AI能源管理落地指南：从负荷预测到优化调度的实践方法论

1. 能源管理走到今天，为什么非AI不可

先说一个我自己的感触。入行能源管理这十几年，早些年做项目，客户问得最多的是"能不能帮我把电费降下来"，现在问的变成了"能不能帮我把能源成本控制住，同时别影响生产"。这两句话听着差不多，背后的逻辑完全不一样——过去的节能是"砍掉浪费"，现在的能源管理是"在复杂约束下做最优决策"。而这件事，恰好是传统规则引擎力不从心、AI工具能真正派上用场的领域。

我做过的传统能源管理系统（EMS）不在少数，说实话，它们更像一个"仪表盘"：把电量、水耗、燃气、蒸汽这些数据采上来，算一下同比环比，出了异常报警，然后靠老师傅的经验去查原因。这个模式在能源价格稳定、生产节奏固定的年代是够用的。但现在的工况变了，各地峰谷电价越拉越大，有些地方尖峰电价已经是平段电价的3倍以上；新能源渗透率提高后，电网侧的供需波动也更频繁，需求响应、虚拟电厂这些词开始频繁出现在业主的可行性报告里。靠人工经验去"看"数据，响应速度和对复杂度的处理能力都已经跟不上。

AI工具在这个阶段的价值，不是替代掉原有系统，而是把能源管理从"事后看报表"往前推到"事中实时优化"，甚至"事前预测调度"。我在实际项目中验证过的一个典型案例是：某工厂的制冷站有3台冷水机组，传统策略是按出水温度和运行时长轮流启停，结果导致轮换频繁、机组长期运行在低负载率区间，能效比COP常年只有3.8左右。后来通过AI模型对负荷做了15分钟粒度的预测，结合电价时段重新安排机组组合和出水温度设定点，COP稳定提升到4.5以上，单这一项，在夏季节电率就做到了11%—这还只是制冷系统，没有动任何硬件。

这篇文章，我不会跟你绕概念，直接讲清楚三件事：AI在能源管理里到底解决什么、落地需要什么样的数据和架构、以及在真实项目里最容易踩的坑是哪些。适合的人群，应该是正在做能源数字化方案的系统集成商、有产线节能压力的工厂能源主管、以及想搞清楚AI能源管理到底是不是智商税的投资人。内容全部基于我做过的实际项目，不掺水分。

2. AI到底在能源管理里干了什么活

开始动手之前，先要把角色定位搞清楚。很多人一听到"AI能源管理"，第一反应是"AI帮我管设备"，这个理解偏差很大，也容易让项目从一开始就走偏。

2.1 别指望AI直接控制设备

工业现场的设备控制，讲究的是确定性。阀门开多大、变频器频率给多少、机组什么时候启停，这些动作直接影响生产安全，不允许"猜"。AI模型本质上是概率模型，它给出的结果是一个推断值，不是一个精确的保证值，所以目前行业里真正落地的AI能源项目，绝大多数都是"AI做决策支持，人做最终确认"，或者是"AI在有限边界内做自动调节，配上严格的安全回滚机制"。

我习惯把AI在能源管理中的角色比喻成"参谋长"，而不是"前线指挥官"。参谋长负责收集情报、推演局势、给出作战建议；指挥官负责拍板，因为战场上有很多模型推演不出来的因素，比如设备今天异常异响、现场在检修、某个产线临时加单。这个边界划清楚了，甲方也好、自己团队也好，对AI的预期管理才不会出问题。

2.2 四个真正能产生价值的AI应用方向

我做了这么多项目，真正跑出效果、甲方愿意持续付费的AI应用，基本集中在下面四个方向：

负荷预测。这是最成熟、ROI最高的AI能源应用，没有之一。工厂未来一小时、一天、一周要用多少电，商场明天峰值负荷大概出现在几点，这些预测直接影响两个决策：一是需量管理，如果预测到峰值会超标，可以提前切掉一部分非关键负载，或者启动储能放电，从而避免按最大需量缴纳基本电费；二是购电策略，电力现货市场逐步放开后，预测准确率直接和真金白银挂钩。传统回归方法在这种高波动场景下误差往往超过15%，我用LSTM和XGBoost混合模型做过一个电子制造厂的案例，48小时负荷预测MAPE可以控制在6%以内，效果立竿见影。

设备能效诊断与异常检测。制冷机组、空压机、水泵这类旋转设备，运行久了能效会衰减，而且衰减的过程非常缓慢，靠人盯曲线根本发现不了。AI模型可以基于设备的历史运行数据和实时工况，建立"正常状态下能效范围"的动态基线，一旦实际COP偏离基线超过设定阈值，就自动触发预警。这个功能看起来不如负荷预测"性感"，但实际省下来的钱非常多，因为很多隐藏浪费就是设备低效空转造成的。

优化调度。在满足生产用能需求的前提下，AI用优化算法寻找"最省钱"的设备组合运行策略。比如前面提到的制冷站案例，电价高的时段少开机组、让冷冻水温度走高一点蓄冷，电价低的时段提前把水温压低。这种调度对预测精度要求很高，属于"预测+优化"的组合应用，也是技术含量最高的部分。

用能行为分析与节能机会挖掘。工厂每个车间、每个班组用能习惯不同，AI通过对用能数据的聚类分析，可以发现"节假日待机功耗过高""午休时段空压机未停机""某个班次生产同量产品但能耗高出15%"这类问题。这种应用不需要复杂算法，聚类和关联规则就够了，但往往是最快见效的，因为节能机会是现成的，AI只是帮你在海量数据里把它们捞出来。

2.3 什么场景暂时别指望AI

说完了能用AI的地方，也得泼一盆冷水。以下几种场景，现阶段AI的投入产出比并不划算：

• 数据质量一塌糊涂的系统。接入的数据两天打渔三天晒网，表计经常离线，AI模型训练不出来，做了也是白做。
• 用能规模太小的单体项目。比如只有几万平米的写字楼，一年能源费用几十万，上AI模型的硬件、人力成本可能要好几年才能回本，传统BMS加上人工策略调整其实够了。
• 完全没有专业运维人员的现场。AI系统再智能，也需要有人对它的建议做判断和响应。现场连个能看懂报表的工程师都没有，系统上线一个月后就没人用了。

任何技术都有适用边界，AI能源管理也一样。搞清楚边界，比盲目上系统重要得多。

3. 落地的技术架构与三条主流路线

职责定义清楚之后，下一步是选技术路线。这一节是项目立项阶段最关键的决策点，直接决定后续开发的复杂度和维护成本。

3.1 五层架构，别想着一步到位

从我经手的项目来看，一个能真正运营起来的AI能源管理系统，无论如何简化，都逃不出下面这五层。我建议大家在方案设计阶段就按这个架构去规划，哪怕第一期只做其中三层，也要给后面留好接口。

感知层。就是表计和传感器。电表、水表、气表、蒸汽流量计、温度传感器、压力传感器。这一层的核心不是数量，而是"分项计量"的能力。如果只有总表数据，AI模型基本废掉一半，因为你不知道能耗产生在哪个环节。

数据层。负责采集、清洗、存储。能源数据的特点是量大但单点价值稀疏，所以存储方案要考虑时序数据库（我常用的是InfluxDB和TDengine），同时这一层要把"数据质量"作为核心指标来管理，脏数据、断点数据、异常数据必须在这一层处理掉，否则直接污染上层模型。

算法层。也就是AI模型库。负荷预测模型、能效诊断模型、优化调度模型、异常检测模型。这一层需要有一个模型管理和版本迭代机制，因为模型不是训练一次就一劳永逸的，工况变了要重新调优。

应用层。面向不同角色提供的界面和应用工具——能源看板给管理层看KPI，调度建议给运行班组用，报警工单给运维人员处理。很多人忽视这一层的重要性，实际上AI系统失败的最常见原因不是算法不行，而是界面难用，一线人员根本不想打开。

决策层/执行层。AI系统的输出最终要通过某种方式作用于现场。轻量级的是人工执行，调度员看建议后手动操作；进阶的是半自动——AI建议推送到工单系统，操作员确认后由BMS执行；高阶的是自动闭环——AI直接给控制系统下发参数，但必须配安全边界和异常中止机制。

3.2 三条技术路线的选型对比

我经常被问到"AI能源管理用什么算法最好"，这个问题本身就是个坑。算法的选择不是越先进越好，而是越匹配场景越好。我把实际项目中的技术路线归成三类，列个表对比，方便你做决策。

说几个我在选型上的实际倾向。

负荷预测，我的默认起点是XGBoost和LightGBM这类GBDT模型，考虑它们的训练效率高、可解释性还行、对特征工程要求相对宽容。我自己做过对比实验，同样的数据，LSTM和XGBoost的预测精度很接近，但XGBoost的调参成本和训练时间远低于LSTM，在工业环境中更实用。除非数据量特别大（比如几十万行以上）且包含复杂的时间依赖关系，否则没必要上来就上深度学习。

优化调度类问题，我不建议一上来就搞强化学习。能源调度绝大多数场景是"有限时域内的确定性优化"，混合整数线性规划（MILP）已经能解得很好了，而且有非常成熟的求解器（像Gurobi、Cplex），结果可解释、可行域可控。强化学习在电力系统调度里的研究论文很多，实际落地的项目极少，因为训练环境要和实际系统完全对齐，不然策略会"学歪"。我的建议是：能用线性规划解决的，就别上强化学习。

设备异常检测，传统机器学习就够用。孤立森林（Isolation Forest）是我用得最顺手的算法，原理简单——异常点在高维空间里更容易被"隔离"出来，所以通过随机切分特征空间，很快就能把离群点找出来。它的优势是不需要大量标注异常样本，对无监督场景非常友好。

提示：选型的最重要原则是"匹配数据量"和"匹配维护能力"。你选了个Transformer模型，现场连个能写Python的工程师都没有，模型上线后谁来迭代？这是选型时必须回答的问题。

4. 数据这条命脉，九成项目都卡在这里

把AI吹得再神，数据过不了关，系统就是个摆设。我做了这么多能源智能化项目，老实说，算法能跑通的项目占一半，数据能过关的项目十不存一。数据工作也是最容易被低估的环节，甲方总觉得"数据不就在那儿吗，你们接一下就好了"，实际上，接数据只是万里长征第一步，后面全是坑。

4.1 起步阶段的数据要求，直接对照检查

如果要上一套能用的AI能源管理系统，起步阶段的数据准备至少应该包括这几项：

• 至少一年的完整运行数据。注意是"完整"，不是"有数据"。跨度一年是为了覆盖完整的季节周期和用能波动，因为空调负荷和室外温度强相关，没有夏天和冬天的数据，模型根本学不到全貌。
• 电、水、气、冷/热量的分项计量数据。分项越细越好，最好能到车间级、产线级、关键设备级。只有总表的话，AI只能告诉你"能耗高了"，但没办法告诉你"哪里高了"。
• 气象数据。温度和负荷的强相关性是能源系统的基本规律，所以预测模型必须把气象特征纳入进去。如果项目预算有限，至少要拿到所在地的逐时温度和湿度数据，这些从公开气象API就能拉到，成本极低。
• 生产计划数据。工业项目的负荷预测，生产计划是比天气更重要的输入特征。排产多，能耗必然大。所以需要拿到生产班次、产量、停机检修计划这类非能源数据。
• 电价数据。分时电价表是优化调度模型的硬约束条件，如果没有准确的电价时段数据，调度优化就无从谈起。

别小看这份清单，我把它们打印出来给甲方工程部一对照，一半以上的项目当场就发现缺数据，而且缺的往往不是"能补的"，而是"已过期的"，比如过去一年的逐时用电数据根本就没有存，这种只能从上线那一刻起重新积累。

4.2 数据清洗的三个隐藏问题

接着说说数据清洗。常规的做法是去重、补缺失值、识别异常尖峰，这些网上一搜一大把，我不啰嗦。我要说的是那些"常规清洗解决不了"的隐藏问题，这三个问题我在不同项目里反复遇到。

第一个是时区与时标问题。听着很傻对不对，但真的会出问题。有些老站点的采集装置用的是格林尼治标准时间（GMT），有些用的是本地时间，而且夏令时切换的时候还可能存在时标重叠或跳变。如果模型没注意到这个，最直接的影响是预测曲线整体平移一个小时——白天峰荷被预测到了晚上，调度策略整个错乱。这个问题检查起来很隐蔽，因为数据量大的时候人眼看不出规律，但训练出来的模型就是不对。我在每次项目启动时都会做一个"时间对齐检查"，把原始时间戳和现场抄表读数做交叉验证，这一步能挡掉很多后续的折腾。

第二个是计量单位不统一。听起来更基础了，但实际项目里就是会遇到：同一套系统里，电表数据有kWh的、有MWh的，水表有m³的、有吨的，蒸汽有千克的、有焦耳的，还有换算系数完全错误的。这类错误最可怕的是一致性地错——所有数据都有单位标注错误，报表看起来"正常"，模型训练出来就是废的。我的办法是让算法工程师直接去现场看一遍表计铭牌，别光看系统里导出的CSV，因为表计铭牌上的单位才是最真实的。

第三个是停机工况与低负载工况混淆。很多设备在待机状态下功耗很小，但电流波形是畸变的；生产状态下负载高，数据分布完全不同。如果模型把这两种状态的训练样本混在一起，容易学出一个"平庸的预测"——既不像待机也不像生产，两个状态都预测不准。解决办法是引入"设备运行状态"标签，或者利用功率的突变特征做工况切分。

提示：数据工作的核心原则是"脏数据进，脏模型出"。项目里宁可砍掉一个AI功能模块，也要保证剩下的功能模块用到的数据是干净的。数据质量不好，模型再高级也只是在噪声中拟合。

4.3 特征工程：值班工程师的智慧如何教给模型

光有原始数据还不够，要把领域经验转化成模型能理解的输入特征，这一步就是特征工程。我分享一下在能源项目里几乎必做的几个特征：

时序特征。小时、星期几、是否节假日、是否工作日、所在的月份。能源负荷呈现出明显的周期特征——昼夜周期性、周周期性、季节周期性，这些日历特征一定要进模型。

气象特征。除了温度、湿度，还要考虑"累积效应"。连续三天40度高温之后的制冷负荷，和第一天40度时的负荷完全不一样，因为建筑围护结构的蓄热需要释放。所以我会构造"滑动平均温度"——用过去24小时的平均温度、过去72小时的平均温度作为补充特征，模型对极端天气的响应会好很多。

生产特征。这一步要根据具体项目来订制。如果有生产计划，可以构造当日产量、班次、是否月末冲量等特征。有些工厂的用能高峰和经济周期高度相关，所以"距发薪日的天数"都成了一个有效特征。

设备状态特征。比如关键机组的历史启停次数、累计运行时长、最近一次维保时间。这些特征对能效诊断模型特别重要，因为它们能刻画设备的"健康衰退"趋势。

特征工程的质量，直接决定了模型效果的上限。算法是放大器，好的特征才能把信号放大，垃圾特征只会把噪声放大。

5. 核心模型怎么选、怎么调优

数据准备好了，接下来是模型。我把能源管理里最常见的三类模型怎么做、怎么调优、踩过什么坑，逐个说清楚。

5.1 负荷预测模型：从XGBoost到混合模型

做负荷预测，我第一个推荐用的算法是LightGBM或XGBoost。很多人会觉得奇怪，怎么不用LSTM？不是说深度学习才能处理时序数据吗？我在多个项目里对比过，在数据量不是特别巨大（几万到几十万行）的情况下，GBDT类模型在能源预测上完全不输深度学习，而且训练快、可解释性更好，可以输出特征重要性，回头跟客户解释起来也方便。

以某电子厂为例，我做48小时负荷预测时，特征就用了几十个维度：小时、星期、节假日、温度、湿度、过去24小时负荷、过去7天同时刻负荷、滑动平均温度、生产计划排程等。模型结构用LightGBM，训练集是一年半的数据，验证集是最近三个月。跑下来的结果是MAPE在5%~7%之间，足够指导需量管理和购电策略了。

要说调参心得，几个关键参数值得重点调：学习率（learning rate）要小，设0.01~0.05之间，配足够多的树（n_estimators，2000以上），配合早停；叶子数（num_leaves）控制模型复杂度，可以从31开始往上调，但小心过拟合；特征采样比例（feature_fraction）和样本采样比例（bagging_fraction）分别设0.8左右，能显著提升泛化能力。

如果是长期预测（7天以上）或者数据本身包含很强的季节性，那就要考虑时序分解的方法，或者直接用Prophet这类专门设计来处理季节性的模型，它能把趋势项、季节项、假期效应拆开建模，解释起来也很直观。

这里有一个很关键的细节：预测模型的更新频率。很多项目犯的错误是模型训好了就上线再也不管，半年后工况变了，预测精度断崖式下跌。正确的做法是设计定期重训练的机制，比如每月做一次增量训练，如果发现滚动预测误差明显上升，就自动触发重训练。

5.2 能效诊断模型：动态基线+孤立森林

设备能效诊断的原理不复杂：建立设备在"正常状态下"能效指标的动态基线，然后检测实时能效是否显著偏离基线。关键是"动态"两个字——工况变了，正常的能效水平也在变，比如制冷机组在50%负载率下的COP，和90%负载率下的COP本来就不同，所以基线必须和工作点关联。

实际项目中，我常用的做法是：用设备的历史健康数据，训练一个回归模型，输入是负载率、冷却水温度、冷冻水出水温度等运行参数，输出是预期的能效值（比如COP）。然后计算实际COP和预测COP之间的残差。残差在正常范围内，说明设备健康；残差显著偏离（比如连续多个采样点低于预测值15%），就说明设备能效劣化，应该检查换热器结垢、制冷剂不足、润滑油老化等问题。

这个模型的优势是可解释性强，运维人员看到"COP低于预期18%"这种告警，能很清楚地去现场排查，不会像黑盒模型那样让人摸不着头脑。

另外我还常用孤立森林做无监督的异常检测，专门用来抓数据里那些"说不清但就是不对"的异常工况。孤立森林的原理很简单，异常点特征空间中比较容易被随机的切分快速孤立出来。它的好处是计算快，不需要大量标注样本，适合在边缘端做实时监控。我用它对空压机系统做过一次检测，抓出来的异常工况里，有一个是空压机皮带打滑导致的能效异常下降，现场检修确实发现了问题。

5.3 优化调度模型：从经验直觉到MILP

优化调度这一块，我强烈建议先搞清楚一个问题：你是在省钱，还是在改流程。因为调度优化触碰的是现场运行人员的"习惯"，阻力最小的方式是把优化建议生成给人看，然后再逐步过渡到自动闭环。

技术上最顺手的框架是MILP。以制冷站调度为例，决策变量是各台机组的启停状态和负载率分配，目标函数是总运行费用最小（电费+设备损耗折算），约束条件是总制冷量满足负荷需求、每台机组的负载率在安全范围（比如30%~100%）、机组启停次数不能太频繁、电价分时段的约束等等。用Gurobi解这个模型，48小时调度周期、5台机组的问题规模，求解时间在几秒到几十秒之间，完全可以做到滚动优化（每15分钟重新优化一次）。

至于强化学习，我目前只在两个客户现场做过试点，但都还没有真正切到自动控制模式。我认为强化学习真正适合的场景，是那些"规则很难穷举"的动态决策问题，比如多能互补系统里的源网荷储协同。但在能源行业，试错成本太高了——你把某个动作的奖励设错了，可能在现场就造成一起事故。所以我会审慎地跟客户说：先跑仿真，跑完了再小批量试运行，切自动控制要留出半年的观察期。

6. 手把手带你走一遍实施流程

前面讲了很多"为什么"，现在讲落地。一个AI能源管理项目，从立项到上线，我按经验给你们拆成六个步骤。每一步都有具体动作，也有我要特别提醒的注意事项。

6.1 第一步：能源审计，摸清家底

这一步通常在签约之后一到两周内完成。团队亲自到现场，把所有用能设备、计量点、电房配电柜、制冷机房、空压机房、锅炉房逐个摸底。产出是一张完整的"能源拓扑图"：每一块区域的能耗由哪些设备产生，哪些设备用了哪些计量点，哪些表计已经老化或数据不准。这张图是整个项目的数据地图，后边所有工作都基于它展开。

6.2 第二步：数据基线补全

对照前面说的数据清单，把缺的数据列个明细，然后分层解决：历史数据缺失的部分只能标注"不可用"，后续逐步积累；实时数据的缺口，通过加装表计或传感器来解决。这一步要和工程部反复对，确保数据链路的可靠性。

我建议每一步这里都要问三个问题：数据从哪个表计来？通过什么协议传到采集网关？采集网关到平台之间的网络链路有没有断点？其中任何一个环节出问题，都会造成"数据黑洞"。

6.3 第三步：数据中台与底层平台搭建

把数据接入、清洗、标准化、存储的流程跑通。时序数据库选型我倾向前期用TDengine或InfluxDB，它的存储压缩率高、按时间的聚合查询很快，非常适合能耗分析这种场景。如果客户IT能力弱一些，可以考虑直接用现成的物联网云平台，省掉自建基础设施的精力。

6.4 第四步：AI模型开发与离线验证

拿历史数据训练模型，做回测和验证。这里我的经验是：模型效果的评估要和客户的业务KPI挂钩，不要只讲MAPE降了多少，要讲"预计可以帮你在哪些方面省多少钱"。一方面客户更容易理解，另一方面也是给自己设定可衡量的交付指标。

6.5 第五步：系统集成与试点运行

把AI模型接到数据平台上，生成预测结果和调度建议，推送到应用端。试点阶段建议选择一两个业务方配合度高的车间或分系统（比如制冷站）来跑，不要一上来就全厂覆盖。试点就像新车型的测试场，问题暴露得越充分越好，代价也最低。

6.6 第六步：运营与持续优化

这一步最容易被甲方忽略，但它才是AI系统价值的真正来源。没有持续的运营调优，模型会随着系统工况变化越用越不准。理想状态是每个月由算法团队和现场能源管理人员做一次联合回顾：看模型表现、看节能效果、分析误报漏报、更新特征库和模型参数。

7. 最容易翻车的三个"自动化陷阱"

最后把这几年在项目里反复见到的坑集中谈一下。这三个坑，不是技术问题，是工程和管理问题，但处理不好，再好的AI模型也会被现场弃用。

7.1 陷阱一：AI建议与经验老师的冲突

有个项目我印象特别深。AI计算出某时段应该把这台老空压机关掉、把新机组负载加上去，从能效和电费角度判断确实是最优解。但现场的老师傅坚决不同意，说那台老机组虽然能效差，"但皮实，稳"，而新机组前两个月刚出过一次高温跳机。结果按老师傅的意见保留了老机组运行。

这种情况怎么处理？要我说，先别急着评价谁对谁错。老师傅的经验代表的是"历史工况的稳定性"，AI的优化代表的是"当前数据下的经济性"，两者都只是部分信息。正确的做法是把老师的顾虑变成模型的约束条件——比如给新机组的负载率变化加一个不超过±10%的限制，或者给老机组的减载速率设上限。让AI在安全的边界内做优化，而不是和人的经验硬碰硬。经过一段时间的稳定运行数据积累，再逐步放宽约束边界。

7.2 陷阱二：自动闭环上得太急

有些客户听完AI调度优化的介绍后非常兴奋，要求在第一个月就上线全自动控制模式。我通常都会拉着，这是我在这行里被教训出来的。一个刚训好的模型，连极端天气下的表现都还没经历过，就让它直接控制现场设备，本身就是一种风险。一旦出现误动作，轻则报警不断，重则影响产能，会让整个AI项目失去信任。

我的节奏是：第一阶段（1~3个月）只做"建议模式"，AI给出调度方案，值班人员确认后手动执行；第二阶段（4~6个月）做"有限自动模式"，比如AI只自动调整一个相对不敏感的参数（冷冻水出水温度设定点），但固定机组启停组合；第三阶段（7个月以后），经过足够的运行数据验证，再考虑更大范围的自动闭环。每一步都给操作人员留一个"一键切回手动"的开关，而且这个开关的响应必须即时、可靠。

7.3 陷阱三：只买模型，不配套管理机制

最后一个坑，也是最核心的。有些客户买了一堆AI工具，但没有配套的运营流程，最后变成了昂贵的"电子相册"。我见过最典型的例子：大屏上的3D可视化特别漂亮，预测曲线非常丝滑，但是值班人员遇到告警不知道找谁处理，也没有标准化的响应流程，三百多条未能闭环的工单沉睡在系统里。

做得好的项目，无论大小，都会配套一套最简单的工作机制：谁负责每天看AI预测结果？出现偏差找谁复核？告警工单的响应时效是多久？每月的模型效果回顾会谁来参加？这些机制看起来都是管理层面的小事，但它们决定了AI模型能不能持续更新、能不能持续产生价值。

我的个人体会是，AI能源管理项目的成功，三分靠模型、七分靠运营体系。模型只是把"看数据"这件事从人脑搬到了电脑，真正让它发挥价值的，是那些愿意看数据、相信数据、并且用数据指导行动的人。在一些项目里，我甚至不急着训模型，先陪客户把数据看习惯、把问题定义清楚，后面再加模型，效率反而高很多。能源管理这一行，慢就是快。