亿美元的美国Stargate项目和2060亿欧元的欧盟基金。公用事业公司正开始意识到新的可能性。

“即使是五年前对AI持怀疑态度的公用事业高管，如今也在创新项目中使用云计算、无人机和AI，”EPRI人工智能与量子执行总监Jeremy Renshaw表示。“公用事业公司的快速采用，可能使今天看似不可能的事情在几年内成为标准操作实践。”

然而，仍有担忧认为AI/ML算法可能绕过人类决策，反而导致其本应避免的可靠性故障。

“但任何尚未将其内部知识库纳入可按需查询的生成式AI模型的公司，都没有充分利用其长期付费存储的数据，”NVIDIA高级董事总经理Marc Spieler表示。他补充说，目前人类仍将参与决策，AI/ML算法通过更快提供更多、更相关的数据，使决策更明智。

在实际示范中，公用事业公司和软件供应商正利用AI/ML算法改进从核电站设计到电动汽车充电等各类任务。但公用事业公司和监管机构必须面对一个难题：如何在提高可靠性和降低客户成本的同时，让专有数据更易于被新的数字智能获取，同时又要保护这些数据。

旧技术的更新

电力系统已在网络安全应用中部署AI/ML算法，利用具有尖端学习能力的技术更好地识别攻击者。

Checkpoint Software——全球AI芯片制造商NVIDIA的安全服务商——正与标准认证机构Underwriters Laboratories合作，为消费设备制定新的安全标准，Checkpoint全球首席信息安全官Peter Nicoletti表示。智能设备“将被要求满足防止软件更新期间遭受黑客攻击的安全标准，”他说。

另一个已被验证的电力系统高级计算应用是基于天气、负荷和可用发电量的市场价格预测。

Amperon自2018年起便使用AI/ML算法进行天气、需求和市场价格预测，其联合创始人兼CEO Sean Kelly表示。但Amperon的短期建模现在“每小时运行一次，并持续以更少的能耗、更智能更快速地重新训练，以人类无法企及的方式整合每次迭代的优势，”他补充道。

日立能源的Nostradomus AI预测工具具备最新的AI/ML能力，自11月以来“将价格预测准确率较人工预测提高了20%”，日立能源资产管理与企业软件解决方案总经理Jason Durst表示。

AI/ML辅助技术也已“成为野火缓解策略的关键支柱”，预测软件供应商Neara美洲区高级副总裁兼董事总经理Rob Brook表示。该技术帮助公用事业公司识别“其网络中的野火风险，通过主动评估比人类能整合的更多变量，”他补充道。

过去一年，AI/ML算法加速了太阳能建设机器人的应用，电力供应商AES的Maximo机器人开发者Deise Yumi Asami表示。由于Maximo的AI/ML算法能在每个太阳能项目开工前自主学习其独特特征，原先重新训练Maximo所需的六个月时间已被消除。

新的、更自主的AI/ML能力将提供“规模化的稳定性、可预测性和可靠性提升”，中西部发电与输电合作社Dairyland Power Cooperative副总裁兼首席信息官Nate Melby表示。系统复杂性管理“正是AI可以大放异彩之处，”他补充道。

公用事业公司正越来越多地利用新的AI/ML能力，应对可变负荷、分布式能源资源激增及其他电力系统挑战带来的日益复杂的局面。

新需求，新能力

缺乏足够灵活性的电力系统“可能导致可靠性和安全性下降、运营成本和容量成本增加”，太平洋燃气电力公司（PG&E）在其2024年研发战略报告中总结道。“AI/ML及其他新技术不仅能增强我们的即时响应能力，还能为长期规划和政策制定提供信息，”报告补充说。

PG&E的总用电量将在未来5至10年内翻倍，但通过基于AI/ML的现有基础设施上DER电网优化，可以将峰值负荷增长限制在10%，PG&E首席执行官Patti Poppe在该公司11月的创新峰会上表示。

AI/ML算法的获取现已具备商业可行性，其能力可并行优化多个大型场景，以支持电力系统数百万变量的决策，NVIDIA的Spieler表示。这些算法还能编写软件代码，使公用事业公司能够利用“其存储但尚未用于优化更多运营的PB级系统数据，”他补充道。

公用事业公司可以将其内部知识库——包括研究论文、费率案例以及野火和安全问题分析——上传至生成式AI模型并进行查询，Spieler表示。查询响应随后可根据性能和维护历史解释系统异常，或为撰写普通费率案例及其他监管申报文件提供所需数据和先例，他补充道。

公用事业示范项目正在验证新的AI/ML能力。

从分布式能源到核电站

多项示范聚焦于AI/ML算法如何优化配电系统资源。

Utilidata的Karman软件平台和NVIDIA GPU芯片已嵌入Aclara智能电表，并将很快应用于其他配电系统硬件，Utilidata产品副总裁Yingchen Zhang表示。Karman每秒读取32,000次高分辨率配电系统原始数据，并实时识别单个客户的用电情况，他补充道。

一项实际示范中，Karman读取并响应细粒度实时数据，发现公用事业公司可以快速稳定EV充电引起的电压波动，密歇根大学-Utilidata研究指出。

在实施数据分解专家Bidgely的软件后一年内，Avista Utilities因高账单投诉而派出的服务工单减少了27%，Avista Corp.产品与服务经理Andrew Barrington报告称。Bidgely的软件分析识别出导致账单飙升的客户用电行为，而非派员检查电表，他补充道。

Bidgely的一项分解分析评估了10,000名Ameren Missouri客户的EV充电情况，其交付副总裁Caroline Cochran在斯坦福-EPRI会议报告中表示。分析识别出73位客户可通过更好的管理避免或推迟原本为管理EV充电负荷所需的高成本基础设施支出，她补充道。

Bidgely在2023年对100,000名NV Energy EV充电器车主进行的类似分解分析，识别出“可能首先需要基础设施投资的‘热点区域’”，从而限制了更大的配电系统资本投资，智能电力联盟1月发布的《AI促进交通电气化洞察简报》报告称。

AI/ML算法还在提高效率，降低核电站成本和安全隐患。

PG&E正在其Diablo Canyon核电站使用按核管理委员会标准训练的Atomic Canyon生成式AI软件，核创新联盟研究总监Patrick White表示。创新的AI/ML工厂设计、运营和预测性预防性维护正在限制成本并提高工厂安全性，他补充道。

然而，公用事业公司和供应商认识到，要更充分利用加速发展的AI/ML能力，仍需做许多工作。

公用事业公司面临的工作

有效获取AI/ML算法的益处始于认识其潜力，并获取和使用正确的硬件和软件，公用事业公司和第三方表示。

Avista成功采用第三方AI/ML“始于一种思维模式”，Barrington表示。关键问题是“如何增强客户互动，如何将客户数据与系统运营整合，以及如何增强系统可见性并支持主动策略，”他补充道。

AI/ML算法现在正在提取实时数据并提出可操作建议，Utilidata的Zhang表示。但“公用事业公司无法利用这些建议，因为它们缺乏相应的技术和通信生态系统，”他补充道。

公用事业公司需要通信技术、先进计量和边缘计算基础设施，以及数据处理和存储技术，EPRI的Renshaw表示。在配电系统层面，公用事业公司还应具备可随客户采用新技术而安全更新的软件，Utilidata的Zhang补充道。

在保护安全和客户隐私与提供数据训练AI/ML算法之间取得平衡，仍是一项重大挑战。

保护公用事业数据需要“强大的网络安全实践”，Dairyland Power的Melby表示。但公用事业公司需要以“AI平台可以利用的方式”访问和管理数据，他补充道。

最近，“公用事业公司已开始进行渗透测试，以证明其数据在我们系统中与在其自身系统中一样安全，”Bidgely的Cochran表示。它们还“成立了AI委员会，对其数据用户进行额外彻底的审查，”她补充道。

“公用事业公司对数据隐私持保守态度是有充分理由的，但AI/ML电力系统应用目前尚不构成威胁，”Utilidata的Zhang表示。联邦学习或基础模型是在保护隐私的同时为算法训练提供数据的方法，他补充道。

联邦学习允许公用事业公司通过构建其特定挑战数据的合成模型来保护专有数据，这些模型可在安全位置共享以进行进一步训练，Zhang表示。

但有人认为联邦学习可能过于局限，难以应对电力系统的复杂性。基础模型将使用数量级更大的匿名化数据，并尽可能用更多电力系统信息进行预训练，EPRI的Renshaw等人表示。

公用事业公司或许能够创建基础模型，以实现共享学习并保护其数据，PG&E电网研究、创新与开发高级总监Quinn Nakayama表示。

“底线是——收集更多高质量数据，正确使用、存储和保护数据，并将其输入为正确任务而训练和更新的模型，”Renshaw总结道。