AI示范项目展现巨大潜力，但其他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发现人工智能和机器学习的新用途，以应对负荷增长带来的可靠性威胁，多家公用事业公司和分析师表示。

根据电力研究协会（EPRI）2024年发布的一份报告，生成式AI模型已“爆炸式进入公众意识”。这一趋势催生了2025年巨额AI投资承诺，如美国5000亿美元的Stargate项目和欧盟2060亿欧元基金。公用事业公司开始意识到这些新技术带来的可能性。

“五年前还对AI持怀疑态度的公用事业高管，如今正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，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相关数据，有助于做出更好的决策。

在实际示范中，公用事业公司和软件供应商正在利用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，使专有数据更易于被新的数字智能访问，同时保护这些数据。

旧技术焕发新生

电力系统已在网络安全应用中部署AI/ML算法，利用前沿学习能力更好地识别攻击者。

Checkpoint Software（全球AI芯片制造商NVIDIA的安全服务提供商）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“将被要求满足防止黑客在软件更新期间攻击的安全标准，”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，并持续以更少的能源进行更智能、更快速的再训练，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Nostradamus AI预测工具采用最新的AI/ML能力，“自11月以来，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，AES的Maximo机器人开发者Deise Yumi Asami表示。重新训练Maximo所需的六个月时间已被消除，因为其AI/ML算法能在每个太阳能项目开始前自主学习其独特特征。

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”，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。系统复杂性的管理“正是AI可以大放异彩的地方，”他补充道。

公用事业公司正越来越多地利用新的AI/ML能力来应对可变负荷、分布式能源资源激增等日益复杂的电力系统挑战。

新需求，新能力

太平洋燃气电力公司（PG&E）在其2024年研发战略报告中指出，缺乏灵活性的电力系统“可能导致可靠性和安全性下降、运营成本和容量成本增加”。报告补充说：“AI/ML和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。”

PG&E首席执行官Patti Poppe在11月的创新峰会上表示，未来5至10年，PG&E的总用电量将翻倍，但通过基于AI/ML的分布式能源资源电网优化，可以将峰值负荷增长限制在10%以内。

NVIDIA的Spieler表示，AI/ML算法的获取现已具有商业可行性，其能力可以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。这些算法还能编写软件代码，使公用事业公司能够利用“其存储的PB级系统数据，这些数据此前未被用于优化更多运营，”他补充道。

Spieler说，公用事业公司可以将内部知识库（包括研究论文、费率案例以及野火和安全问题分析）上传到生成式AI模型并进行查询。查询响应可以基于性能和维护历史解释系统异常，或提供撰写一般费率案例和其他监管申报文件所需的数据和先例。

公用事业公司的示范项目正在验证新的AI/ML能力。

从分布式能源到核电站

多个示范项目聚焦于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。

一项实际示范发现，Karman读取并响应实时数据，公用事业公司可以快速稳定电动汽车充电引起的电压波动，密歇根大学-Utillidata研究指出。

在实施数据分解专家Bidgely的软件一年内，Avista Utilities因高账单投诉而减少的服务呼叫次数下降了27%，Avista Corp.产品与服务经理Andrew Barrington报告称。Bidgely的软件分析识别了导致账单飙升的客户用电行为，而非派遣服务人员检查电表，他补充道。

Bidgely的一项分解分析评估了10,000名Ameren Missouri客户的电动汽车充电情况，其交付副总裁Caroline Cochran在斯坦福-EPRI会议报告中表示。该分析识别出73名客户，他们可以通过更好的管理来避免或推迟原本需要用于管理电动汽车充电负荷的昂贵基础设施支出，她补充道。

Bidgely在2023年对100,000名NV Energy电动汽车充电器拥有者进行的类似分解分析，识别出“可能需要优先进行基础设施投资的‘热点区域’”，从而限制了更大规模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算法还在提高核电站成本效益和安全性方面发挥作用。

PG&E正在其Diablo Canyon核电站使用Atomic Canyon的生成式AI软件（该软件已按核管理委员会标准训练），核创新联盟研究总监Patrick White表示。创新的基于AI/ML的工厂设计、运营和预测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，公用事业公司仍需采取一些措施。

公用事业公司面临的挑战

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“如何增强客户参与度，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实现主动策略，”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，因为他们没有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，公用事业公司还应拥有可安全更新的软件，以适应客户采用的新技术，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，仍然是一个重大挑战。

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，以证明数据在我们系统中的安全性与他们自己系统中一样，”Bidgely的Cochran表示。他们还“成立了AI委员会，对其数据用户进行额外彻底审查，”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电力系统应用尚未构成威胁，”Utilidata的Zhang表示。联邦学习或基础模型是既能保护隐私又能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，这些模型可以在安全位置共享以进行进一步训练，Zhang表示。

但一些人认为联邦学习可能过于局限，无法应对电力系统的复杂性。基础模型将使用数量级更大的数据，这些数据已匿名化并尽可能多地使用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、创新与发展高级总监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训练和更新的模型，”Renshaw总结道。