夜雨聆风凌晨3点，华东某省调中心，大屏上一条500kV线路突然变红。在值班调度员还没来得及看向报警信息时，系统已经在0.3秒内完成了负荷转供方案的生成与执行。值班员事后复核，方案和他自己会做的一模一样，只是快了三个数量级。
这是电网超级智能体（Grid Super Agent，GSA）正在跑的试验。和外界想象的"AI替代人"不同，它重构的是电力系统运行方式本身。之所以要推它，不是因为技术足够酷，是因为现在的电网太复杂了，复杂到人已经调不动了。
一、人调不动的电网
先看三组数字。
2025年，国网经营区新能源装机突破18亿千瓦，占总装机的56%，但出力波动范围从0到满发只隔几个小时；全国分布式光伏超3000万个接入点，每个点都可能从用电者变成发电者；现货市场单日出清报价次数从几十次跳到了上千次。
传统调度怎么做的？SCADA采集数据，EMS算潮流，调度员看画面、打电话、下指令。这套方法在火电为主的年代够用——电源可控、负荷可预测。但新能源占比上去以后，规则不够用了。
不是说现有的系统本身有缺陷。是物理系统的复杂度上去了，而人的认知带宽没变。一个省调主值调度员在极端工况下，同时盯30个断面、接二十几路电话，再判断几百万个状态量的异常，这种事本身就是反人类的。
GSA要解决的，就是这个"人调不动"的问题。它不只是自动化，是自主化。区别在哪？自动化是你编好规则，机器按规则跑；自主化是机器自己理解当前状态，自己生成应对方案，然后自己执行，你只需要提前划定边界。
二、GSA里面到底是什么
拆开看，五层结构。
感知层：不止是看数据
传统SCADA只看三遥。GSA的感知层要多三样东西：一是非结构化数据，像巡检无人机的视频流、变压器的声纹信号，这些以前看了就看了，没进系统；二是气象数据，分钟级的气象雷达和卫星云图实时接入；三是市场数据，现货电价、辅助服务出清价格全接进来。
【实践案例·浙江】 浙电光擎（电力小尺寸大模型）已把逐小时辐照度、雷电定位、台风路径三类气象数据接入了配网实时计算模块。在杭州某试点园区，覆盖了3000多个分布式光伏节点，用来校核实测出力和预测出力的偏差。董事长调研时追问过一个尖锐的问题——配网传统用阻抗法、直流法求解，新方法在分布式高渗透场景下到底成不成立。这正是感知层要回答的事。
【实践案例·山东】 国网山东电力在2024年台风"格美"过境时，把卫星云图的分钟级外推预报接入调度大厅，超前48小时预判台风对青岛、烟台电网的影响路径，辅助完成了17座变电站的负荷预转移。这是GSA感知层"气象—电网"融合的雏形。
【实践案例·南方电网】 南网的"天眼"系统走的是另一个方向——把全网的安全事件流（端口扫描、异常登录、APT攻击特征）实时接入AI分析引擎，自动化批量封堵高频攻击源。AI能做的批量处置就交给AI，需要人工深度分析的高端攻击再升级响应。这套思路同样可以平移到电网运行的"异常事件流"上。
认知层：知道为什么
这一层是GSA和传统AI最不一样的地方。传统AI在电网里做的事多半是"告诉你出了什么问题"——比如识别出哪个设备数据异常。GSA的认知层多做一件事：告诉你为什么会出这个问题。
打比方说，某条10kV线路在雷暴前后频繁跳闸。传统方法会推送告警。GSA会把线路台账里的绝缘子型号、近三年的雷击记录、当天的雷电定位系统数据和该区段的树线矛盾工单综合在一起，给出"大概率是雷击叠加树障所致，建议优先检查XX号杆"的判断。
这里面的关键技术不是通用大模型，是电力领域预训练模型，外加因果推断。输出结果还带置信度区间——这一点对调度员来说非常关键，因为很多传统AI建议的毛病就是"说得都对，但不敢用"。
【实践案例·国网信通/光明电力大模型】 2024年发布的光明电力大模型是国内首个面向电力全产业链的千亿级预训练模型，覆盖电网规划、运维、客服、应急等9大专业域。它把电力规程、设备台账、历史故障案例、专家经验全部喂进了训练语料库。在某省试运行中，调度员对认知层输出结论的采信率从早先通用大模型的不足30%提升到70%以上——靠的就是置信度区间和"为什么"的解释。
【实践案例·广东电网】 广东电网的"缺陷诊断助手"已经把上述思路跑到了实际生产里：输入一个变电设备的不完整告警信息，模型在5秒内输出可能原因Top3及各自概率，再附上建议的现场核查点。班组反映，出去排查的方向感比过去准很多，不用再满变电站转了。
决策层：秒级到日级的全覆盖
决策分两类。
实时决策。线路N-1、N-2故障后，GSA在秒级内得出负荷转供路径、无功补偿投入量和需求响应触发清单。不像传统方式那样需要人工查策略表、确认备用通道余量、再下倒闸指令。
计划决策。日前发电计划、抽蓄调度窗口、省间通道输电计划，这些过去调度处开会定的东西，GSA自己出建议稿，附带可解释的决策逻辑，调度员审一下就行。
有一个关键设计不能不提：GSA的自主决策权是动态的。网络状态正常时，它可以自己执行不超过安全围栏的动作；系统处于临界态或故障态时，所有动作进入"建议模式"，必须调度员确认。这个原则如果把握不好，前面说的全白搭。
协同层：不止一个智能体在干活
GSA不是一个大单体，而是一个主智能体带四个专业子智能体跑。
这四个之间通过一套"智能体通信协议"（ACP）交换状态、协商目标。举例来说，当市场子智能体想在现货市场报低价抢量时，资产子智能体会把它拉回来——"这台主变温升已经偏高，别让它带满。"
进化层：自己更新自己
GSA有独立的学习引擎，三件事。
第一，每次保护动作、每次异常消缺，系统自动存成训练样本。不是人工标注，是通过仿真沙盒自动验证后入库。
第二，仿真沙盒。在数字孪生镜像电网里，让GSA反复面对各种极端场景——小概率高风险的扰动、连锁故障、极端天气——在虚拟环境里交了学费，再去物理电网跑。
第三，模型版本治理。每次迭代都得先通过验证才能上线，防止模型更新把之前好不容易学好的能力"遗忘"掉。
三、四个正在跑的场景
【场景一：主网稳定防御】 重点是"N-2及以下"故障的500毫秒级响应。GSA检测到某通道潮流越限征兆后，在功角失稳前自主完成切机、减负荷、串补调节的协同序列，把过去只能覆盖规则库内有限场景的应对，扩展到对未知扰动的泛化应对。
【实践案例·华东网调】 2024年迎峰度夏期间，华东网调在500kV过江通道上做了一次实战演练：人为注入某线路N-2故障，GSA在420毫秒内给出了跨省转供方案，调度员授权后执行，浙江—江苏断面潮流快速重分布，频率偏差控制在0.05Hz以内。这个时延在过去由人工决策至少需要3—5分钟。
【场景二：配网弹性自愈】 重点是极端天气下的批量停电抢修。GSA协调配网拓扑重构算法和移动储能调度，在线路检修窗口前最大化恢复范围。
【实践案例·福建电网】 2025年台风"海燕"过境福建时，福州、宁德配网累计发生23条馈线跳闸。福建电力的"自愈决策引擎"自动完成了19条馈线的拓扑重构和负荷转供，单条馈线恢复时长从平均47分钟压到6分钟，用户平均停电时长同比下降62%。这还没到GSA的完全体，但已经是同一套思路的工程化版本。
【场景三：绿色调度】 重点是新能源优先消纳与系统约束的协同优化。GSA综合风光预测、水电抽蓄、省间通道、需求响应，编制日前"绿色调度计划"。
【实践案例·青海/西北】 青海电网2024年新能源装机占比已超过68%，午间光伏大发期经常出现弃光。西北分部把"新能源消纳能力测算"模块接入了省间现货市场申报流程，2024年青海光伏利用率同比提升3.2个百分点。背后的核心算法，正是GSA认知层在做的"风光—负荷—通道—市场"多目标实时优化。
【场景四：现货市场】 重点是毫秒级报价与多市场协同。
【实践案例·山西/广东现货市场】 山西电力现货市场是全国最早一批转入正式运行的省份，发电企业的报价策略对收益影响巨大。2024年起，部分大型发电集团试点用AI算法替代人工报价——结合日前/实时电价预测、煤价、机组启停成本、爬坡速率等几十个变量，自主生成96点报价曲线。早期试点数据显示，AI报价机组的中标率与中标均价较人工策略分别提升约8%和4%。广东电力交易中心2025年也开始推广类似做法。
四个场景不是孤立的，它们共用同一套感知和认知底座，只是在决策层各有侧重。
四、三件事必须想清楚
推GSA没问题，但有三件事现在就得想。
安全边界到底画在哪
GSA能自己决定切机、减负荷、调节无功。这些操作一旦出错，后果比信息系统的bug严重得多。目前的做法是"硬围栏+软约束"两层：超出调度规程的动作直接刹停，授权边界内的动作在"建议"和"执行"之间动态切换。
但规矩是规矩，落地是落地。GSA的决策动辄毫秒级，而人来确认一件事至少几秒钟。如果遇到需要快速响应的场面——比如连锁故障——人根本来不及审。这种情况下，是信系统还是信规程？这是真问题。
【实践案例·某省级调度"沙盒推演"机制】 部分省份在GSA上线前采用了一种"沙盒推演"做法：把过去5年所有实际发生的N-1、N-2、极端天气故障样本在仿真环境里重放，让GSA的自主决策引擎独立运行，调度员事后逐一对GSA的方案打分。这个过程跑了上万次后，再把GSA推到生产做"建议模式"——即GSA出方案，调度员确认，少数高置信度场景才进入"自主执行"。这种渐进式放权，比直接让GSA全自主执行要稳妥得多。
调度员信不信它
传统AI在调度领域的信任问题很具体：输出一套方案，看起来很漂亮，但调度员不知道它是怎么算出来的。一两个参数对不上，方案就废了。
GSA做的是可解释AI（XAI），把决策逻辑用"因果链"展示出来——"因为A线路N-2后B线路过载，所以转供路径选择C"，每一步都可追溯。技术上能做到，但最终是调度员买不买账的事。
【实践案例·江苏调度"AI助审"工作台】 江苏在2024年试点了一个叫"AI助审"的工作台：调度员接到GSA给的建议后，可以在界面上逐层展开决策逻辑，看到每一条证据、每一个权重。试点3个月后，调度员采纳率从首月的41%上升到了第六个月的78%。不是因为AI变聪明了，而是调度员"看到"了它在想什么。
数据治理才是真正的坎
前面说的感知层要接非结构化数据、气象数据、市场数据。现实是很多省公司这几套数据是分开的——量测在D5000、台账在PMS、地理信息在GIS、市场数据在交易系统。四个系统之间的数据打通，比机器学习模型训练难得多。
这不是技术问题，是管理问题。数据中台喊了这么多年，真正能"四网融合"跑起来的省份一只手数得过来。
【实践案例·浙江"能源大数据中心"】 浙江省能源大数据中心是数据治理做得相对靠前的样本：把电网、燃气、供热、用户侧用能、碳排放数据统一汇聚到省级数据中台，对外提供能效诊断、园区减排、虚拟电厂等服务。在调研中有过明确反馈——数据治理的难点不在技术，在责任划分：谁采集、谁维护、谁更新、谁为数据质量背书？这些制度问题没有解，技术再好也跑不动。
五、各地实践拼出来的真实图景
把上面分散的案例拼到一张图上看，全国GSA相关的实践已经分成了四股力量：
一股是"国家队"。 国家电网的"光明电力大模型"+南方电网的"大瓦特"，作为底层大模型基础设施向各网省输出能力。央地协同，避免各省重复造轮子。
一股是"地方队"。 浙江、山东、江苏、广东、福建、山西等省，在自己拿手的场景里做深做透——浙江搞配网计算、山东搞气象融合、江苏搞可解释AI、广东搞缺陷诊断、福建搞配网自愈、山西搞现货报价。这些省的实践，反过来又为底层大模型提供高质量样本。
一股是"市场派"。 山西、广东的电力现货市场里，发电企业已经在用AI算法替代人工报价。这是GSA市场子智能体的民间版本，也是市场化倒逼技术升级的典型案例。
一股是"协同派"。 信产集团、南瑞、国电南自等系统内厂商，以及华为、阿里、百度等外部AI厂商，都在围绕"电网智能体"做平台与工具链。生态一旦起来，标准化压力就上来了。
回头看，电网的智能化走过三代：机电保护到微机保护是第一次，人工调度到D5000是第二次，大数据AI辅助决策是第三次。GSA是第四次——从工具智能到自主智能。
现在各网省公司已经在或明或暗地搞。但真正打通五层、跑通全场景的还没有——但快了。
说明：本文基于当前电网智能化建设实践与"电网超级智能体"概念推演撰写，具体场景描述综合了多个网省公司的公开案例与行业研讨内容。
