客服热线：
手机版
二维码
南方能源观察全文5543字，阅读大约需要9分钟未经许可严禁以任何形式转载
微信号：energyobserver
欢迎投稿，投稿邮箱：
eomagazine@126.comeo记者 蔡译萱编辑 何诺书审核 姜黎 第二届GTI数智香江国际论坛期间，电力系统与智能电网领域国际权威专家、IEEE（电气电子工程师学会）会士、英国纽卡斯尔大学教授弗拉基米尔·特尔齐亚（Vladimir Terzija）接受了《》（以下简称“eo”）的专访。特尔齐亚深耕电力能源系统设计数十年，学术与产业经验兼备，尤其在宽域监测、系统保护及人工智能（AI）在电力系统中的应用研究等领域，对行业最新实践与发展趋势有深刻且独到的见解。在专访中，特尔齐亚深入谈论了智能电网核心基础设施如何搭建、AI在电网监测与预测中能实现哪些实际应用、数据市场构建与网络安全防护如何推进、未来电网与数据中心如何协同发展等业界高度关注的一系列问题。
电力系统运行机制已发生根本性变化
eo：AI和机器学习在智能电网中应用潜力如何？当前最现实的落地场景是什么？
特尔齐亚： AI在现代电力系统优化运行方面潜力巨大。如今，电网接入大量可再生能源，引入了基于逆变器的电源，相比于20年前以同步发电机为主的系统，复杂度显著提升。
AI的应用离不开现代传感器的数据采集能力与通信基础设施的数据传输能力。足够甚至海量的数据，为AI解决方案的开发和落地创造了条件。现代电网需同时满足安全、可靠、稳定、灵活与韧性要求，这既带来AI应用的机遇，也提出明确需求。传感器获取数据后，经通信网络传输至处理系统，构成AI应用的关键支撑，毕竟AI核心依赖数据，尤其是海量数据，这些技术能助力电网更优运行。
需要强调的是，智能电网的核心是配备现代化传感器，如用于时间同步的相量测量单元PMU、智能电表等，既能计量也能采集数据，且能通过光纤、4G/5G（未来的6G）等通信网络，将数据安全传输至采集系统。在此基础上，数据可被有效处理，进而支持各类电网最优运行的应用，这也是AI落地的重要基础场景。
eo：电力系统比过去复杂得多，能否展开讲讲？
特尔齐亚： 传统电网以同步发电机为核心，能源从发电机经输电网络到用户，路径清晰。如今则大不相同，大量风电场、光伏电站及储能单元接入，这类资源受天气影响，间歇性强，其可用性需靠预测判断，既增加了系统复杂性与不确定性，也改变了电网动态特性。
更关键的是，现代电网惯性与短路容量显著下降。惯性关联系统动能水平，影响频率稳定；短路容量关系电压稳定，二者均是电网的核心安全指标，一旦失衡可能引发级联故障甚至大面积停电。可再生能源主要通过电力电子装置（如逆变器）实现并网运行，这一特点直接改变了传统电网的动态属性，对电网整体稳定性造成冲击。因此，在推动可再生能源接入以减少碳排放的同时，我们必须更加谨慎地制定其接入与调度策略，以确保电力系统的安全性和可靠性。从本质上看，可再生能源的大规模并网已使整个电力系统的运行机制发生了根本性变化。
AI未来：充分警惕与策略性应用
eo：在电网运行与保护中，AI如何提前发现风险并避免重大停电？
特尔齐亚： 这个问题的核心在于理解电力系统中可能发生的级联故障，因为它可能导致灾难性的停电。电力系统作为典型的关键基础设施，一直以来，运行相对安全、稳定、可靠，是一种较为稳健的系统。但它仍然可能受到故障和突发事件的影响，包括无法控制的自然灾害，如地震、海啸等。
更危险的是，如果一台发电机突然跳闸，接着另一台也意外断开，这就涉及“N-1”“N-2”故障的概念。这类“小概率、大影响”（Low Probability High Impact）事件可能会引发级联反应（Cascading Effect），导致发电机和输电容量不断损失，电网逐渐分裂成不同区域，系统性能持续退化，最终走向大规模停电。过去20年间的多次大停电案例都证明了这一点。值得注意的是，近年来，此类停电的发生频率有所增加，并与可再生能源并网密切相关。
正因为这些过程极其复杂，我们需要借助动态仿真，也就是通过计算机模拟电力系统的动态运行，来预估系统行为，甚至预测停电的发生。
eo：如何预测停电？特尔齐亚： 预测的核心是提前估算停电可能发生的时间，关键在于预测的时效性。若只能提前几秒发出预警，基本没有实际意义，此时系统往往已进入停电状态；若想实现提前一小时预测，技术难度又极高。相对而言，提前几分钟（如5分钟）给出预测是更可行的方案，这个时间窗口足以采取稳妥措施应对。
应对手段之一是“有意分岛”（Island Mode）。具体来说，当电网系统濒临全面崩溃时，不能任由故障逐步扩大导致系统解体，而应在恰当时机主动将电网分割成若干个电力岛屿，比如，按区域划分为南部、北部、西部等相互独立的供电区域。这种方式能有效阻断级联故障的蔓延，从而避免全网停电的极端情况。不过，分岛操作必须格外谨慎。若在无须分岛的情况下贸然执行，反而会引发新的运行风险。
正因如此，系统完整性保护方案（SIPS）的设计须具备高度稳健性。既要保证在需要启动保护动作时精准触发，又要严格避免误操作。在这一过程中，AI可与传统技术手段协同使用，为SIPS提供更强的可靠性，进而更有效地防范大面积停电事故的发生。
eo：近年来，有一些停电事故存在人为因素，您认为AI能做得比人类更好吗？
特尔齐亚： 我并不认为AI比人类更聪明。AI的核心优势是能在实时场景下处理海量数据，而人类思维在反应速度和数据处理量上存在天然局限。
AI的智能水平可与人类相当，但要说更聪明，我不认同。我们不妨思考，AI真的具备创造力吗？创造力的核心是创新，是产出此前从未有过的事物。回顾历史，许多重大科学发现源于偶然，依赖人类研究者的独创性与天赋；音乐、艺术领域的灵感迸发，AI目前也无法真正实现。就像杰出的艺术家、音乐家能创作出独一无二的作品，优秀工程师的成果也难以被AI替代。
当然，AI处理海量数据的优势毋庸置疑。但我个人使用AI应用时会非常谨慎，毕竟我们目前仍在积累这类工具的使用经验。或许20年后我们能完全依靠AI决策，但现阶段必须警惕两类风险：一是AI决策被人为操纵，二是潜在网络攻击。具体到电力领域，这些风险若发生，可能致使电力系统遇险，所有人都会面临安全隐患，因此，目前绝不能完全信任AI。
尽管完全依赖AI有风险，在部分场景中AI还是能发挥积极作用，如电力系统监测。这就像医生诊断：先检查症状、明确问题，再开药方。我们通过AI实时监测电网状态、排查问题，再结合传统控制理论与系统认知，设计最优算法和应对措施。
目前，我们既有成熟的传统方法，也在研发基于数据科学和AI的算法，如人工神经网络、深度学习。这些AI算法需依赖数据训练，但其在保障电力系统安全、可靠、最优运行中，确实能发挥重要作用。
eo：您主导过多个宽域监测（Wide Area Monitoring）和系统保护项目。未来的宽域监测与AI结合，会给电网运行带来哪些突破？
特尔齐亚： 首先，AI在电力系统的监测与态势感知领域潜力巨大。当前，电网面临系统惯量、短路容量水平实时波动等动态变化，这些关键参数需持续精准监测，而AI恰好能在这类场景中充分发挥优势。
此前，我和团队用神经网络开展电力系统惯性监测，效果理想且具备实际应用价值。但必须明确：我们的探索仅停留在监测层面，并未涉及闭环控制。在过往类似研究中，AI在惯性监测等场景的表现虽足以落地，但其核心仍未跨出监测范畴。
控制属于更复杂的层级，意味着闭环决策，如调整发电机运行状态、改变电网拓扑，甚至采取切负荷这类对系统影响极大的干预措施。因此，一旦涉及主动控制、纠正性操作等直接影响电网运行的环节，我对AI应用始终保持谨慎。
不过，在支持、辅助电力系统宽域控制上，仍有不少值得探索的方向。比如，在频率控制、低频减载等保护措施中，AI已能在监测环节发挥重要作用，为后续控制决策提供有效支撑。
未来对AI的依赖或许会逐步加深，但就当前或从短期来看，AI在电力系统中最现实、最易落地的场景，仍集中在监测领域。具体而言，监测电力系统惯量变化、短路容量实时水平、系统运行点安全裕度等，都是AI能切实创造价值的方向。
数据安全是AI落地前提
eo：数据驱动型电网的核心在于数据库的完善，您如何评价目前国际上电力系统在数据积累与共享方面的现状？
特尔齐亚： 整体来看，情况正稳步向好，这很大程度要归功于现代传感器与通信基础设施的升级。回溯50年前，我们运维电网主要靠经验判断和建模分析；但现在，大量现代化传感器已能实时精准捕捉电压、电流等关键参数。比如，相量测量单元（PMU），它能获取电网同步相量数据，每20毫秒就向采集系统传输一次。过去15年，电力行业的数据量实现了显著增长，这是肉眼可见的进步。
但问题的性质也在改变：过去是没数据愁，现在是数据太多也愁。当前，最关键的挑战有两个：一是怎么从海量数据里高效提炼出有价值的知识，把数据真正变成能指导决策的依据；二是怎么保证数据库的可信度，这些数据存储和传输系统可能遭遇网络攻击，网络安全这根弦必须绷紧。
更重要的是，电力数据还涉及敏感性问题，得有清晰的政策规范，明确哪些数据能在企业间共享。未来甚至可能出现数据市场，让数据像电力一样成为可交易的商品。1千瓦时电能明码标价，有价值的数据自然也有经济属性。在我看来，未来10—20年，数据仍能获取，但大概率要付费；可靠、高质量的数据，会成为真正值钱的“硬通货”。
因此，核心绕不开两点：一是哪些数据能共享，二是这些数据该怎么定价。我坚信，数据交易市场一定会形成，而且我们谈的始终是能支撑科学决策的可靠数据。只有这类数据，才配得上流通和交易的价值。
这里必须再次强调网络安全。数据在存储、传输中若被恶意篡改，基于错误数据的分析决策，会给电力系统稳定带来灾难性影响。我们一边庆幸有了海量数据、给电网运维打开更多可能，一边也得冷静追问：这些数据的可信度有多少？基于这些数据的AI应用，可信度又能到什么程度？这也是我正在研究的课题——基于AI的应用是否具备可信度，目前还没发布最终结论，但已有阶段性成果，很快会发表相关报告。
eo：您刚才提到的数据市场概念，能否展开说说？
特尔齐亚： 要谈数据市场，得先解决一个电力行业的老问题——数据怎么顺畅对话。就像现在我们用英语沟通，不会中文是我的局限，但统一语言就能让我们无障碍交流；电力系统里的设备也是如此，不同的电气设备、智能电子设备（IED）要互通信息，靠的就是它们的共同语言——通信协议。
过去行业里的通信协议五花八门，想让不同企业之间交换数据，首先就得把协议统一，数据存储也得按统一规则来。而且，光有共同语言还不够，还得有配套的管理工具，如数据管理机制；还要有能剔除“坏数据”的筛选工具——其实，数据异常检测技术现在已经有了。
但最关键的是网络安全。必须能及时发现网络攻击，因为一旦数据库被篡改，后果不堪设想。要是用被污染的数据去训练AI，最后得出的结论肯定是错的，这对电力系统来说是致命的。
eo：要建设更完善的电力系统数据库，目前最大的障碍是什么？网络安全、数据质量和交互性（Interoperability），哪一项最重要？
特尔齐亚： 这些都是需要攻克的挑战。首先是交互性。我们用到的智能电子设备（IED）来自不同厂商，要让这些设备能互相“对话”，就必须先解决交互性问题。其次是可替换性。即原本用的是厂商A的设备，换成厂商B的设备后，系统仍能正常运行、不受影响。这同样要依赖通信协议的统一，让不同设备能“理解”彼此的信号。网络安全也至关重要。通信协议本身必须具备检测、识别并抵御网络攻击的能力。我打个比方，就像我们原本用英语交谈，要是我突然换成塞尔维亚语或德语，打破既定的沟通规则，又或者我说话时漏了关键词，甚至夹杂汉字、拉丁字母等杂乱字符，导致信息传递混乱，这就相当于一次网络攻击，和电力系统中数据被攻击、干扰的情况非常相似。这些情况也必须被识别出来并妥善处理。
所以，我们需要着力开发保障网络安全的解决方案，这涉及“信息物理系统”（Cyber-physical System），它是高度集成的复杂系统，必须稳定运行。只要有数据存在，就可能面临网络攻击风险，因此，网络安全议题格外重要。包括英国在内的多个国家，都在这一领域投入了大量资金。
eo：国际上是否有值得借鉴的电力数据库建设或AI应用案例？比如，欧洲、英国或中国在这方面有哪些经验？
特尔齐亚： 目前，很多学术合作项目采取“联合实验室”模式，比如，把美国、欧洲、中国的三个实验室打通，共建数据库，存储各方关注的电力数据。现在有一种频率测量传感器系统，能让我们在不同大陆同步监测电网频率，这就是跨区域协作的价值。我曾参与英国一个广域监测系统项目，安装三套靠卫星同步时间的相量测量单元（PMU），不仅接入了欧洲现有的广域监测系统，还把俄罗斯的PMU也纳入进来。所有设备能协同工作，实时追踪不同电网的频率变化趋势。当然，这些电网在实际运行中是完全独立的，各有各的体系。但通过这个联合监测网络，我们能并行观测全球不同地区的频率变化，还能把数据存下来。这些数据特别关键，尤其是对开发高比例可再生能源（风电、光伏、储能）接入后的频率控制新方法，作用很大。
