当下，以DeepSeek为代表的AI大模型正快速渗透到虚拟电厂领域，凭借强大的推理能力，DeepSeek一时间似乎成了虚拟电厂的新型“脑机接口”。

据IESPlaza综合能源服务网了解，近期，兆瓦云、达卯智能等多家虚拟电厂服务商正在深化DeepSeek的本地化部署，并开展相关的调试和应用。

在开源的DeepSeek通用大模型基础上，将对虚拟电厂这类垂类模型的应用带来哪些核心竞争力？又将面临哪些挑战？

1

虚拟电厂：AI大模型的天然实验田

虚拟电厂是一个以数据为支撑的复杂的数字化系统。兆瓦云创始人兼CEO刘沅昆认为，AI大模型首先是以数据为驱动的，数据是大模型产业发展的养料，没有足够多的数据是训练不出智能体的，也训练不出人工智能大模型。

“虚拟电厂接入了源、网、荷、储、外部环境等很多不同类型的海量异构数据，为AI大模型的应用提供了很好的基础支持。”刘沅昆解释道，“最开始虚拟电厂的搭建便已经充分应用了人工智能，比如预测、优化决策、控制调度等，而且，相比传统能源电力行业，虚拟电厂是一个相对开放和开源的产业，从而给了AI大模型充分的应用场景。”因此，使用DeepSeek等大模型来对虚拟电厂开展训练、微调、优化，具有非常典型的实用价值。

达卯智能致力于开发生成式AI虚拟电厂。达卯智能CTO刘净表示，虚拟电厂接入AI大模型肯定是一个趋势，尤其是开源的DeepSeek等大模型发布之后，为相关企业提供了一个非常强大的基模型工具。他举例称，能源类企业能以基模型为基础研发垂类领域的大模型，达卯智能打造的智能产品能源小达在通过DeepSeek的加持后，相比原有模型，在自动生成报告方面的效率和准确度大大提升，用户的使用体验更佳。

刘沅昆同样表示，虚拟电厂在接入AI大模型后，系统考虑的因素更多。虚拟电厂目前应用的AI，使用的更多是以结构化的时序数据为代表，通用大模型，特别是后面行业大模型，将有能力接收多模态的复杂信息，不是简单判别式的人工智能，而应具备推理能力和类似人类的逻辑思维能力，就像是把二维的平面变成三维、四维的立体空间一样，其呈现的效果会更加壮阔。

“但是，单靠某个通用大模型难以实现虚拟电厂的功能。”刘净表示。虚拟电厂的功能非常丰富，包含功率预测、资源调度、参与电力市场化交易等，其所有的策略都是根据实时电价、源网荷储的变化，基于大模型生成的动态策略，这很难依靠单纯精通语义的大模型来完成。

“目前DeepSeek在能源电力行业的应用价值还只是停留在语义和逻辑判断的程度上，能源电力行业专业度很深，相关各类型数据也较为独立和封闭，通用大模型还没有实现价值的充分发挥。特别现在通用大模型有很多，比如有些擅长视觉处理，有些适合文本处理，有些擅长推理。”刘沅昆称，“基于要实现虚拟电厂的功能，要选用合适的通用大模型作为底座，进行垂类模型的研发。所有开源的大模型工具都可以作为虚拟电厂场景模型的基础，围绕应用目标，有选择地将多种大模型优势和能够实现的功能，结合已积累的算法模型和一些研究方法进行本地化部署，对已有模型进行提示工程、RAG、微调等技术优化，以提高虚拟电厂的整体能力。”

2

虚拟电厂向AI3.0进阶

作为一套智慧能源管理系统，从预测、优化，到调度、交易，接入AI大模型后，虚拟电厂相当于拥有了一个更聪明的大脑。刘净表示，在能源数字化初级阶段，虚拟电厂通常会有一些时序预测，或者相关的运筹优化，在这一阶段往往以大语言模型为主，可以称之为AI1.0，在此背景下，虚拟电厂1.0诞生，随着大模型的不断进化和多种类大模型的出现，虚拟电厂垂类模型也在向更高阶段进化。

“从建设之初，算法已经应用在虚拟电厂的各个环节了。”刘沅昆补充道。人工智能和大模型也是有区分的，传统的人工智能是机器学习相关算法，以数据为驱动，但基本是以时序数据为代表的结构化数据，是基于采集到的数据。虽然这些数据非常准确，也非常标准，但数据来源维度非常单一，主要涉及到基础的信息化建设，为1.0阶段，即基础版本，这一阶段较少涉及或者不涉及人工智能。但是融入了人工智能后，就要集成算法模型，需要汇集对电力行业有深度理解的，且具备算法开发能力的人才来做这件事，就进入了2.0阶段。现在，随着大模型的崛起，虚拟电厂逐渐向AI3.0进阶，其数据来源更加的多维，具备更强大的推理和分析能力，在应用端去做融合和微调后，最终一定能够研发出具有核心竞争力的产品和应用。总之，1.0阶段完成了基础功能的实现，集成人工智能的2.0阶段功能更加强大，在和大模型结合后，就会出现一种新的不同的状态。

刘净认为，大模型具有泛化能力，能够极大助力虚拟电厂效率的提升。比如，虚拟电厂在做调度策略时，如果涉及到负荷的预测，在没有大模型之前，需要积累大量的负荷利用数据，时间可能持续2-3年，才会有较高的精准度，在利用大模型的泛化能力后，数据的积累时间会大大减少，依靠大模型的学习和推理优化能力，其精准度和效率会有显著的提升。实际运行的结果显示，借助AI大模型，在策略生成方面比传统方式基本上有20~30%收益的提升。所以，AI大模型的接入，能够极大赋能虚拟电厂在资产运营和收益提升方面的核心竞争力。

但是，虚拟电厂与AI大模型的不断融合并不容易。刘净表示，虚拟电厂本质上是在能源大模型上构建的的一个生成式AI应用，所以如何去构建领域垂类模型是一个考验，这里既包含了技术壁垒，又包含了资源壁垒，比如能源领域的语料和数据。不仅是大小模型的融合，还是和业务、场景的融合。

刘沅昆称，这种结合需要很大的投入，比如算力成本、产品设计研发的持续投入、高质量数据集的建立等，这是一个系统工程。他表示，要建立高质量的专业数据集就已经是个大难题了，现在的数据多为时序数据，是单一的，如果要集成多种品类的数据，需要考虑数据怎么统一、怎么进行多模态融合，是技术领域要去突破的；在应用方面，比如预测、可调能力评估、制定报价策略等，要完成这一系列操作可能需要较长的时间。而且短期内并不能带来很多的实际收益，这已经是摆在很多中小型科创企业面前的现实问题。

3

数据与可解释性仍是挑战

虚拟电厂企业陆续接入DeepSeek，进行本地化部署，是一种跟风赶时髦现象，还是真正看到了其中的价值而抢占先机？

“可以确定的是，AI大模型的再一次爆发为虚拟电厂带来了一次产业升级的机会。”刘沅昆表示，“能源领域已经在优先享受人工智能带来的发展成果，但当前来看，大模型在细分领域的应用一直处在不断融合和研发的过程中。”

刘净表示，DeepSeek等大模型之所以能够引起能源领域垂类模型的广泛关注，一方面是因为它的能力达到了，且更具经济性，另一方AI能够契合虚拟电厂所处的场景和所要实现的功能。

在谈及AI在虚拟电厂中的应用所面临的挑战时，数据和可解释性问题被重点提及。

刘净认为，可解释性是当下AI虚拟电厂的一个难点。比如在资源调度方面，通过大模型体系给它生成一个调度策略，但如何让用户去相信这个策略，还需要决策者去做最后的把关。

“能源电力行业能够应用大模型的方式和角度有很多，但都存在一个问题，就是训练模型是需要数据的，但是这个行业的数据是比较封闭的，不管是对虚拟电厂本身，还是对身处该行业的中小科创企业都有一定的限制性。”刘沅昆称。

数据的开放会涉及到企业自身的安全和能源独立等问题，在这一问题上，刘沅昆建议，是否可以在不违反政策的情况下，以数据脱敏的方式，或者以联邦学习的方式，建立一种更为开放的鼓励人工智能发展的生态，把更多的数据释放给一些中小科创企业，在电力工业或者电力能源产业中，让大家真正发挥创造力，将这些数据训练处有利于产业发展的模型和应用。

刘净补充道，目前数据壁垒不仅限于数据使用权限，也需要重视能源数字化程度低带来的可用数据比较少的问题。“这主要取决于用户对虚拟电厂的态度。”“但是，随着AI的深度应用，可以结合历史数据和应用场景，通过模拟仿真生成对应的策略，通过长时间的积累、验证和优化，从而达到预期的目标和效果。”

对于可解释性问题，刘沅昆认为也许不必要完全纠结于此。因为大模型可以看到更高维度更有价值的信息，不要向人类解释，只要产生效果和价值就好。但是在训练的过程中，我们还是要将人类的推理能力以强化学习等方式植入其中，以人类的可解释性加速智能体的训练和迭代。

但刘沅昆也坦言，基于现有开源大模型去跟真实的电力领域垂直应用做融合，其真正的效果和价值呈现还是有一段路要走的，短期内大家不要过高的期待，不是说大模型出来了，能源电力行业的效率就能立刻得到提升了，还是要保持理性的态度、创新力和长期主义的耐心。