夜雨聆风讨论 AI 和电网调度，最容易写偏。
一边把它写成“智能调度员”，好像模型接上 SCADA、EMS、DMS 之后，就能自己看潮流、下命令、控负荷；另一边又把它看成一个新玩具，只能写写报告、做做问答，离运行现场很远。
这两种说法都太轻了。
调度系统里真正沉重的东西，很多时候不是某一个惊天动地的大决策，而是密密麻麻的重复动作：看屏、查方式、核设备状态、翻历史票、对检修计划、写预案、筛告警、算负荷、发令、复诵、问班组、留痕。
每一步都不难。
但每一步都不能错。
AI 最先改变的，恰恰是这些工作。
它不一定一上来就替人做最终判断，却可以把一堆繁杂、重复、规则明确、结果可校验的调度辅助工作接过去。调度员不再把大量时间耗在查、抄、填、比、改这些动作上，而是把注意力放回运行风险、操作边界和异常处置。
这比“AI 替代调度员”更现实，也更重要。
一、调度工作的压力，不只来自故障本身
调度现场最怕的不是系统没有数据。
现在的数据已经太多了。
SCADA 遥测遥信、馈线自动化告警、配变监测、电能量采集、保护动作信息、负荷预测、气象信息、分布式光伏出力、储能状态、检修计划、方式单、操作票、抢修工单……每套系统都在说话。
真正的问题是：这些信息散在不同页面、不同系统、不同时间尺度里。
故障来了，调度员要先判断是不是设备跳闸，是不是保护动作，是不是通信异常，是不是计划停电影响，是不是下级故障反送到上级告警。负荷高峰来了，要看线路、主变、台区、可调负荷、储能余量，还要考虑用户影响和执行窗口。
计划安排也一样。一次检修不是把设备停下来这么简单。它会影响运行方式、负荷转供、保护定值、自动化策略、抢修资源，甚至影响后面几天的运行安排。
这些工作并不“低端”。
恰恰因为它们繁琐，所以需要经验；恰恰因为它们重复，所以更容易疲劳；恰恰因为它们看起来都有流程，所以每一个漏项都会在事故时放大。
如果 AI 要进入调度系统，入口不该是喊一句“全自动调度”，而是先问一个更朴素的问题：
哪些工作每天都在发生，规则相对明确，人做起来耗时，机器做完以后又能被人审核？
二、操作票：AI 最适合先写初稿，但不能自己放行
操作票是一个很典型的场景。
它有明确的对象、状态、顺序、约束和安全要求。开票时要核对当前运行方式，检查设备状态，匹配典型票，考虑五防规则，确认前后状态是否一致，还要避免漏项、顺序错误和术语不规范。
这些动作很适合 AI 做第一轮整理。
更准确地说，AI 可以做四件事。
第一，根据调度指令和设备拓扑，生成操作票初稿。
第二，对照典型票库、历史票和设备状态，找出不一致的步骤。
第三，检查常见风险，比如带负荷拉刀闸、接地线状态冲突、间隔状态不匹配、检修范围和安全措施不对应。
第四，识别票面和系统状态之间的错误，比如拓扑关系不一致、设备挂牌异常、刀闸和开关状态冲突、检修牌还没摘却出现送电步骤。
第五，把审核意见写成调度员看得懂的话，而不是只弹一个“校验失败”。
这里的关键不是让 AI 最终批准操作票。
最终许可仍然要在人手里。AI 的价值是把开票前面的机械整理、格式校验、规则比对和风险提示先做掉。调度员拿到的不是一张空白票，而是一张带着校核痕迹的初稿。
这会节省时间，也会减少低级错误。
三、事故预案：AI 可以把“找资料”变成“给路径”
事故预案生成，是另一个更值得做的方向。
现在很多预案并不是没有，而是分散在制度、图纸、历史记录、典型处置方案和个人经验里。事故发生时，人最缺的不是文件，而是时间。
AI 可以把几类信息整合起来：
- • 当前拓扑和运行方式；
- • 故障设备、保护动作、开关变位；
- • 重要用户和敏感负荷；
- • 可转供路径和容量约束；
- • 历史类似事故的处置记录；
- • 当天检修计划和临时方式变化。
然后生成一份事故处置建议：先确认什么，先隔离哪里，哪些负荷可以转供，哪些操作需要二次确认，哪些用户要提前通知，哪些风险不能碰。
这份建议不应该写成“模型决定怎么处置”。
它更像一个反应很快的调度助手，把散在系统里的材料先收拢，给出一条可讨论的路径。调度员可以接受、删改、驳回，也可以让系统重新按另一个边界条件生成方案。
这类应用真正难的地方，不是让大模型写几段漂亮文字，而是让它接入准确的电网拓扑、实时状态、设备台账、保护信息和操作规则。
没有这些，预案就是作文。
四、运行监控：从盯告警，到识别异常组合
SCADA 监控里最消耗人的，是告警噪声。
一场故障可能带出几十条甚至上百条告警。通信抖动、遥信变位、越限恢复、保护动作、重合闸、备自投动作，各种信息一股脑涌出来。真正关键的那几条，常常混在背景噪声里。
AI 在这里不需要装成“全知调度员”。它可以先做三件事。
第一，告警归并。把同一事件引发的告警聚成一组，减少重复弹窗。
第二，因果排序。判断哪个告警更可能是源头，哪个只是连带结果。
第三，异常组合识别。单个遥测越限未必危险，但如果它和开关变位、负荷突变、气象风险、设备缺陷同时出现，就要提高优先级。
这和传统规则引擎并不冲突。
规则引擎适合处理明确条件，比如越限、变位、保护动作。AI 更适合处理多源信号之间的弱关联，尤其是那些“单看没问题，合起来不对劲”的情况。
调度员最后看到的，不应该是更多告警，而是更少、更干净、更有上下文的事件。
五、发令和复诵：语音 AI 可以接住一部分机械动作
调度发令这件事，很适合被认真拆开。
它不是简单地“说一句话”。一条调度命令从拟票、审核、发令、受令、复诵、确认到记录，每一步都有固定格式和责任边界。过去这些动作高度依赖人工听、人工记、人工核。
现在的语音识别、语义解析和文字转语音，已经足够支撑一部分调度发令辅助。
比如，调度员确认操作票后，系统可以把命令自动转换成标准发令文本，再用文字转语音播报给受令人；受令人复诵时，语音识别把复诵内容转成文字，系统自动和原命令逐项比对。
设备名称有没有念错？
编号有没有少一位？
“拉开”和“合上”有没有反了？
线路、间隔、接地刀闸、保护压板这些关键对象有没有漏掉？
如果复诵和原命令不一致，系统不需要替人判断后果，只要立即标红、提示差异、要求重新确认。这类错误识别很具体，也很有价值。
更进一步，AI 还可以把电话录音、发令文本、复诵文本、确认时间和操作票步骤绑定起来，形成可回放的发令记录。事故复盘时，不再靠零散笔记和录音倒查，而是能看到每一步命令对应哪张票、哪个设备、哪个状态变化。
这里仍然要守住边界。
AI 可以辅助生成发令文本，可以播报，可以识别复诵差异，可以记录过程。但调度命令是否发出、是否确认、是否继续下一步，不能变成模型自己点头。
这条边界如果守不住，语音 AI 就会从助手变成风险源。
六、负荷调控：AI 的价值在于把可调资源排成可执行方案
负荷调控看起来是算数，实际不是。
某条线路重载，不能只看差多少千瓦。还要看负荷性质、用户侧可调能力、储能状态、分布式光伏出力、调节持续时间、执行成本、用户影响，以及调节失败后的备用方案。
第二篇论文里有一个很有意思的方向：它把主动配电网实时调度建成多智能体强化学习问题，让储能、柔性负荷、光伏、无功补偿设备分别作为智能体参与协调。论文还把光伏板图像引入调度，用 CNN-ViT 估计积灰带来的出力损失，再把这个信息放进多智能体调度模型里。
这件事对调度系统有启发。
未来的调度辅助，不只是“预测明天负荷多少”，还要回答：
- • 哪些负荷可以调；
- • 调多少；
- • 持续多久；
- • 先调谁，后调谁；
- • 调节后电压和潮流会不会越界；
- • 如果光伏突然少发，储能能不能补上；
- • 如果用户侧响应不到位，系统下一步怎么退回来。
那篇论文在阿曼 Nizwa 2289 节点配电网案例中验证了方法效果。相较 MADDPG，提出的图注意力 actor-critic 方法把运行成本降低 7.14%，网损降低 19.15%。这个数字不能直接搬到国内调度现场，但它说明一件事：当分布式资源多到一定程度，人工经验和静态规则很难同时处理储能、柔性负荷、光伏和无功设备之间的耦合关系。
AI 在这里不是替人喊“拉多少负荷”。
它更适合先把资源、约束、目标和风险排成几个可选方案，让调度员在安全边界内选。
七、计划安排和电网规划：AI 可以提前发现冲突
调度里的计划安排，也有大量重复校核。
检修计划是否互相冲突？某个设备停电后，负荷能不能转出去？同一时段有没有重要用户保供？备用容量够不够？自动化策略要不要临时退出？保护定值是否受影响？后续几天还有没有连续风险？
这些问题用人工逐项核对，很耗时间。
AI 可以把计划安排变成一种持续校核：计划一录入，系统就自动检查方式、容量、负荷、风险用户、历史故障、天气和抢修资源，把明显冲突提前标出来。
这里还应该加入自动错误识别。
有些错误不一定来自计算，而是来自系统状态和人工维护之间的不一致。比如拓扑连接关系和实际运行方式对不上，设备已经转检修但图上仍显示运行，线路挂了保电牌却被排进检修计划，接地线、检修牌、保电牌、停役牌之间互相冲突。
这些异常挂牌和拓扑错误，靠人逐项检查很容易漏。AI 可以把它们做成持续扫描：只要设备状态、挂牌、计划、票据、拓扑之间出现矛盾，就提前弹出来，让调度员处理。
这已经接近第一篇论文讨论的“规划辅助增强”。
那篇综述文章讲得比较清楚：新型配电系统正在从单一供电网络变成源、网、荷、储互动的系统。传统“物理建模 + 人工统筹”的规划方式，会遇到三个问题：源网荷储动态交互难刻画，高维时空关系难靠人工经验支撑，新能源随机波动也让确定性方法变得吃力。
所以它提出的方向不是抛掉物理模型，而是把物理约束、数据特征和智能决策迭代结合起来。
这句话放到调度系统里同样成立。
调度 AI 不能只会生成文本，也不能只会预测曲线。它必须知道电网的物理边界：潮流、电压、短路容量、保护配合、设备限额、N-1、安全距离、操作顺序。
不懂这些边界，模型越主动，风险越大。
八、调度 AI 真正难的，是接进系统后还能被信任
第三篇综述论文提醒了一件很实际的事：电力 AI 的价值不能只看算法精度，还要看数据质量、系统互联、可解释性、网络安全、治理和合规。
这句话听起来像论文里的标准表述，但放到调度系统里很具体。
数据质量不好，AI 会把错误状态当成事实。
系统互联不好，AI 只能在一小块数据里猜。
解释性不好，调度员不知道它为什么建议这么操作。
安全和权限不好，越智能的系统越危险。
责任边界不清，出了问题没人敢用。
所以调度 AI 的建设重点，不只是选什么模型。更要看它怎么进入现有系统：怎么读实时数据，怎么调用拓扑，怎么接票据系统，怎么接语音发令系统，怎么保留审核记录，怎么回放处置过程，怎么限制模型只能在授权范围内行动。
调度系统不是互联网推荐系统。
推荐错一条视频，最多是浪费几分钟。调度建议错了，可能会扩大停电、损坏设备，甚至碰到安全红线。
所以，AI 在调度系统里的合理位置，应该先是“生成建议、暴露依据、等待确认、记录过程”。自动化程度可以逐步提高，但每一步都要能解释、能回放、能追责。
九、最可能先落地的，不是“大脑”，而是一批调度助手
如果把未来几年调度 AI 的落地顺序排一下，我更看好这些具体工具：
操作票助手：自动生成初稿，自动校验设备状态和操作顺序。
审票助手：对照规则库、典型票、历史票和当前运行方式，标出风险点。
预案助手：根据故障信息、拓扑和历史处置记录，生成事故预案草案。
监控助手：归并告警，识别异常组合，给出事件摘要和优先级。
发令助手：把审核后的命令转换成标准发令文本，完成语音播报、复诵识别和差异提示。
负荷调控助手：把储能、柔性负荷、可中断负荷、分布式电源排成调节方案。
计划校核助手：检查检修、停电、转供、保供、方式安排之间的冲突。
错误识别助手：持续扫描拓扑、挂牌、设备状态、票据和计划之间的不一致。
规划辅助助手：从长期负荷、分布式能源接入、设备重载和故障记录里找薄弱点。
这些助手看起来没有“全自动调度”那么刺激，但更可能真正用起来。
因为它们处理的是高频工作。
因为结果可以审核。
因为它们减轻的是调度员每天都会遇到的负担。
结语：先把重复工作交出去
AI 进入调度系统，最重要的变化可能不是某一天突然出现一个“无人调度中心”。
更现实的变化是：调度员打开系统时，看到的不再是一堆分散告警、孤立曲线和空白票据，而是一组已经整理过的事件、票据、预案、发令记录和可选方案。
系统先把现场捋一遍。
人再判断。
这会改变调度工作的时间分配。过去大量时间花在查资料、对状态、写文本、核格式、找冲突；以后这些工作会被 AI 先做一遍，人把精力留给最难也最该由人负责的部分：安全边界、异常判断和最终许可。
这不是削弱调度员。
这是把调度员从重复劳动里往外拉。
真正好的调度 AI，不应该让人变得松懈。它应该让人更早看到风险，更快拿到方案，也更清楚每一步为什么能做、为什么不能做。
电网运行需要智能化。
但它更需要可信。
参考资料：
- • Razzaqul Ahshan et al., Multi-modal multi-task artificial intelligence model for active distribution network scheduling with multi-agent reinforcement learning, Electric Power Systems Research, 2026.
- • Artificial Intelligence in Electrical Systems: A Structured Narrative Review of Foundations, Applications, Digital Architectures and Challenges in Grid Modernization, 2026.
