摘要

能源行业引入AI Agent的核心误区在于以单一模型覆盖全部决策场景。调度决策以优化算法为内核，追求系统级全局最优；运维决策以诊断模型为内核，追求设备级状态精准判断。两类决策在时间尺度、目标函数、数据来源、容错要求上存在本质差异，决定了能源Agent必须走分域建设、接口协同的技术路线。本文基于国内能源行业最新实践，系统论述调度与运维Agent的决策分工逻辑、协同接口设计、落地挑战与演进路径，并简要梳理五家代表性企业级Agent厂商。

关键词：能源Agent；调度优化；运维诊断；决策分工；多智能体协同；闭环处置

一、Agent落地，最后一公里在哪？

能源行业AI Agent的部署规模正在快速扩大。然而，规模扩张并未自动转化为业务价值。大量Agent部署停留在演示和试点层面，核心问题集中在三个层面：

• 决策错位：将大模型同时用于调度辅助和运维诊断，调度端面临推理时延和约束建模精度不足的瓶颈，运维端面临诊断结论缺乏因果链和证据链的问题。

• 系统割裂：调度系统与运维系统分属不同业务域，数据不通、接口不标准，Agent在各自域内管好一段，却无法形成端到端闭环。

• 目标冲突：调度追求系统经济最优，可能让设备频繁启停、深度充放；运维追求设备寿命最长，希望减少调节、均衡出力。两者目标存在天然张力。

最后一公里的核心命题由此明确：Agent能否从感知智能走向决策智能，取决于能否按决策域匹配技术路线，并通过接口实现跨域协同

二、能源Agent的错位困境

当前能源Agent建设中，错位现象集中表现在以下几个维度：

• 技术选型错位：用大语言模型直接生成调度指令。通用大模型缺乏对电网设备间复杂连接关系的理解，难以完成精准数值计算，容易产生幻觉，且上下文长度限制导致对复杂任务的响应时间过长，无法在对实时性和准确性要求极高的调度场景中直接应用。

• 数据供给错位：将设备级传感数据直接输入调度Agent，或将系统级运行数据直接用于运维诊断。调度Agent需要的是负荷预测、气象数据、市场信号；运维Agent需要的是振动、温度、图像、声纹。数据供给与决策需求不匹配，导致Agent输出质量下降。

• 评估标准错位：以统一指标衡量调度与运维Agent的性能。调度Agent的核心指标是经济性、安全性和实时性；运维Agent的核心指标是诊断准确率、误报率和可解释性。用诊断准确率评价调度Agent、用经济性评价运维Agent，都会导致优化方向偏差。

• 部署架构错位：将调度算法和运维模型部署在同一算力节点上，试图用一套基础设施支撑两类决策。调度要求秒级至毫秒级响应，运维可接受小时级至天级分析，算力需求和部署架构截然不同。

三、两种决策域：调度与运维的本质差异

调度与运维是能源系统运行中两类本质不同的决策域。二者在多个维度上的系统性差异，构成了能源Agent决策分工的理论基础。

调度决策的特征

调度面对的是系统级问题：机组如何组合、功率如何分配、储能如何充放、潮流如何控制。其决策特征表现为：

• 全局最优导向：在多重约束下寻找系统级最优解，涉及发电成本、碳排放、网络安全等多目标折中。

• 多时间尺度并存：从日前机组组合（小时级）、日内滚动修正（分钟级）到实时AGC控制（秒级甚至毫秒级）。

• 强约束驱动：必须满足潮流约束、N-1安全校核、设备限额等物理约束，以及市场规则和调度规程的制度约束。

• 算法可解释：约束条件和目标函数具有明确的物理和经济含义，优化结果的合理性可以通过数学推导验证。

运维决策的特征

运维面对的是设备级问题：设备健康度如何、缺陷属于哪类、故障根因是什么、何时检修最合适。其决策特征表现为：

• 局部深入导向：对单设备、单部件进行深度状态评估和故障诊断。

• 状态驱动为主：以传感器时序数据、图像数据、声纹数据等设备状态信息为决策依据。

• 容错积累机制：诊断错误可通过复核、复检修正，具有容错空间。

• 因果解释要求：运维人员需要理解为什么这个设备出了问题，而非仅获得设备有问题的结论。知识驱动运维需通过多模态检索增强实现对文本和图形规程的溯源推理。

两类决策的核心差异可归纳如下：

调度Agent的算法内核

调度Agent的决策能力建立在多时间尺度算法体系之上：

• 日前调度层：以混合整数规划（MIP）和线性规划（LP）为核心，求解机组组合和经济调度问题。国家电网光明电力大模型搭建的感知-推理-决策-优化一体化协同平台，打通气象、源荷预测、配网态势等多源数据链路，省级负荷预测精度稳定达到98%以上。

• 日内调度层：以模型预测控制（MPC）和滚动优化为主，应对新能源出力波动。雅砻江大模型可实现60天超长周期流域径流预报，风光发电预测精度大幅提升，气象预测速度从小时级提升到分钟级。

• 实时调度层：以快速优化算法和规则引擎为主。华南理工大学团队提出的大模型智能体定制框架，将电网LMA定位在高自动化能力叠加持续人工监督的人机协同区间，并提出三阶段渐进式部署策略：第一阶段引入专项智能体作为智能补丁，第二阶段横向扩展至负荷、发电、安全和市场等多个控制台实现跨功能协作，第三阶段构建层级化混合智能体架构在人工监督下执行端到端协同调度。

• 学习增强层：深度强化学习用于实时策略寻优。分区多智能体深度强化学习框架采用集中训练和分布执行的架构，不同Agent管理区域电网并协调灵活资源集群的决策。

调度Agent的决策边界在于：可以算得优，但不能拍得板。安全约束、规程约束、市场规则必须硬编码进Agent的决策空间，最终调度指令仍需调度员确认。

运维Agent的模型体系

运维Agent的模型能力涵盖以下层次：

• 设备状态评估模型

• 多模态融合诊断

• 知识推理与报告生成

运维Agent的决策边界在于：可以判得准，但不能修得了。现场处置仍需检修人员按规程执行，涉及安全的关键操作必须保留人工复核环节。

四、闭环处置与协同联动：打通最后一公里

调度Agent与运维Agent的决策分工不是目的，协同联动才是。协同的核心在于构建两个闭环：执行闭环（调度→运维→工单→处置→反馈）和知识闭环（运维→报告→知识库→模型迭代→调度优化）。

执行闭环：从调度指令到运维处置

执行闭环解决从运行决策到设备处置的流程贯通问题：

• 调度指令触发运维任务：当调度Agent根据负荷预测和新能源出力预测生成机组启停或功率调整指令时，同步触发运维Agent对涉及设备进行状态评估。北京能源集团的四层电力运维知识体系（设备台账层、操作规程层、历史工单层、实时数据层）和业务专家、知识专家、调度专家、执行专家联动的多智能体协同机制，实现了生产运行与电力市场报价的协同优化。

• 运维诊断约束调度决策：设备健康度、预计检修时间、备件可用性作为调度Agent的约束条件，避免调得优、修不起。

• 工单自动生成与跟踪：运维Agent识别异常后自动生成工单并推送至移动终端，实现隐患识别、智能派单、现场处置、验收追溯的全链条闭环管理。国网湖北电力将AI技术嵌入配电网抢修管理，深度融入设备、气象、工单等13.5TB多模态数据，构建4+2+1智能协同体系，将配电网抢修效率提升35%。

知识闭环：从处置结果到模型进化

知识闭环解决从单次经验到组织能力的学习积累问题：

• 报告自动生成与结构化沉淀：运维Agent沿现象—原因—解决办法的思维链输出完整分析结论，结构化数据自动入库形成设备全生命周期运行档案。

• 知识库反哺模型：通过RAG知识库将历史报告、缺陷案例、处置方案转化为可检索的知识资产，驱动模型持续迭代。

• 运维知识反哺调度策略：设备劣化趋势、检修历史、故障模式等运维知识，作为调度Agent优化运行策略的重要输入。

多能协同的典型实践

雅砻江水风光一体化大模型提供了调度与运维Agent协同的标杆案例。该模型采用多智能体协同架构，统筹全流域水库群、风电场、光伏电站的海量运行参数。当气象智能体锁定云团轨迹后，调度智能体快速测算光伏出力下降缺口并向水电站下达增发指令，营销智能体同步优化次日报价策略——整个过程从过去的跨部门反复沟通、层层传导，变为智能体之间的毫秒级联动。

在运维侧，大模型接入全流域上万台设备的监测数据，实现从事后抢修向事前预警转变，经验传承转化率提升60%，故障定位效率提升80%。

五、突出应用Agent的价值

Agent在能源行业的价值兑现，需要从四个维度评估：

效率提升维度。 实在Agent在山东核电累计部署30余个自动化场景，核心业务效率平均提升50%以上，部分场景投入产出比超10倍。国网湖北配电网抢修管理智能体将抢修效率提升35%，已推广至全国27个省市。

决策质量维度。 中国电科院基于光明电力大模型构建的智能体平台，实现多时空尺度气象预报、全层级源荷高精度预测、配网态势实时感知与故障秒级辅助处置四大核心突破，省级负荷预测精度稳定达到98%以上。

知识沉淀维度。 雅砻江大模型将水电设备运维领域积累数十年的专家经验转化为知识图谱，经验传承转化率提升60%，高海拔偏远场站逐步实现少人值守、无人值班。

安全保障维度。 三臂协同式配网带电作业机器人融合算力硬件与光明大模型，全程替代人员高空高压高危操作，统一作业工艺标准，提升检修效率。

价值兑现有赖于三个关键条件：一是数据贯通，打通设备台账、实时数据、历史工单之间的数据壁垒；二是人机协同，Agent输出建议而非直接执行，关键决策保留人工审核；三是渐进部署，从低风险场景逐步积累可信性，在可审计安全框架下渐进扩大Agent控制权限。

六、落地挑战与应对路径

主要挑战

挑战一：数据孤岛与系统异构。 能源企业内部营销、财务、生产、调度等业务域系统独立运行，数据搬运依赖人工，偏差率可达16.7%以上。

挑战二：多源异构数据融合能力弱。 可见光图像、红外热成像、声纹信号等融合建模能力不足，边缘侧算力资源受限。

挑战三：大模型幻觉风险。 在电力设备诊断等高风险领域，通用大模型的幻觉问题成为关键障碍，需通过本地化部署和微调确保高精度和安全性。

挑战四：实时性与资源约束。 大规模大模型推理过程存在较高延迟，在复杂情景下响应时间受模型规模、计算资源及输入上下文长度等因素影响，毫秒级响应需求场景面临资源瓶颈。

应对路径

• 分域建设，接口先行：调度Agent与运维Agent分团队、分数据、分模型建设，统一设备编码、工况标签、健康度指标、检修状态接口。

• 分层部署，云边协同：调度算法在云端或调度主站运行；运维模型云端训练、边缘推理。雅砻江大模型依托全国首 个高海拔岩洞智算中心运行，形成绿电赋能算力、算力优化绿电的绿色低碳循环。

• 人在回路，渐进授权：采用高自动化能力叠加持续人工监督的人机协同模式，从低风险场景逐步积累可信性。

• 知识融合，机理约束：将机组运行机理、专家经验和历史趋势深度融入大模型，构建覆盖锅炉、汽机、辅机等关键系统的融合模型，使AI能够结合设备运行的物理规律进行解释和优化。

七、企业级Agent

八、结论与展望

调度与运维的决策分工，本质上是能源系统运行中系统级优化与设备级诊断两类知识体系的自然分界。调度有算法——混合整数规划、模型预测控制、深度强化学习，核心追求全局最优与实时响应；运维有模型——时序异常检测、多模态融合诊断、知识图谱推理，核心追求状态精准与因果可解释。二者的分工不是能力割裂，而是按决策域匹配 方法、按时间尺度分层部署、按业务闭环接口协同。

当前实践已经验证了这条路径的可行性。雅砻江大模型通过气象、调度、营销、运维等多个专业智能体在统一数据底座上的自动交互和并行决策，实现了从各自为战到集团作战的转变。北京能源集团构建的四层运维知识体系和多智能体协同机制，打通了生产运行与电力市场报价的协同优化。

展望未来，能源Agent的演进方向将从单域智能走向跨域协同，从辅助决策走向人机共治，从试点验证走向规模化部署。实现这一跃迁的关键在于三个基础条件的成熟：一是接口标准化，统一设备编码、工况标签和健康度指标体系，使调度Agent与运维Agent能够互相读懂；二是知识闭环化，建立报告自动生成、知识自动入库、模型自动迭代的持续进化机制；三是安全可审计，在可审计安全框架下渐进扩大Agent的控制权限。

算法求优，模型求真。分工有界，协同无界。能源Agent的最终竞争力，不在于单个模型的能力上限，而在于能否让算法管好怎么发、怎么送、怎么存，让模型管好设备好不好、哪里坏、何时修，再通过接口让两者互相看见、互相约束、互相成全。