电力智能调度全解析：感知、预测、决策与工程落地

1. 电网越建越大，“调”却越来越难

一直跟人讲，电网里最不像“工业系统”的东西就是电。水可以存、煤可以存、天然气可以存，唯独电是即发即用，发出来用不掉就得立刻平衡，用掉了又得立刻补上。负责这种毫秒级、分钟级实时平衡的业务，就是电力调度。从第一座电厂并网到现在，这个基本矛盾没有变过，变的只是处理矛盾的方式。

这阵子圈子里都在聊“智慧电网”，而在我看来，“智慧电网”真正的先行者不在展厅那块大屏上，而在调度大厅那排值班工位里。各地主网、配网正在陆续投运一批电力智能调度系统，名字五花八门——能源管控平台、智慧调度辅助决策、新一代调度自动化主站——但本质都一样：把原先靠老师傅经验完成的事，逐步交给模型去预判、去排计划、去自动调频调压。这篇文章想把这些系统背后的事说透，适合刚接触调度业务的开发、运维、产品经理，也想让电网外面的人知道，智能调度不是挂墙上的概念，它是一台每天要回答“下一分钟电够不够、往哪送、怎么调”的超级大脑。

1.1 没有智能调度之前，调度员靠什么干活？

先回到十几年前甚至更早的主网调度现场。

那时候的调度业务，核心就三件事：做计划、看曲线、打电话。排次日的开机方式，运行方式人员提前算好负荷预测，再对照水火电机组的检修计划，人工排出一张开停机和发电曲线表。调度员拿到这张表，白天按表执行，遇到负荷偏差就打电话给电厂：“老张，你们厂今天出力提到九成，对，按这个加。”

这套玩法放在当时足够用。火电和水电为主，机组启停慢但出力稳定，负荷曲线虽然每天有峰谷，但长期看非常有规律——早上一个早高峰、晚上一个晚高峰，中午一个午谷、凌晨一个深谷。老师傅甚至能根据星期几、节假日、天气预报，把第二天的曲线估计个八九不离十。电网规模小，联络线少，典型方式就那么几套，调度员的经验就是最值钱的模型。

但有一个问题始终躲不开：误差是累积的。预测偏差一旦超过某个量，就需要人工干预，而人工干预依赖电话层层传达，一南一北两个省调之间要协调一场跨区支援，光流程就要走不少时间。系统越复杂，这种“人肉智能”的响应速度就越跟不上。

1.2 新能源进场后，哪些短板最先露馅

风电、光伏大规模并网之后，传统调度逻辑开始断裂。

风电最大的问题是反调峰。白天负荷高的时候风可能不大，后半夜负荷低谷时风反而呼呼吹，电网不得不压火电出力，甚至让一些机组停机备用。光伏更直接——它只跟着太阳走，晚上出力归零，晚高峰正好是光伏退场后的空窗期，系统必须在两三个小时内把出力从零拉起来，调峰压力全部压到常规机组身上。

更麻烦的是，新能源出力不是一个平稳曲线，而是一个“随机过程”。云层飘过光伏电站上空，出力可以在十几分钟内从满发跌到三五成；风电场的阵风过程、尾流效应、切出风速，也会带来短时间大幅波动。过去的负荷预测误差是缓慢漂移的，值班员来得及反应；现在对侧是每分钟都在跳动的波动源，再靠人眼看曲线、电话调机组，基本上是在跟时间赛跑。

还有一层压力来自数据规模。过去的省级电网，调度对象是几十座主力电厂、几百座变电站，一张接线图能看清全局。现在不同了，风电场、光伏电站、储能电站、充电站、用户侧分布式资源遍地开花，一个地区调度的可观测对象动辄上千个。每个对象又有几十上百个遥测点、遥信点，数据量已经远远超出人工盯盘的能力边界。人不是不想看，是根本看不过来。

1.3 智能调度不是炫技，而是被推着往前走

所以我把智能调度称为“先行者”，不是说它技术最花哨，而是它必须最先回答一个真问题：当系统的不确定性来源从“负荷侧”扩展到“电源侧+用户侧”，靠经验、靠规程、靠人力，还能不能守住安全底线？

答案已经很清楚：守不住。

我在现场见过多次类似场景——某地光伏装机占比上了三成，午后一片云飘过来，十几分钟内光伏出力下降明显，值班员的告警屏瞬间刷满，手动操作根本来不及精细调节，只能按照预案采取比较稳妥的备用手段。系统的安全裕度被迫拉大，经济性自然下降。一边是安全，一边是经济，中间留给人的决策时间窗口越来越窄，这种矛盾恰好是算法擅长处理的领域。

于是才有了所谓“电力智能调度”的完整概念：它不是某一个软件模块，而是从感知、预测、决策到执行的一整套技术改造，把原先分散在调度员脑子里、规程本子上、电话里的经验，变成可计算、可验证、可自动执行的系统能力。

你会发现，智能调度的核心价值不在于“无人化”，而在于把人的精力从重复判断中解放出来，让人集中处理真正需要经验、需要权衡、需要兜底的极端场景。

2. 从头捋一遍：感知、预测、决策、执行到底怎么串起来

很多非电力专业的人一听说“智能调度”，脑子里浮现的是“AI自动控制电网”，这是很大的误解。真实的智能调度系统不是一台机器取代所有人，而是一条数据链条。链条上任一环节断了，整个系统的智能化水平都会垮掉。

这条链条可以拆成四层：感知层负责回答“现在电网什么状态”，预测层负责回答“接下来会发生什么”，决策层负责回答“应该怎么调”，执行层负责把决策变成“实实在在的指令”。下面逐个拆开讲。

2.1 感知：RTU、PMU到底在感知什么

感知层的对象是所有厂站和线路。传统变电站里，RTU（远方终端单元）把电压、电流、有功、无功、开关位置这些模拟量和状态量变成数字信号，通过远动通道送上主站。配网侧还有FTU、TTU、DTU，分别负责馈线、配变和开闭所的数据采集。这一整套系统就是常说的SCADA（数据采集与监控）。

但SCADA有个天然短板：它本质上是“断面采集”，每隔几秒或几分钟刷新一次，数据带有一定时延，而且不同厂站之间没有精确的时钟同步。对于稳态监视够用，但对于故障瞬间的动态过程，比如低频振荡、电压崩溃前兆，SCADA是看不清楚的。

后来电网引入了PMU（同步相量测量装置），也叫WAMS（广域测量系统）。PMU的采样速率可以达到每秒几十帧，并且通过北斗/GPS授时，让全网数据带上了统一时间戳。有了它，调度系统才第一次能看清“同一时刻不同地点的电气量相位关系”，也才能捕捉到毫秒级的动态过程。

感知层容易被低估，但其实它决定了整个智能调度系统能有多“聪明”。数据源脏、采样率低、通道不稳定，后面的预测和决策算法再好也白搭。我经常打一个比方：感知层是眼睛，决策层是大脑。眼睛近视，大脑再发达也只能猜。

2.2 预测：风、光、负荷的“脾气”要提前摸清

预测在调度业务里分成几个时间尺度，各管一段，缺一不可。

中长期预测管月度、年度的电力电量平衡，主要用来安排检修计划和燃料采购；短期预测通常指未来24小时到几天的负荷预测，是编排次日机组组合的基础；超短期预测覆盖未来几十分钟到几小时，用来做滚动调度和安全校核。新能源功率预测也是如此，风电场、光伏电站需要上报次日预测曲线，场内还要做超短期预测以便应对天气骤变。

负荷预测的原理并不神秘。把历史负荷数据、气象数据、日历特征（节假日、工作日、温度、湿度、体感温度）喂给模型，让它学出“什么条件下负荷大概是多少”的映射关系。算法从早期的回归分析、时间序列ARIMA，进化到随机森林、梯度提升、LSTM甚至Transformer，精度确实在提高，但要明白一点：预测永远存在残差，模型永远不能取消备用容量，只能帮助你更精准地安排备用，把不该多开的机组停掉。

新能源功率预测比负荷预测更困难。它依赖数值天气预报，而数值天气预报在复杂地形、强对流天气下的误差非常大。一个光伏电站旁边三公里和五公里各有一座测光站，结果可能完全不同。所以常看到“预测明日晴天，实际午后一片云飘过来”的尴尬。智能调度系统能做的，是不断利用实时数据修正预测结果——上一小时的实际出力是最好的下一小时预测输入之一，这就是超短期预测的价值。

2.3 状态估计：从一堆不完整数据里拼出完整画面

电网的观测数据从来不是完美的。某个变电站的遥测可能因为通道中断漏报，某个功率测点可能出现符号反了、倍率错了的坏数据，某些线路可能根本没有量测装置。如果调度系统直接拿原始数据去计算，结果会非常离谱。

状态估计（State Estimation）就是用来解决这个问题的。它的思路是：利用电网拓扑结构和基尔霍夫定律，把所有量测数据放进一个模型里做加权最小二乘估计，让输出结果既符合量测值，又满足物理规律。通俗讲，就是系统知道某个区域的拓扑关系，某几个点量到了，另外几个点没量到，它可以根据潮流规律把没量到的点估算出来；某个点量到的值和周围明显矛盾，它会判定为坏数据并剔除。

状态估计是整个高级应用软件（PAS）的地基。安全分析、经济调度、最优潮流，包括调度员看到的那张“全网实时运行断面”，全都建立在状态估计结果之上。后来行业用CIM/E（公共信息模型）做电网模型交换，让不同系统之间统一“说同一种语言”，数据流的可靠性才又上了一个台阶。

2.4 决策与执行：从“算最优”到“调下去”要过几道闸

决策层是整个智能调度系统的核心价值所在。典型的高级应用包括：

• 负荷预测和新能源预测
• 机组组合（Unit Commitment）：决定未来24~48小时哪些机组开机、哪些停机、各自带多少出力；
• 安全约束经济调度（SCED）：在满足网络安全约束的前提下，把发电成本降到最低；
• 安全校核（N-1扫描）：计算任何一个元件退出运行后，电网是否仍然稳定；
• 自动发电控制（AGC）：每几秒钟根据频率偏差和联络线功率偏差，计算并下发到厂站的有功调节信号；
• 自动电压控制（AVC）：通过调节无功补偿设备和变压器分接头，把全网电压控制在理想范围。

以机组组合为例，它本质上是一个大规模混合整数优化问题。目标函数是系统总费用最小，包括煤耗成本、启停费用、备用费用；约束条件包括功率平衡、机组出力上下限、爬坡速率、最小开停机时间、线路潮流限额和备用裕度。理论上机组越多、约束越复杂，求解就越慢，所以工程上常用拉格朗日松弛、混合整数规划求解器（比如Gurobi、CPLEX）加启发式算法一起处理。

AGC则更偏实时。它接收调度主站下发的区域控制误差（ACE），结合参与调节机组的调节速率、调节范围、实时出力，按比例或按等微增率原则分配调节量，通过远动通道下发到电厂侧的执行机构。整个过程是秒级到分钟级的自动闭环，人只负责监视和必要时切换控制模式。

所以智能调度的“智能”并不是单一算法能搞定的，它更像一个由多种数学优化算法、预测算法和控制策略组织起来的整体。每一层算法解决一个问题，层层嵌套，最终汇成一套可以实际运转的业务系统。

3. 一条智能调度业务链的典型落地路径

讲了这么多原理，回到最实际的问题：真实的智能调度项目是怎么从零上线的？我参与过省级调度智能化改造项目，这里分享一条比较有代表性的落地路径。这套路径未必适合所有单位，但大方向值得参考。

3.1 七个落地步骤，一步都跳不得

第一步，业务需求梳理。先别急着上算法，把调度核心业务捋一遍：当前最痛的点是调峰困难，还是联络线偏差控制不好，还是新能源预测偏差太大？只有痛点明确，才能决定智能系统优先建设什么。

第二步，数据源盘点。把调度自动化主站、气象系统、电厂远动信息、新能源场站功率预测系统的数据接口摸清楚。哪些数据是实时刷新的、刷新周期多少、哪些数据是批量导入的、通道可靠性如何，都要形成清单。

第三步，模型和数据治理。这一步最耗时，也最枯燥。检查遥测数据是否有坏数据、量测符号是否正确、模型参数是否和现场一致。很多项目的推进速度，往往卡在这一步。

第四步，算法离线回测。用历史数据把预测、优化、AGC策略跑一遍，对比模型输出和实际运行数据的差异，调参数、改特征工程。这一步相当于“在考场做模拟卷”，不接触真实系统。

第五步，进入影子模式。系统开始接受实时数据并输出建议，但是输出结果不直接执行，只在一旁“评分”。影子模式是智能调度系统上线前最难能可贵的一步，它让调度员在零风险前提下熟悉系统，也让算法在一个月两个月的真实工况下暴露问题。

第六步，小范围试点。选择一两个典型区域、一部分机组或者某类业务场景，比如只在某条联络线的功率控制上投入闭环运行，观察响应效果。

第七步，评审、投运和持续迭代。试运行期间积累的问题、误告警、调节偏差，整理成迭代清单。真正上线只是开始，后续模型需要持续更新训练，系统需要随着电网结构变化同步调整。

3.2 数据质量：你敢把系统切自动，它就先敢给你颜色看

我见过一个项目，算法模型选型没问题，算力也足够，结果上线第一周就频繁误告警。排查下来发现是一批分布式光伏场站的数据质量太差——有的场站通讯管理机一小时断一次，补传的数据时间戳混乱；有的场站功率变送器没有定期校验，测量值偏了百分之十几。数据链路上还隔着纵向加密装置，偶尔出现数据包重传导致延迟叠加，状态估计结果一塌糊涂。

那段时间项目组每天都像在“救火”。后来痛定思痛，在数据接入层加了三道闸：第一道是合法性校验，超出量程范围、跳变速率异常的数据直接标记；第二道是相关性校验，将同一厂站同一时刻的电压、电流、功率交叉校验，明显违背物理关系的数据剔除；第三道是数据补全，实时采集通道短暂中断时，利用历史趋势和相邻数据插值补全，待真实数据恢复后自动修正。

数据质量是智能调度的隐性地基。如果只重视算法研发、轻视数据治理，系统就像一个拿着高精度地图却看不清实时路况的司机，迟早走错路。更直接地说，数据脏的时候，控制指令越“智能”，电网偏航越离谱。

3.3 哪些环节要坚决交出方向盘，哪些必须留在人手里

经历了从离线到闭环的全过程后，我对人机分工有很清晰的感受。

可以放心交给自动化的，是那些时间尺度短、规则明确、可重复验证的环节。AGC和AVC就是典型——调节逻辑有明确的控制目标，有明确的约束条件，算法能在一秒到几秒内完成计算并下发，人的反应速度其实远远不够。这一类的自动化已经不是可选项，而是必选项，电网把它叫作“自动控制”而不是“智能”，因为它的本质是闭环反馈。

需要“人机配合”的，是涉及机组组合、检修方式、日前计划这类需要统筹全局的决策。算法给出一版优化方案，调度员审核约束条件是否合理、边界条件是否变化，再决定是否采纳。比如系统建议某台大机组停机，但调度员知道这台机组后天要作为启动电源，这就是算法不知道的“软约束”。

绝对不能全自动的，是涉及电气设备实际操作、故障隔离、恢复供电的环节。虽然图纸上算出来开关可以合，但现场是否有检修人员、保护压板是否投退正确、防误闭锁条件是否满足，这些状态不是全部进了系统。领域内把它总结成八个字：“智能建议、人工确认、防误把关”。方向盘可以给机器一小半，但刹车和离合永远留在人手边。

4. 算法在电网面前也会翻车：一次爬坡事件和几个真实底线

智能调度系统不是万能钥匙。我常年提醒团队：不要神化算法，也不要妖魔化算法。真正决定系统价值的，是它能不能在极端情况下给出比人更早的预警、更稳的响应。更多时候，它会在气旋过境、光伏骤减、设备跳闸这类场景面前暴露短板。

4.1 一次光伏骤减事件的完整复盘

有个区域光伏装机占比很高。某天下午，天气原本晴朗，光伏出力稳定爬升，预测系统给出的曲线也相当乐观。结果一片快速移动的云层从西侧压过来，雷达图上显示得清清楚楚，但当时的光伏功率预测模型主要依赖数值天气预报和辐照度历史数据，还没有接入实时的云图识别通道，模型并没有在第一时间大幅下调预测出力。

16时05分前后，光伏出力开始掉头向下，两三个集中式电站出力同时下滑。超短期预测模型判定出现了功率突变，开始滚动修正，但修正后的曲线仍然滞后于实际下跌速度。到16时25分，区域光伏出力从接近满发跌到了额定容量的四成左右，短时缺额骤然放大。

调度员是通过实时曲线和智能预警的双重提示才确认情况。系统的AGC已经自动把在线的火电、气电出力往上推了一段时间，但由于爬坡速率有限，缺口还在扩大，最后调度员启动了备用机组，并利用联络线从相邻区域请求支援，前后大约半小时系统才重新回到可控状态。

复盘这次事件，有几个结论很值得说。

第一，智能调度系统的预测能力必须“多源融合”，不能只靠数值天气预报。光伏预测应当接入卫星云图、地基云图、周边辐照度计实测数据，当云层逼近时，哪怕提前15分钟给出可靠预警，调度的应对空间都会大很多。

第二，预测模型要有“笨办法保底”。当实测变化速率超过模型最大预期值时，与其等模型算出一个平滑的修正曲线，不如立刻触发规则型告警——出力下降速率超过某阈值，自动建议调度员启动旋转备用。算法负责聪明，规则负责防呆。

第三，预警链路比算法本身更容易被忽视。模型输出只是第一步，告警是否精准送达、值班员是否来得及看到、预案是否自动匹配弹出，这些决定了系统在实战中的最终成效。

4.2 为什么调度宁可保守，也不让AI“一键合闸”

很多外部人问，调度智能化都走到这一步了，为什么不能让AI自动操作开关？这个问题在电网内部讨论过很多次，答案也一直没变：电器设备操作的安全责任和现场条件，不是算法一个断面算得清楚的。

一次高压开关的合闸，要满足的条件非常多：不仅要潮流计算显示这个断面没有过载，还要确认保护装置状态正常、重合闸逻辑允许、断路器液压和气体压力满足要求、接地刀闸已经拉开、现场没有检修人员作业，甚至需要满足“五防”闭锁逻辑。这些条件里，大部分状态确实已经接入系统，但总有一部分信息要靠现场人员就地确认。

更重要的是“责任”和“信任”的边界。一套算法给出错误建议，不是改一行代码就能弥补的。电网调度追求的是“最坏情况下的安全”，而不是“大概率情况下的最优”。因此现阶段最稳妥的做法，是让系统完成智能成票、操作顺序自动校验、风险自动提示，但最终的确认按钮始终由调度员按下。

4.3 电网要的不是最聪明，而是“说得出理由”的助手

智能调度还有一个被忽视的刚需：可解释性。

我去跟调度员聊系统的使用感受，他们最常说的是：“你得告诉我为什么给我这个建议，不然我不敢动。”一台机组是不是该加出力、一条线路是不是该限电，调度员必须能在记录本上写清楚依据。如果系统只给一个结论却说不出约束条件，调度员根本没法在事后向各方解释。

所以现在智能调度系统的主流路线是“透明盒子”而不是“黑盒子”。即便底层用了深度学习模型，前端展示也要给出关键影响因素：温度偏高导致负荷上升、某区域风电预测下降、某台机组调节速率不足……每一项理由列出来，调度员才能建立信任感。反之，如果只是一个结果不知所以的推荐，系统投运再久也很难真正进入日常业务，最后变成一块展示大屏。

提示：给电网做AI应用，永远把“解释成本”算进项目预算。能说清楚为什么比算得准更重要，这个原则在调度领域站得住。

5. 下一站：现货市场、虚拟电厂和多级协同

最后说说未来三五年智能调度还会往哪走。这一轮新型电力系统建设的变量不只是新能源装机，还有市场机制、用户侧资源和大规模储能。每一项都意味着原先的调度模式要被继续改写。

5.1 现货市场运行后，调度系统和市场怎么配合

电力现货市场推开之后，机组的开机组合和出力计划不再完全由调度单方面决定，而是由市场出清结果形成。交易机构根据报价出清形成发电计划，调度机构再对出清结果进行安全校核，如果不满足安全约束，还需要进行重新调整。

这给智能调度系统带来新的挑战：过去只需要做物理约束下的经济调度，现在要衔接市场出清逻辑。系统需要接收市场出清结果、识别阻塞断面、计算调整量，并快速找到满足安全约束又不严重偏离市场结果的机组组合。两个系统之间如果数据口径不一致、模型版本不同步，就会出现“市场算出来一套，调度不能执行又得改一套”的左右手互搏。

现货市场环境下，智能调度系统的价值变得更加显性。市场下发的是出清曲线，调度执行的是实时平衡，中间每个时段偏离都需要快速响应。偏差越大，调节成本越高，而好的预测和决策算法能显著降低偏差，这就是经济效益。

5.2 虚拟电厂和储能聚合：让每一块电池都有调度身份

大量分布式光伏、用户侧储能、充电桩出现后，调度对象不可能再沿用“点对点”的方式逐一管理，于是虚拟电厂（VPP）和负荷聚合商出现了。它们把分散的负荷、储能、分布式电源聚合成一个“虚拟机组”，对外统一响应调度指令，对内再分配控制策略。

智能调度系统需要为这种资源建立动态档案和等效聚合模型。比如一个5000户的空调负荷聚合商，它可以让部分空调在用电紧张时短时降低功率，效果相当于一个可中断负荷；一个充换电站聚合商，可以在午间光伏大发时段增加充电功率，在晚高峰规律性地降低充电功率。系统要能像调度一台机组一样，给聚合商下发“折线功率计划”和“调节指令”，同时跟踪它的实际响应效果，建立信用评价。储能大规模接入之后，它的“充电当负荷、放电当电源”双重身份要求调度模型支持更精细的时段状态描述，不能再简单套用传统机组的建模方法。

5.3 数字孪生和培训仿真：把错误先犯在虚拟电网里

调度员的培训不能等到真实故障发生了再去积累经验。多年前行业就有DTS（调度员培训仿真系统），在虚拟电网里模拟各种故障和操作，让调度员训练处置流程。新一代智能调度系统正在把这种“离线仿真”升级成“在线数字孪生”：实时同步电网运行数据，提前推演多个未来场景，帮助调度员判断“如果风电场大面积脱网”“如果一条关键输电通道跳闸”系统会怎样演化。

数字孪生最有价值的用法是“找底线”。平时正常运行的系统看着一切安好，但可能某个运行方式离稳定极限已经很近，只是没有人注意到。数字孪生可以持续扫描当前状态下所有关键N-1故障的后果，把隐患清单交给调度员。想象一下，一套系统在深夜自动帮值班员把几千个可能的故障场景推演一遍，第二天上班就能看到一份量化的风险报告，这种能力在过去是完全不可想象的。

5.4 调度员的角色正在变成“算法教练”

调度大厅里的工位，正在从复杂的操作台变成监控和决策站。原先调度员每天要花大量时间核对曲线、接电话、回电话，这些工作逐渐被系统接管以后，调度员的角色也在变：他要懂系统为什么给出这个建议，要能判断算法在什么工况下不可靠，要能发现预测模型是不是开始漂移，还要能向系统“喂”新的业务规则。

这就对调度队伍的技能结构提出了新要求——除了电力系统专业知识，还需要理解数据分析、算法基本原理、模型评估指标。我接触过不少优秀的地调值长，他们能敏锐地从告警列表里看出哪条是算法误报，哪条是真实隐患，这种“人和算法配合”的能力，没法靠一次培训获得，得靠长时间在影子模式和半自动模式下打磨。

把这个行业做了些年，我也慢慢理解调度大厅为什么总有一种克制的氛围：电网系统最怕的不是不智能，而是不可信。相比大谈架构和概念，我更在意一套系统上线时有没有留出试错期，误告警和误判有没有被当成训练数据继续迭代，值班员有没有时间和勇气去试着信任一个新助手。这种工程节奏，才是“智慧电网先行者”最实在的质地。窗口期里的每一次谨慎试跑，都比PPT上的蓝图值钱。