十年能源行业经验之下，昆仑数据的AI智能体应用实战

过去十年，能源行业经历了从火电深度调峰到海上风电大跨越，从抽水蓄能快速上马到核电多场景应用的巨变。数字化到底怎么落地？本次邀请的专家，将从自身在能源数字化领域十年的实践与思考，围绕企业核心业务，解决真实的生产运营问题，重点介绍了大模型技术在能源行业的落地案例，为能源企业智能化升级提供了可落地的参考路径。

分享嘉宾：昆仑数据副总裁钟虓

内容已做精简，如需获取专家完整版课件和视频，请在文末扫码领取。

01、能源数字化的三个场景

十年前，我们围绕能源数字化，结合大数据与人工智能，提出了三大应用场景：

一是设备的可靠性管理，即预测性维护；二是从单体设备到整体系统的运行效率提升；三是由点及面，构建综合能源的能源互联网架构。

如今回看这套思路，既感亲切，也发现很多内容并未过时。能源电力行业极其庞大，从设备部件到源网荷各侧，涉及众多企业与环节。数智化在其中也是一个宏大的命题。今天，我们仅从有限的认识与实践出发，管中窥豹，分享对数智化的一些理解和看法。

十年间，我们每年都与大量能源行业企业合作，切身体会到行业发展非常迅速。

举个例子，就以源、网、荷三个环节来说。

发电侧，火电虽然仍是主力，但这十年大家更多在讨论深度调峰、低负荷稳定运行，以及如何满足绿色低碳的环保需求。风电方面，去年北京风能展上，大家热议“两海一沙”，尤其是如何出海、如何发展海上风电。机组也日趋大型化，十年前刚开始与风电企业合作时，还是1.5兆瓦、2兆瓦的机组，现在陆上已到十多兆瓦，海上更是超过20兆瓦。

水电方面，抽水蓄能发展极快，包括我们对雅鲁藏布江等流域的开发。如何在不同流域、不同来水条件下实现灵活调节和综合管理，尤其是兼顾防洪、救灾、大坝安全监测等职能，都是重要课题。

核电则始终安全优先，从三代堆到四代堆，规模化扩容的同时，还拓展了供热等多场景应用。

石油天然气领域，除了传统开采，非常规资源的开采和安全生产保障也愈发重要。

网侧，高比例新能源并网一直是电网的重点。电网友好性如何提升？大量风电并网后，冬季防灾抗灾怎么做？油气管道作为多输入、多输出的庞大网络，如何实现全局优化控制、供需两端智能匹配？这些始终是关键场景。

负荷侧，这几年国家推动园区分布式能源、多能互补、综合能源管理，企业在低碳、零碳目标下也在积极调整。

客观来说，并非所有场景都能用数字化解决。但今天提到的很多场景，未来发展都离不开数据，离不开智能化的辅助和支撑。过去十年如此，未来十年、二十年也是如此。能源行业，始终会是数字化转型升级的先锋和桥头堡。

所以我们认为，能源企业数字化转型“正当时”。过去几十年，能源行业已经做了大量的自动化和信息化工作，数字化的基础越来越好。现在，企业确实有了向智能化迈进的现实需求。

但我们也接触到不少企业，面对一波又一波的新技术，也会感到困惑和迷茫。我在给企业分享的时候，一直强调，抛开概念和热词，万变不离其宗的有两点。

第一，归根结底，我们要解决的是企业在实际生产运营过程中遇到的真实问题。

第二，在数字化时代，解决问题的手段，一定是以核心的资产数据为基础，以行业知识为重要积累和分析对象，构建起企业生产运营的智慧体系。

回过头来看，不管是十年前讲数字化，还是今天讲数字化，抛开IT或信息化技术，背后的本质对企业来说始终是：以核心业务为载体。

无论是上游的能源装备企业、能源业主，还是最终的用能企业，都要抓住自己的核心业务，围绕核心产品研发、核心资产的管理运营、用能耗能的优化，来展开相关工作。

在这个过程中，关键是在深水区进一步提质、增效、降耗、创新。同时，无论是打造对内的数字化运营管理新模式，还是对外的数字化服务新模式，最终都会回到类似这样一张图上，去勾勒自己在数字化时代的业务模式和定位。

02、能源现场的“超级助手”如何炼成

我们跟很多工业企业交流，大家都很认可，未来数字化、人工智能一定是大方向。不像十多年前讲工业大数据，还得先解释什么是工业大数据、有什么特点。现在不需要了，企业都很认同。而且很多董事长、总经理、高层领导都非常支持。

现在真正的挑战在于，我也认同技术方向，也看清了行业挑战，但两者怎么结合？怎么找到一条适合自己落地的路？

所以我们和企业一起思考，跳出技术本身来看，为什么说能源电力是数字化的天然落地土壤？因为它的业务特质。

能源电力的特色是什么？过去这些年，我们本来就拥有非常复杂的生产系统或设备。比如火电，有燃烧系统、汽水系统、电气系统、环保岛；水电，有发电机层、水轮机层、涡壳层；核电，有一回路、二回路、三回路、四回路；油气管道，有各种压缩机、储油罐、分离器。

大量不同类型的生产设备，加上过去几十年自动化、信息化带来的海量数据，导致现在的挑战是：一方面要面对复杂的生产现场，另一方面需要分析决策的信息数据极多。海量的现场数据叠加海量的领域知识，已经超出了人脑的算力和存储能力。

结果就是，工业现场无论是运维检修、生产控制还是运行管理，更多还是靠人员的管理水平。而人的水平参差不齐，很多问题变成后知后觉、亡羊补牢。

所以我们核心在做的事情，不管是过去的数据分析，还是现在的大模型，本质都是，帮助现场的从业人员和业务专家，通过数字化技术把握生产现场的现状，围绕“人、机、料、法、环、测”的数据进行综合管理和分析，积累、沉淀、运用领域知识，把现场隐性的、非量化的定性知识转化为显性的量化知识，辅助生产决策。这就是我们在数字化过程中看到的一个很好的落脚点和切入点。

从我们的角度看，大模型技术更像是现场各个业务岗位或团队工作质量和效率的“倍增器”。

一方面，它能帮助解决管理水平的参差不齐和波动性问题，把很多老师傅的经验进行汇总和积累。另一方面，有了这个基础，像数据获取、分析校验、报表生成这类工作，就可以用大模型或智能体技术快速增效。

同时，一些过去做不到的事情，在新的时代也可能从不可能变为可能。

最开始，大模型出来的时候，它像是一个具有推理能力的“大脑”，而且推理能力越来越强。

后来大家觉得还不够，因为它不懂行业，所以前些年大家开始做知识库，比如RAG、现在的KAG技术，希望它能懂专业。

懂专业之后，又不能只是一个被动问答的机器，还得了解实际的生产运营状态。于是我们给它一双“眼睛”，让它对接现场的各种系统（如EAM、MES、DCS、SCADA），看到生产现场发生了什么、有什么数据。

最后，它不仅要能看到、分析、告诉我们信息，还要能真正完成一些落地工作。这就是今年“龙虾”火起来的原因，它实现了业务操作的闭环。

我们总结为：要有“大脑”，还要有“眼睛”，更要有“手和脚”。

其实我和很多工业企业交流时，大家觉得，这些特质恰恰是工业企业第一天接触大模型时就认为它应该做到的。所以对“智能体”这个概念，大家反而觉得比较容易理解。

未来，当大模型智能体以更多智能助手的形态加入后，工业企业会变成什么样？

从我们的视角看，工业生产运行管理已经延续了几十年，形成了一套成熟的岗位设置和管理制度。但未来，随着新兴技术的迭代，人员能力的划分可能不再以专业岗位为主，而是以承担的职责来区分。

人，可能更多扮演创新决策、深度思考以及方向性、战略性层面的角色。而执行层面的工作，包括基础知识的沉淀和总结，将更多地由AI助手来承担。

也就是说，未来在传统岗位划分的基础上，还会形成一个新的分工：人负责创新决策，AI助手负责执行与沉淀。

这种岗位边界的打破，将对未来的岗位设置、人员培养方向，乃至部门之间的协同方式，都带来很大的变化。

03、实战拆解“AI 运维工程师”

这些年，我们与能源产业链上的不少企业合作，从发电企业到管网，再到下游的用能企业，围绕大家非常关心的设备运行维护、安全管理、生产运行等高业务价值场景，做了很多探索。我们一直与企业一起，探索高价值的数字化场景，推动数据技术的落地变现。

我们的工作大多建立在现有信息化和数据基础之上，从DCS、SCADA、EAM、ERP等系统中获取数据，围绕工艺参数优化、安全风险防护、设备智能管理等方向展开。这些场景100%都是在生产现场落地，力求产生可量化的实际业务价值。

今天要讲的案例，是我们为电站做的一个AI运维工程师。

正如刚才所说，电站的生产现场极度复杂，信息量已经超载，超出了一个人能够处理的数据和计算容量。在这样的场景下，AI运维工程师就能发挥更大的作用。

电站生产过程中，设备种类繁多，有容器类、机械类、电气类设备。随着电力基础设施不断扩张，对人才的需求非常强烈。我们一直在帮企业做的是，运用大模型和智能体技术，为运维工程师打造一个“全能助手”。

这个助手具备行业知识，借助大模型拥有思考能力，能对现场各类数据进行及时管理和洞察，围绕生产运行、设备健康、能耗物耗、跑冒滴漏等业务场景展开分析，并给出决策建议。

当然，能源行业有特殊性，短期内要实现控制自动化闭环还有难度，主要受限于安全防护隔离要求。但即使不能直接通过DCS下发指令，我们至少可以做到，形成维修建议、生成工单、给出控制参数调整建议，在中控室弹出提示信息，让检修或控制人员及时处理。这已经是向前迈了一大步，让原来的专家从“人找问题”变成“问题找人”，进一步减轻他们的负担。

基于这些工作，我们可以把它分成几个大类。

第一，得有一个“大脑”。现在各种类型的模型不断涌现，参数越来越多，从开源到商用，版本和选择都很丰富。所以第一步是选择一个强大的大脑。

第二，构建专有的知识库。从原来的RAG技术到现在的KAG，核心是帮助企业把本地、专有、私有、敏感、机密的信息挂载到大模型上，发挥大模型的能力。这在能源企业特别典型。我们接触的很多能源企业都在做这件事，因为无论是企业内部、部门内部，甚至个人手上，都有大量专有知识。如何融合这些知识，是第一步要做的事。

融合之后，我们就有了一个武装了行业知识的大脑，可以进行最基础的语言沟通，比如问答。这一点大家见得也比较多。

有了知识库之后，当然不能只停留在一个基于历史知识的问答系统。我更想知道的是当前生产系统、生产环境发生了什么。所以，我们需要把各种生产系统和大模型打通。

有人把这叫作“智能问数”或新一代BI，但在我看来，这些技术让用户通过大模型灵活、友好地访问和查询实时数据，固然重要，但更关键的是，让大模型真正“看到”这些数据。这些数据不是喂给人看的，而是喂给大模型的。最终，我们要让大模型和智能体对实时数据进行解读和分析。

所以我认为，所谓的“智能问数”只是一个过渡场景。真正重要的，是把生产系统、实时运营数据与模型打通，让大模型能够看到当前发生了什么。

再往前一步，就是推理和决策。但在工业场景下，这更复杂。因为大模型本质上是一个多参数的概率模型。而工业现场环境多样、业务场景不同，对分析准确性的要求也各异。

所以过去我们常讲，工业现场要用起来的模型，大概率是大模型与小模型、数据模型与机理模型的融合。

通过多模型融合，取长补短，利用大模型的泛化能力，结合小模型的准确性和定量能力，综合起来，帮助企业更好地做故障预警、诊断分析，并对背后的隐性知识进行更有效的管理。

当然，所有这些表象的背后，是我们需要完成的一系列工作。哪怕只是一个设备的健康维护，背后也由若干组智能体协同完成。

比如，要判断设备是否正常，首先需要一个在线状态评估智能体，实时盯着设备运行状况，结合知识库判断异常类型。有了初步判断后，还需要定位根因、给出解决方案，这就要用到异常解决方案智能体。维修过程中，还需要维修过程支持，包括风险点提示等。维修完成后，还要把运维经验沉淀下来，迭代回知识库，成为未来的设备运维知识。

这还只是一个简化模型。要真正做到好用、能用，还需要反思智能体等机制，去反思、迭代、验证。所以，这是一个多智能体协同、实现业务场景闭环的体系。