当前位置：首页>自动驾驶>能源领域“自动驾驶”

能源领域“自动驾驶”

2026-06-19 22:12:04

01 由何小鹏访谈联想到的

最近刷到一则新闻，何小鹏在5月28号的访谈中说到，传统智驾像组装流水线，依赖人工编写规则，将感知、规划等模块强行拼凑，这是程序的逻辑，在智驾上已经触及到L2/L3的天花板。

汽车行业我不懂，但看了这个访谈视频后，对何小鹏所讲述的高阶自动驾驶的逻辑颇有感触，不由得联想到能源电力行业的情况。电力和自动化控制其实跟汽车的自动驾驶原理挺有相通之处，早期的自动控制以PLC、EMS等自动控制为主，调度决策完全靠人工输入，好比汽车没有出现辅助驾驶之前，纯靠人工开车一样。

电力行业这些年一直都在处于深刻变革的过程中，风光等可再生能源渗透率越来越高，电网的稳定性压力也随之增加，负荷侧微电网等场景的运行也变更更为复杂，为了提升系统运行的经济性、可靠性、稳定性，传统的电力控制也在慢慢走上智能化的道路，通过更为智能的机器决策代替人工决策，以适应更为复杂的挑战。而智能化的手段以及相应的控制效果，近些年也有些企业提出类似于汽车自动驾驶的智能化等级。

2025年07月25日，新奥泛能网提出L1-L5 从辅助到自治五个发展阶段，其中，L1为局部自动化，即少量自动化、少量无人参与；L2为少人干预，大部分可以靠机器决策；L3为局域自治，不需要人参与决策，就能确保安全、经济、高效、便捷；而在L4（多系统协同）、L5（全域自治）阶段，则可以打通水、气、电、热、冷，实现多领域智能运行、多能源自主协同，最终进入一种“无人驾驶”的运营状态。

2026年6月1日，思格新能源联合弗若斯特沙利文发布《2026 AI+新能源白皮书》，提出能源智能化五级分级体系EIL（Energy Intelligence Level），为新能源与储能行业建立清晰、可落地的智能化评价框架。

02 能源优化控制的几种技术路线

能源领域的自动驾驶等级，目前还没有统一的国家标准，新奥泛能网与思格的定义思路也存在明显的差异，这个暂且不说。那么回归到智能化的实现路径上来说，能源领域要实现“自动驾驶”，优化控制的技术路线都有哪些呢，接下来我来理理。

1、高精度预测+确定目标的运筹优化

这种是最经典的优化控制方案，先对未来的负荷进行预测，以预测作为依据，以成本最低或经济性最优等作为优化目标，通过混合整数规划等方法求解最优的控制方案。这种方式实现简单，但高度依赖于预测的精度，当预测存在比较大的误差时，优化效果可能会急剧恶化。

高精度的预测可以用白盒模型或者黑盒模型。

所谓白盒模型，就是通过公式构建起预测对象的的数据结构及业务逻辑，使得预测有非常明确的依据，关键的变量与预测结果有非常清晰的映射，比如某个空间内的冷负荷，与人流量、室外温湿度、天气等有关联性，只要能监测到这些环境变量，并建立起环境变量与冷负荷之间的关系，只要白盒模型的设计足够准确，那么即便环境变量发生重大变化，也能保证预测的精度。

而所谓黑盒模型，则是完全根据历史数据的趋势，预测未来的趋势变化，这种方式不关心数据变化的原因是什么，只学习历史上已经存在过的趋势走向，因而适合于有明显规律的场景，当不知什么原因导致数据发生突变，预测的效果将受到严重的影响，黑盒模型非常适合于稳定生产的工厂、楼宇等场景，负荷稳定，规律性强，随机性事件少，可以实现比较高精度的预测。

2、概率预测+随机/机会约束优化

当追求精确的预测不可行，那么可以预测分布的概率，在一定的区间内，可以认为预测结果是可靠的。比如预测明天一天的风机出力曲线，可以生成大量可能性的轨迹，每条轨迹都有相应的发生概率。但是在计算优化调度时，并不需要每条曲线对应的调度计划都算一遍，这样计算工作量太大，可以对概率轨迹进削减，保留若干条有代表性的轨迹即可，在计算效率和概率保真度之间取得折衷。比如生成有1000条预测轨迹，可以通过聚类或其他方式削减到10条，虽然只有10条，但应尽可能保留原始概率分布的关键统计特征，如轨迹发生的均值、概率较低但可能存在的风险等。

（图片来源于某论文）

得到若干条场景出力曲线之后，再根据调度或优化的需要，对每种可能性进行优化计算，根据优化的目标，比如总运行成本最低或日收益最优，选择最符合目标的即可。

随机优化通常需要与机会约束优化配套使用，机会约束的目的是希望不可行事件的发生概率低于某个阈值。比如在进行储能调度的随机优化时，要保证各种随机场景下变压器负载率不超限的概率不低于95%，或者要保证储能SOC不低于安全下限的概率不低于99%。

与精确性预测+确定目标的运筹优化方案不同之处在于，本方案不追求单一的预测精度，事实上也做不到，而是用概率分布来描述业务场景下的全貌，并用随机优化对可能的场景进行计算，使得决策在期望的目标下达到最优，再配套机会约束优化保证关键约束的下限不被突破。因此，这种方案更像是在追求平均意义上的最优，至于决策时采用哪种场景下的计算结果，就看决策风格是保守或是激进。

3、鲁棒优化

在应对不确定性时，如果说随机优化还需要一定概率的预测作依据，那么鲁棒优化则不依赖任何概率分布假设，直接为最坏的情况设计决策。鲁棒优化仅需要设计一个不确定集，即各种不确定性参数的上下边界。

鲁棒优化的典型模型，与其他优化的模型区别不大，仍然要确定优化目标、约束条件、决策变量，不一样的是加入了一个不确定集。比如微电网鲁棒优化的模型，可以设计为如下：

优化目标：考虑不确定集最不利情况下，总成本最低。

决策变量：储能充放电计划、柴发发电计划等。

约束条件：功率平衡（风、光、储、荷、配等），储能SOC动态与上下限，柴油发电机出力限值与爬坡约束，变压器容量限制，最坏情况下切负荷变量等。

不确定集：光伏出力PV(t)、负荷Load(t)、风机出力Wind(t)等。

鲁棒优化最关键之处在于设计不确定集，保证在最坏情况下系统仍然可用。意思是当你做出一个调度的决策后，允许不确定性在给定的不确定集内任意波动，仍然能保证在这个集合内所有可能的情况下，系统的关键约束都不被突破，同时让最差那个场景下的总成本尽可能低。

这是一种偏向于保守的策略，虽然不一定经济，但却是绝对稳定和安全的保证。如果要保证底线的前提下提升经济性，则需要在不确定集上进行优化，收敛不确定的范围，降低不必要的保守性。比如光伏的出力范围一定是在[0,最大出力]，但设计光伏出力的不确定集，没必要全天都预估光伏出力工况最差，这种保守的策略会带来极大的成本，可以结合历史预测、天气、时间等因素，优化光伏出力的不确定范围。

4、学习型控制

学习型控制不依赖人工建模的预测-优化流水线，而是让智能体通过与工作环境或仿真的工作环境进行大量交互，不停地学习“输入-输出”的动作，经过海量的训练，智能体可以训练出对未来的判断并内化在神经网络里。学习的过程是数据驱动的，采用马尔可夫决策法进行强化学习，一般需要包含如下几项要点：

策略：状态s到动作a的映射。例如，系统监测到当前的光伏出力情况，根据当前储能SOC、负荷功率、电价信息等，直接输出储能的调度目标功率。

动作a：动作是智能体决策的结果，是需要控制变量的设定值。比如储能系统输出的充放电功率、柴油发电机启停等。

奖励：智能体给出动作后环境对智能体的反馈，反映了控制目标的量化指标。例如，微电网运行的奖励可以这样设计，卖电收入-运行成本-违反约束的惩罚。

这个过程没有传统方法中的显式预测，训练时，智能体不需要知道“明天光伏出力会怎样”，它只需要反复在仿真环境中试验：采取动作，观察下一个状态和得到的奖励，不断优化策略网络，直到学会在不确定中做出好的决定。学习型控制就是让智能体通过海量训练，自己悟出如何在不确定性中做决策。

这种模式犹如人学习开车，刚开始不熟练，需要时刻想着开车的规则要领，但开得多了，得到足够多的反馈训练，便慢慢形成了肌肉记忆，面对不确定的路况也能迅速做出正确的决策。

03 AI在能源优化控制中的角色与边界

能源领域的自动化控制，最早是将人的经验固化为逻辑规则，由机器自动执行，自动化控制有其安全、稳定、可靠的特点，至今无可替代。但是在应对一些复杂的场景下时，单纯靠人工决策，靠自动化控制已无法满足需求，这个时候智能化手段应运而生，代替部分人工的决策，变得更智能，更加动态，更能应对一些复杂的挑战。

前三种智能化的技术路线，在架构上与何小鹏所批评的传统智驾分层逻辑有相似之处，是比较传统的智能化方案，都是感知、预测、优化、执行连接起来的串行流水线。这种架构的核心特征是：每一层有自己的模型和目标，信息在层间传递时不可避免地产生损耗和延迟；依赖于现实中的情况进行人工建模，场景越复杂建模难度越大。

一般认为，智能化的技术手段，长于整体性的决策而短于实时性的控制，决策链路太长，无法在秒级、毫秒级的实时控制层达成闭环，因此多用于上层应用，与底层的自动化控制结合使用。比如日前决策、小时级决策、分钟级决策，可以依赖上层智能化的决策，达到整体的决策最优，但是在秒级甚至毫秒级的实时控制需求下，依然需要自动化控制进行兜底，应对突发状况。

那为什么还要AI呢？一句话，AI是应对极端不确定性工况的利器。

学习型控制是与前三种智能化截然不同的思路，没有依赖人工建模的显式预测，是基于数据驱动而不是基于模型驱动，是一种经过海量数据训练后在模型内部形成的高度非线性的模型。

学习型控制与何小鹏所说的“物理AI”自动驾驶的控制比较接近，通过端到端的技术直接完成采集、优化、执行的闭环。能源领域要实现类似于汽车领域的自动驾驶，我认为学习型控制的AI技术才是最有希望的方向。

首先，学习型控制路线在架构上就是打破传统方案的弊端，将多层级拼接的做法，浓缩为一个学习型模型，在更短的时间内完成信息输入后直接输出，不做显式预测，避免多余动作。这样，就有希望直接应用于就地的实时控制层，而非只能从整体角度做辅助决策。

其次，学习型控制路线通过海量的强化训练捕捉数据之间的潜在关联，绕过了传统智能化方案必须精确建模的困难，因此，在面向复杂场景时，面对大量非线性的问题时，学习型控制有其得天独厚的优势。

所以，我能理解何小鹏为什么说“AI拼凑”的架构可以做到L2+水平的智驾，但是要做L4需要“物理AI”才能满足。如果能源领域也形成有类似汽车自动驾驶领域的智能化水平评估标准，那么能源领域的“自动驾驶”要达到更高水准，应对极端不确定的工况，应对复杂的多能、多域的能源协同，必定得有“物理AI”的路线才能做得好。

不过，需要说明的是，汽车与能源属于两个截然不同的领域，汽车的自动驾驶与能源的智能化控制并不是简单的对等关系，本文将两个领域联系起来讲，纯粹是在思路上做个开脑洞的类比，具体技术细节也许相同也许不同，不可简单的代入。

AI看起来很好，但是能替代一切吗？

我的答案是不能。

AI的能力，在于处理极端复杂问题的潜力上，这是人工决策、传统运筹优化力所不及的地方，是实现高阶自动化的必备利器，但AI直接应用于生产控制上仍有几个潜在的问题值得重视。

AI自动控制的可解释性问题：能源行业，尤其是电力行业，重在稳定，其控制过程讲究一个确定性，需要形式化的安全验证和可以解释的决策依据。传统的自动化控制，以及显式预测，运筹优化都有很好的可解释性，其稳定性也有清晰的理论支撑，有大量的案例可验证。AI的黑盒特性，导致AI输出的结果无法直接解释，且由于其持续学习进化的特征，有可能出现“AI幻觉”的情况，谁敢把电力的调度完全交给一个解释不清楚的神经网络呢？

硬性约束下的安全性、可靠性问题：能源系统有大量物理约束，是系统安全稳定运行的底线，违反的后果往往非常严重。最为基础的自动化控制反而是最重要的运行保障，自动控制的响应执行速度往往都是毫秒级甚至更快，在发生异常情况时是系统的兜底。AI也许可以很好地完成复杂系统的优化控制，但输出的指令在执行时依然需要最基础的逻辑控制程序兜底，万万不可逾越。比如中央空调系统中，管道阀门未开到位时，水泵绝对不能开，不然有爆管的风险，这是在逻辑控制中强行约束的安全线。又比如微电网系统中，当出现频率骤降时，微网控制器应该立即调动各电源发电，或者切断必要的负荷，不管此时AI输出什么样的指令，保证频率不跌落才是首要的任务。

数据与训练问题：训练一个成熟的能源AI模型，需要海量的、覆盖各种极端场景的数据。何小鹏有壮士断腕的勇气，丢掉花了十几亿研发的旧模型，孤注一掷赌物理AI，原因是汽车自动驾驶面对的是一个相对收敛的场景，即中国的交通环境，一套物理AI模型，有希望通过海量路况训练，泛化到高速、城区、乡道等不同细分场景。但能源行业似乎不一样，工厂、楼宇、园区、矿山、海岛、油田等场景，不同项目的设备组成、能源结构、负荷特性、约束条件千差万别，场景高度发散且彼此隔离，一个AI模型很适用所有场景的特定需求，需要根据每种场景的特征分别去训练，先得到一个有场景化特点的模型，然后对具体楼宇项目做些有针对性地训练。因此AI在自动控制上想落地，难度可想而知。

04 不同智能化手段适用的场景

回到本文开头所提到的能源行业自动驾驶的等级，不管技术如何发展，工程应用讲究实用主义，而非单纯的炫技，不同的需求决定了需要采用什么样的技术方案。或者换个角度来说，也不是所有场景都值得上物理AI，传统的智能化手段，甚至基础的逻辑控制，在不同的场景下仍然具有其适用的地方。

选择技术手段时，不妨按如下三个步骤挨个评估一下：

1、这个场景是不是足够确定，用逻辑规则来控制能不能达到相应的效果？如果能，则没有必要花钱上智能化，直接逻辑规则搞定。

比如前两年分时电价政策比较固定时，工商业储能的削峰填谷功能，就是直接设定固定时段的充放电功率，行业内大厂小厂都是这么做的，不是大家没能力搞智能化，而是压根用不着，杀鸡哪里用得着牛刀。

2、如果逻辑规则搞不定，必须用智能化辅助决策，那么优先考虑一下“预测-优化”的分层控制。

1）场景很稳定，可以实现精确预测，则考虑高精度预测+确定目标运筹优化方案。这种方案结果可控，性价比最高。

典型场景：楼宇中央空调优化控制，冷热负荷相对稳定，预测可以做到比较准确，因此这种场景应用效果不错。

2）预测不是很准，但偏离的概率相对可控，则考虑概率预测 + 随机/机会约束优化，在风险和收益间取得平衡。

典型场景：带有光伏的微电网场景，光伏受天气影响出力不稳定，储能的充放电计划优化往往存在进退两难的选择，通过随机优化在期望目标下给出决策。又比如光储充电站，车辆的充电行为更是高度不确定，相比于光储微电网难度又更大一些。

3）预测很难做，且系统运行的可靠性要求比较高，那么就得优先保证稳定性，通过鲁棒优化来做控制，用保守的策略换来安全。医院、数据中心、离网或弱电网末端电压安全等场景下，电力稳定性高于经济性，虽然日常运行成本略高，但规避了一次停电就可能造成的巨额损失或影响。

3、如果系统过于复杂，人工建模困难，传统“预测-优化”流水线因信息损耗和时间延迟，在这里已无法取得好效果，则不妨考虑一下高大上的AI。AI的训练成本虽高，但如果相对于传统手段能获得增量收益，使得ROI可以成立，那么这是个值得投入的方向。

本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：wyl860211@qq.com 。

能源领域“自动驾驶”

01 由何小鹏访谈联想到的

02 能源优化控制的几种技术路线

1、高精度预测+确定目标的运筹优化

2、概率预测+随机/机会约束优化

3、鲁棒优化

4、学习型控制

03 AI在能源优化控制中的角色与边界

04 不同智能化手段适用的场景

最新文章

热门文章

随机文章

能源领域“自动驾驶”

01 由何小鹏访谈联想到的

02 能源优化控制的几种技术路线

1、高精度预测+确定目标的运筹优化

2、概率预测+随机/机会约束优化

3、鲁棒优化

4、学习型控制

03 AI在能源优化控制中的角色与边界

04 不同智能化手段适用的场景

一千万预算看这些百万级SUV都心动?先别急着上头,排面很足,但真选谁得想清楚

10万级纯电轿车:合资车连夜开会,国产车把“高端技术”按在地上摩擦

最新文章

热门文章

随机文章