近年来，国务院印发《关于深入实施“人工智能+”行动的意见》，国家发展改革委、国家能源局联合出台《关于推进“人工智能+”能源高质量发展的实施意见》，明确以人工智能赋能能源产业，推动能源行业质量、效率、动力三大变革。当前，我国“人工智能+数据”双向赋能仍处于探索阶段，能源数据要素价值释放仍面临高质量数据供给有限、人工智能与能源行业业务融合不够充分、协同创新生态尚有待完善等挑战，亟需结合我国能源产业发展实际，持续探索“智数融合”的发展路径。
人工智能驱动能源数据要素
发展的背景分析
一是政策驱动。国内外加快布局人工智能与能源融合发展。全球主要经济体纷纷加快“人工智能+能源”战略布局。美国能源部2025年10月发布《人工智能战略》，将人工智能上升为国家安全、能源竞争的核心驱动力，推动其由实验室专项应用转化为可规模化的企业级能力；欧盟同期出台《应用人工智能战略》，围绕能源、气候等重点领域出台落地举措，挖掘人工智能提升能源系统效率的变革潜力。
我国持续完善顶层制度设计。国家能源局2023年印发《关于加快推进能源数字化智能化发展的若干意见》，提出到2030年基本建成能源全链条数智创新应用体系。2025年9月，国家发展改革委、国家能源局印发《关于推进“人工智能+”能源高质量发展的实施意见》，抢抓人工智能战略机遇，保障能源高质量发展和高水平安全。同时，《企业数据资源相关会计处理暂行规定》和“数据二十条”等政策在数据资产入表、数据产权登记等关键领域持续发力，旨在破解数据“确权难、定价难、流通难”难题，为能源数据要素价值释放筑牢制度根基。
二是场景爆发。行业转型孕育海量刚需场景。在行业数字化、绿色化转型驱动下，传统能源系统正发生范式变革。供给侧风电、光伏大规模并网，其出力的随机性、波动性对电网安全稳定运行带来新考验；需求侧电动汽车、分布式能源、柔性负荷广泛普及，电力系统供需平衡难度显著加大，倒逼“人工智能+能源数据”应用场景加速落地。例如，面向智能电网领域，依托人工智能实现新能源功率精准预测、电网潮流智能调度，有助于提升消纳与运行效率；面向设备运维领域，基于运行数据构建智能诊断模型，开展故障预警和健康管理，可以有效降低运维投入。
三是范式革新。技术驱动能源行业范式转型。人工智能融合应用，正推动能源行业在“认知-协同-决策”层面实现范式升级。认知层面，由事后复盘分析转向事前预测、事中实时干预，依托物理信息神经网络将电力、气象等机理嵌入人工智能模型，提升新能源预测与电网态势推演准确度。协同层面，打通“源—网—荷—储”全链条，打破原有“数据孤岛”，以联邦学习、多方安全计算等构建可信数据空间，实现数据可用不可见。决策层面，从专家经验主导转向“数据驱动+知识引导”双轮驱动，依托大模型萃取沉淀行业专家经验，提升决策科学性与一致性，形成“数据反馈—模型优化—知识沉淀”的可持续进化闭环。
“人工智能+”赋能数据要素
价值释放路径分析
依托人工智能技术，能源数据要素价值释放形成从采集、治理、数据集构建到业务融合应用的完整链条。
一是源头泛在感知，破解“数据孤岛”碎片难题。通过部署智能传感、物联网和边缘计算节点，构建“空天地”一体化的感知网络，实现对“源、网、荷、储”各环节海量、多源、实时数据统一汇聚。以风电行业为例，依托振动、声学传感器搭配无人机巡检，实现对风机运行状态的全面监测，夯实数据资源基础。
二是开展智能数据治理，把原始数据转化为知识素材。针对原始数据质量不一、格式各异等痛点，运用自然语言处理、计算机视觉开展自动化清洗、标注、缺陷识别，同时通过搭建能源领域知识图谱，将零散业务数据转化为结构化行业知识，支撑复杂业务分析和智能决策。
三是打造行业高质量数据集，为人工智能模型训练提供优质“燃料”。围绕预测性维护、缺陷检测等细分业务场景，筛选、标注业务数据；针对故障样本稀缺的现实痛点，利用生成式人工智能创造“合成数据”扩充样本池。例如风机叶片裂纹检测模型训练，可以融合真实巡检图像和人工智能生成的缺陷样本，提升模型在复杂现场场景下的泛化能力。
四是深化融合落地应用，构建动态智能闭环。将训练完成的人工智能模型嵌入业务系统，把数据能力转化为业务实效。以虚拟电厂为例，人工智能模型分析分布式资源特性、市场价格信号和电网运行状态，自动生成最优调控策略。业务运行中持续产生反馈数据，驱动模型不断优化，形成“数据—模型—应用—新数据”增强闭环，持续提升系统智能水平。
能源行业的“智数融合”之道
其一，战略升维，确立“人工智能+数据”核心战略地位。面对新能源大规模接入、多元负荷快速增长等挑战，人工智能能够从海量数据中挖掘内在规律，缩短从数据采集到智能决策的价值转化路径。建议能源企业制定“人工智能+数据”发展战略，坚持试点先行、重点突破，优先选择设备预测性维护、极端天气下电网韧性评估等典型场景打造标杆案例，形成可复制可推广的经验，逐步推动全业务链条转型。
其二，能力筑基，构建面向“人工智能-Ready”的新型数据基础设施。能源企业现有的数据基础设施大多面向传统业务，建议分层构建面向人工智能的数据基座。强化感知层，提升“源—网—荷—储”全环节智能传感覆盖率，补齐图像、音视频等非结构化数据采集能力。升级平台层，搭建云边协同的数据中台，支持联邦学习等隐私计算，兼容多模态海量数据处理。完善治理层，通过人工智能技术实现数据质量自动监控与智能修复，从源头规避低质数据带来的模型偏差问题。
其三，业务融合，推动人工智能技术与能源知识深度结合。深化人工智能与能源业务知识双向融合，充分释放技术应用价值。面向行业场景研发专用算法，把电力物理规律、设备运行机理融入模型，提升模型在复杂工况中的精度与可解释性。建立闭环迭代机制，打造“数据驱动—模型优化—业务验证”工作链路，依靠业务反馈持续优化模型，实现技术能力与业务价值良性互促。
其四，生态培育，营造稳健包容的协同创新制度环境。能源行业关乎国计民生，人工智能创新应坚守安全底线，培育多方共建共享的产业生态。设立行业创新沙盒，在监管指导下打造风险可控的真实测试场景，加快新技术新模式的验证迭代和商业化落地。创新数据协作模式，推广联邦学习、多方安全计算应用，建设能源行业可信数据空间，破解“数据孤岛”难题，推动产业链上下游协同创新和价值共创。
（作者均供职于南方电网能源发展研究院有限责任公司）
