回顾上篇文章，主要讲述了人工智能（AI）的应用为电网挑战提供了新的解决方案，能够提高电力供应的效率、可靠性并降低成本。AI技术在电力市场清算中的应用可以优化市场运作，而通过电动汽车电池的动态充放电等新交互方式，可以提供灵活的能源存储，从而提升能源安全。然而，AI应用也带来了网络安全风险、决策不透明性和对特定供应商的依赖等潜在问题。这些风险随着AI技术的快速发展而出现，许多尚未得到充分理解。本报告基于上一篇探讨AI在电力系统中的先进部署，继续讲述AI工具可能带来的风险与机遇，并讨论如何平衡这些因素，以实现电力系统的可持续发展。在评估人工智能（AI）在电力系统中的应用潜力时，我们采用了PyPSA模型，这是一个开源的电力系统分析工具，以其灵活性和扩展性著称。我们设计了四种情景：一个无AI应用的基准情景，三个应用特定AI技术的情景，以及一个综合应用三种AI技术的情景。这些情景的详细描述可在表2中找到。每个情景的AI应用性能都是通过与基准测试的比较来衡量的，相关的能源安全维度指标在表3中列出。![]()
表2 场景概述
![]()
表3 PyPSA内的相关指标
在我们的基准场景中，构建了一个覆盖33个欧洲国家的电网网络模型。该模型模拟了电力系统在能源安全降低时的低可用性、可负担性、可获得性和可接受性问题。我们利用这个场景来隔离AI应用的影响，因为在能源安全高的情况下，AI的贡献可能难以区分。相反，在能源安全性低的场景中，AI应用的潜在改进更容易被识别。
我们选择了2013年1月16日至22日这一周作为基准，这是当年欧盟电网负荷最高的时期。我们将这一时期的数据应用于2020年的欧洲电网结构，通过优化现有资源的发电厂和存储调度，寻找成本最低的供需匹配方案，不增加新容量。图2展示了基准测试场景下的网络结果，绿色连接表示系统正常运行，而红色表示系统面临压力。![]()
图2 建模网格的地理表示
（2）场景1（S1）：人工智能驱动的负荷减少
在本场景中，我们研究了通过大规模部署智能控制的暖通空调系统（HVAC）对商业和工业部门能源消耗的影响，这是需求侧管理（DSM）的一种形式。不同国家的影响程度差异显著，从超过10%的显著减少到几乎无变化。图3显示了从能源安全指标的基准测试开始的变化情况。尽管整体能源安全指标有所提升，但对个别国家的影响存在差异。例如，法国和英国的最大位置边际价格（LMP）较基准有显著下降，而西班牙和葡萄牙则无变化。在S1情景中，影响最大的国家在能源安全指标上并不一致。这可能是因为拥有较大可调度化石能源发电能力的国家能从AI驱动的负荷减少中获益更多。例如，意大利作为第二大天然气进口国，与德国一样，在可获得性和可接受性方面实现了能源安全的显著提升。然而，我们的分析未能完全解释国家间相对差异的原因，如拉脱维亚和爱沙尼亚等看似相似国家的可负担性差异。要理解这些差异，需要更深入的场景分析。总结来说，尽管我们的分析在欧洲层面提供了重要见解，但在国家层面的应用受到限制。在S1情景下，AI驱动的负荷减少对所有能源安全指标都有积极影响，且未发现显著的权衡。![]()
![]()
![]()
图3 S1中的分布影响比较（负载减少）
（3）场景2（S2）：人工智能驱动的负荷转移
在本场景中，我们假设AI应用能够根据电力成本或碳强度自动调整日用电负荷。100%柔性负载指的是可以灵活调整用能的可控负载。负荷转移是优化市场设计和操作的一种方式，有助于市场运营商管理峰值负荷并整合间歇性可再生能源。分析表明，S2（负荷转移）相较于基准测试，并未显著改变对化石燃料的依赖或温室气体排放，这可能是因为联合循环燃气轮机的发电总量保持稳定。尽管如此，峰值负荷的降低提高了储备边际，增加了应对意外冲击的能力，同时需求曲线更加平稳，减少了电力价格的极端波动。图4展示了从能源安全指标的基准测试开始的变化。尽管系统层面的化石燃料依赖性和二氧化碳排放指标未变，但各国的变化情况各异。一些国家显示出比全系统更大的改善，而其他国家则无变化或恶化。例如，意大利减少了5%的化石燃料依赖，比利时则增加了4%。在最大位置边际价格方面，法国有显著下降，而西班牙和葡萄牙则恶化了5%。这些结果突显了国家间潜在的权衡，为进一步研究提供了方向。![]()
![]()
![]()
图4 S2中的分布影响（负载转移）与基准测试的比较
在这个场景中，我们假设在风电场中广泛应用人工智能驱动的风尾迹转向。风力涡轮机尾流在下游涡轮机发电过程中造成显著的能量损失。由于尾流效应造成的功率损失幅度取决于涡轮机之间的距离及其布局模式，但文献报道可能高达23%。102尾流转向是一种风力涡轮机控制策略，即涡轮机与风力方向错位，使尾流从下游涡轮机偏转，从而提高风电场的性能。通过改进风力发电和太阳能发电预测，风尾流转向已经实现。与其他场景相比，与风尾流转向相关的AI应用程序在所有指标上都没有显示出与基准测试相比的显著差异（图5）。观察到的改善幅度很小。尽管如此，重要的是要承认，随着电网经历脱碳，并纳入新的风能发展，风力发电效率的影响预计将会增加。![]()
![]()
![]()
图5 与基准相比，S4的分布影响（全部合并）的情况
在最终场景中，我们假设同时部署三个不同的AI应用，并对所有输入参数进行修改和系统优化，以评估能源安全指标的变化。出乎意料的是，尽管预期这种组合会优于其他情况，实际上只有储备余量指标表现最佳，而平均和最大位置边际价格（LMPs）未超过S1（负荷减少）情景，其他指标则与S1相当。这一现象归因于侧重降低峰值负荷的预定负荷剖面策略，该策略虽提高了保证金，但未优化负荷后的价格信号。这揭示了不同AI应用及其优化目标间的复杂相互作用，表明组合AI应用可能在某些指标上不如单一应用，强调了考虑应用间相互作用、避免对电力系统产生不利影响的重要性。表4概述了不同场景下的结果。定量分析显示，AI应用能显著提升能源安全。这些应用主要在需求侧实现，使消费者也能从增加的能源安全中获益，例如通过减少对额外发电的需求，降低能源账单。然而，研究指出，AI实现可能在不同能源安全指标间存在权衡。当多种AI技术结合使用时，它们之间的相互作用可能对能源安全产生负面影响。政策制定者需意识到，AI对能源安全的影响可能不是简单的累加，优化一个指标可能会导致另一个指标的次优结果。![]()
表4 情景结果概述
AI应用在微电网和其他本地电力设置的发展中扮演着关键角色。尽管这些概念已存在多年，但AI性能的提升有望降低成本并提高实用性。政策制定者应意识到AI进步可能重新引发关于集中与分散电力系统优势的讨论。虽然分散系统的复原力和参与度优势已被讨论超过二十年，但实际进展有限。AI的快速发展可能加速向分散电力系统的过渡，政策制定者在规划电力系统未来时应考虑这一趋势。我们的模拟仅限于一种仪表前AI应用——风-尾迹转向，发现其对能源安全影响不大。基于这一单一情景，我们无法对仪表前应用在能源安全方面的潜力进行详细定量评估。我们的研究受限于PyPSA模型的局限性。未来研究应提供更详尽的AI应用建模，以全面评估其对能源安全的潜在益处。例如，我们的模型假设AI应用在全欧洲电力系统中有100%实现率，这可以通过引入时间和地理覆盖的子场景来细化。现有数据的局限性也影响了我们的建模，2013年是可获得策划数据的最新年份，而欧洲电力系统在过去十年已显著变化，因此获取最新数据至关重要。此外，我们的研究未能充分评估中央电力系统核心节点上AI应用的影响，例如电力交易所部署的市场清算AI，这些应用可能对电力市场未来运作至关重要，但我们未能找到模拟和评估其潜力的方法。AI之外，量子技术等其他数字技术也可能对电力系统产生重大影响。量子计算的突破可能解决电网日益增长的复杂性，美国参议员提出的GRID法案将推动对量子技术增强电网弹性的研究。需要进一步研究评估这些技术间的相互作用及其对电网发展的影响。为了了解与在电力系统中部署人工智能相关的风险范围，我们首先创建了一个风险分类法——一个用于风险分类的结构化框架。表6概述了我们确定的六种风险类别。![]()
表4 风险分类
第一类风险与网络安全相关，随着电力系统的数字化，网络攻击的风险及其严重性也在上升。迹象显示外国势力已侵入美欧电力系统。虽然目前多数攻击限于网络间谍和情报收集，但如乌克兰电网遭受的一系列攻击所示，有些已产生实际影响。AI与网络安全的关系复杂，既为攻击提供手段，也为防御创造机会：AI在电力系统中引入了新的攻击途径。攻击者可能通过数据中毒，即篡改数据集或标签，植入AI模型中的隐藏缺陷，这使得检测变得困难。这可能导致发电量计算错误，人为限制系统能力。数据中毒还可在模型中设置特定触发器，使模型在接收到特定输入时产生预期之外的输出。例如，如果模型被设计为在高温预报时触发某些输电线路，结合高制冷需求，可能引发停电。对手可以使用人工智能技术，以非能源行业特有的方式攻击电力系统，同时增加复杂性和降低攻击性网络行动的成本。例如，AI可以创建高度复杂和有针对性的鱼叉式钓鱼活动。通过分析大量数据，AI算法可以定制网络钓鱼信息，这更有可能欺骗个人提供敏感信息或访问。在防御方面，能源公司可以使用人工智能工具来监控其网络是否存在可能意味着妥协的干扰。这可能有助于避免“靠陆地生活”的攻击，即攻击者会很长时间地渗透到系统中，并且只在适当的时间触发攻击。电网通常跨越多个国家、州或地区。人工智能应用程序的部署可能会导致司法管辖权或主权边界造成的潜在复杂性和漏洞。与司法管辖区有关，有几个特别突出的问题：电力系统中的AI应用缺乏专门监管，必须遵循包括隐私、数据保护、网络安全、能源法规及关键基础设施保护在内的复杂通用法规。数据跨国界共享增加了法律复杂性，可能导致合规成本上升，从而减缓AI应用的发展。在AI驱动的系统发生故障或导致事故的情况下，确定责任和诉讼的管辖权可能是复杂的，特别是如果涉及的供应链和数据传输跨越多个国家。AI决策过程复杂，常难以理解其结果产生的原因，这称为"黑盒"问题，引发意外操作和透明度的担忧，带来多重风险：电力系统中的人工智能应用很可能会包含广泛的数据流，并接近实时地做出决策。如果一个人工智能系统做出的决策或行动没有被操作人员预期或理解，它可能会导致不可预测的结果，对操作的可靠性和效率构成风险。在发生系统故障或异常的情况下，黑盒人工智能系统缺乏透明度，使诊断和解决问题更加困难，可能会延长中断或其他问题。电力系统与其他关键基础设施紧密耦合，并容易产生级联效应。这些动态可以被广泛的人工智能应用放大，因为一个人工智能应用程序的意外行动输入其他决策过程。这可能会导致关键基础设施之间的广泛中断。确保决策过程的透明度对于防止不道德或非法的结果至关重要。在人类扮演次要角色的情况下，明确的规则和期望变得必不可少，因为没有人类可以作为一种常识或道德检查。如果人工智能应用程序被设计为实现最经济上最优的结果，它们将优化这个结果，而不考虑伦理考虑。例如，一个负责限制电力需求峰值的人工智能可能会决定自动减少对能源效率低下的家庭的需求，这些家庭更有可能容纳已经处于不利地位的人。能源公司可以获取大量的个人数据。通过将地址与能源消耗数据相匹配，就有可能详细了解个人的日常生活。训练人工智能模型需要大量的数据，将这些不同的数据流合并到一个单一的训练集中可能会导致侵犯隐私。在电力市场自由化地区，电价由市场参与者基于供需预测设定。AI应用可能被用于操纵市场，如AI驱动的高频交易快速执行大量交易，让交易员抢先行动。AI系统还可能用于非法交易策略，例如通过快速下单后取消来误导市场供需，影响价格。此外，僵尸网络利用被黑的物联网设备微调电网需求，操纵电价以利于特定参与者。此外，人工智能系统可以通过模式寻找来发展怪癖。例如，AI模型可能开始将年长的呼叫者与后续投诉联系起来，导致对这一群体有偏见的决定。有记录表明，类似的系统被操纵来侮辱特定群体、提供误导性信息或表现出种族主义偏见。这些例子强调了严格的监督和持续的培训的必要性，以防止有害的结果。AI系统与人工操作员或监管人员的互动可能带来风险。尽管AI技术，特别是专家系统，能显著提升复杂系统的效能和效率，但在追求盈利的能源供应商中使用时，可能面临额外压力：AI算法擅长发现数据中的潜在模式，这些模式对人类可能不明显，使它们能够基于历史数据预测未来结果。但AI可能在面对与训练数据显著不同的情境时表现不佳。在电力系统管理中，这意味着AI适合处理常规操作，但在需求突增或自然灾害等非常规情况下，可能难以有效调整发电和流量。为了节省昂贵的人工运营商的成本，能源公司可能会决定引入人工智能应用程序，并减少人工运营商的数量。然而，如果没有对可能的影响进行适当的理解，这可能会导致监督的丧失，在发生失败时，人类主管无法介入。信托问题也可能影响长期决策，如网络投资计划，这概述了未来几十年对电力系统的投资。电网监管机构可能会过分相信基于人工智能的对未来电力需求、环境条件或其他相关因素的模拟。如果这些模拟的局限性没有被很好地理解，这可能会导致有缺陷的投资决策。与能源相关的AI应用市场仍在发展中。然而，由于电力系统管理的计算需求较大，因此存在使用大型基础模型的趋势。这可能会带来各种挑战：生成、培训和部署大规模人工智能模型所涉及的巨大成本可能会在关键参与者之间造成垄断。鉴于电力行业的高度具体的特点，这个市场很可能只有少数供应商。一旦AI应用程序被部署，它可能成为公司IT堆栈和决策过程的关键部分。取消其集成可能非常困难，特别是对于影响许多系统节点的前端应用程序。这种动态也会使电力公司依赖于一个特定的人工智能应用程序的供应商。市场集中在少数参与者之间，以及部署特定人工智能应用程序所产生的锁定效应，可能会使供应商对能源公司产生不当影响。例如，供应商决定反对其人工智能应用程序之一，可能会对部署它的电力系统的运行和决策产生重大影响。除了开发风险分类法之外，我们还进行了一项反向预测练习，其中我们设想了部署人工智能应用程序的积极结果和消极结果，并确定了将导致在2025年、2030年和2050年出现这些潜在结果的关键政策动态。未来的AI部署在欧盟电网管理中取得积极成果。在中央监管机构支持下，AI辅助的系统运营商有效维护电网，区域维护人员AI接受预测性维护和灾害应对培训。他们使用天气和环境数据预测损害，派遣维修无人机进行维护。2048年大风暴中，区域AI协调部署临时节点和维修无人机，成功应对停电和复杂情况，维持电网稳定。然后，参与者讨论了三个不同的时间范围，从第三个范围开始，再追溯到现在：参与者认为，社会参与和政治联盟的构建对于形成对人工智能整体社会愿景的共识至关重要。他们强调，AI的部署应谨慎进行，以避免可能对经济和社会造成的损害，并保持社会对AI的广泛支持。与会者同意政府应与企业合作，建立一个可靠的AI应用程序开发和测试框架。参与者认为，人工智能从利基应用向广泛部署转变时，其潜在的破坏性影响将显现，因此需要公众的强烈支持来避免反对。建议决策者参与战略性"战争游戏"，以形成对AI政策的整体方法，并在利益相关者之间建立支持。同时，需要大量投资于研发值得信赖的AI应用。政府和企业需要深入理解AI如何融入电力系统的传统结构。政策制定者还需考虑AI政策与能源转型的关系，因为基于可再生能源的电力系统可能离不开AI的支持。参与者达成共识，监管机构需理解技术变革及其对监管的影响，并迅速适应。鉴于AI技术的快速发展，需要建立一个技术官僚机构，并促进政府与工业界的合作，以便政府能快速响应私营部门的发展。随着AI的指数级进步，可能需要AI技术来监管AI，这引发了一些参与者对人类监督减少的担忧。此外，讨论了AI在电力系统中的应用对系统弹性的影响，认为AI可以使基于微电网的分散电力系统成为现实，有助于限制级联故障。最后，AI应用的普及需要民众的广泛支持，这依赖于AI应用达到高标准的可信度、可靠性和隐私保护。在第二种情况中，我们讨论了未来人工智能部署的潜在负面结果。场景描述如下：在追求效率的驱动下，电力公司多年前采用了网络化的AI模式，取代了大部分人力。AI与能源管理网络协同工作，提高了电网的可靠性和效率。但人工操作员未能发现系统内部的故障，公司代表怀疑是犯罪分子非法挖掘数据。这一观点被安全部门驳斥，导致公开僵局。随着欧洲进入严冬，负荷意外减少的频率上升，政府与受影响社区的低收入居民之间的政治紧张加剧。在不公正的呼声中，一个邻国的黑客组织入侵了培训AI的Enerdyne公司服务器，窃取数据，并要求暂停AI在关键服务中的应用作为抗议。四周的不明原因减载和多人死亡后，问题似乎自行解决。几个月后，勒罗恩大学的研究小组检查了泄露的数据，发现是一次数据中毒攻击导致AI过度保守，自我施加负荷限制，同时阻碍了工程师的干预。然后，参与者通过这三个时间范围来确定可能导致这种结果的不同途径：
为防未来负面结果，参与者认为需改变政府与企业间的互动，包括加强信息共享和专业知识交流，利用公私伙伴关系。政策辩论应保持冷静，认识到AI虽有潜力，但可能不达过高期望。参与者认为，未来负面结果的关键因素是缺乏性能法规和在电力系统中优先快速部署AI应用，而忽视了安全和保障问题。他们指出，法规的实施和监督需要有训练有素的人员。重要的是建立清晰、广泛适用的标准来衡量AI应用的适宜性。虽然讨论了AI伦理，但参与者认为许多伦理问题难以解决，而决策的可解释性是一个更实用的衡量标准。参与者指出，AI相关的电力系统中断可能对其他关键基础设施如水系统产生更广泛影响。他们认为应将AI应用的风险与电力系统现有弱点一同考虑，如电网变压器的生产和维修瓶颈。目前对AI电力系统的理解存在不足，例如黑启动的可能性和在AI应用故障时的手动启动能力。AI可能允许通过微网格逐步重新启动电网，但这些问题需紧急澄清。若AI部署不完全确定其关键条件下的表现，可能导致系统既有AI应用又需昂贵的人工覆盖。此外，系统的运行依赖多年积累的人类专业知识，一旦人类不再直接参与，这些技能可能迅速丧失，影响操作效率。基于风险分类和回溯分析，我们对AI带来的风险和潜在缓解措施有了深刻理解。风险范围广泛，显示AI可能根本改变电力系统决策，但分类可能不全面。评估AI风险需考虑电力系统特性。AI应用可能隐藏复杂性，增加事故风险。提高其可解释性有助于决策跟踪，增强信任和社会接受度。不同AI应用结合可能增加复杂性，建议在充分了解风险前分开部署。
AI是双刃剑，既有助于整合可再生能源和微电网发展，提高系统可持续性和弹性，也存在被对手利用的漏洞，如数据中毒攻击。
反向预测练习显示，商业考虑影响风险决策。能源公司面临提高效率和降低成本的压力，可能导致AI应用过早部署。决策者需考虑如何限制商业压力，同时鼓励创新，例如通过沙箱测试AI应用。电力系统与其它基础设施系统相互依赖，如停电可能影响依赖电力泵的水系统。决策者设计减轻AI应用风险的政策时，需与不同行业的广泛利益相关者合作，确保理解这些相互联系。风险与AI在电力系统中的复杂决策和行动有关，可通过提高AI应用的可解释性来部分缓解。在关键基础设施中部署AI时，这一点尤为重要。反向预测练习显示，培养公众理解和社会支持对AI应用的成功部署至关重要，尽管电力系统和AI的复杂性可能使这具有挑战性。需要进一步研究以确定有效的沟通策略。我们采用结合文献综述和未来方法的定性分析来初步概述AI应用的风险，但尚未量化这些风险对能源安全的影响。进行这种量化分析将是研究AI部署风险的重要下一步。AI在电力系统平衡竞争和机遇方面具有潜力，能快速分析大量数据并做出决策，适合应对电力系统的复杂性。随着人口增长、需求模式变化、基础设施老化、气候变化和极端天气增加风险，以及技术快速变化带来的成本压力，电力系统面临重大挑战。AI有助于预测和平衡供需，隔离问题，优化投资，一些能源供应商已开始引入AI。随着AI技术发展，其在电力系统中的应用将更显著，测试方法也将更精细。这项研究测试了AI在提升电力系统能源安全方面的潜力。研究团队发现，安装在消费者端的AI应用（BTM）能显著提高能源效率，如提高暖通空调系统的效率，对整体能源安全产生积极影响。同时，AI在指导需求响应方面也显示出效果，帮助消费者更灵活地应对电价变化。然而，研究小组发现，仪器前端（IFOM）的AI应用好处微乎其微。特别是，AI驱动的风力涡轮机尾流转向并未显著提升能源安全，这与预期不符。研究还指出，不同IFOM和BTM AI应用的结合可能导致不同应用间好处的权衡。尽管AI在电力系统的应用带来机遇，但也存在风险，包括网络安全问题、管辖权争议、不可解释或意外行为、模型的不道德或非法决策、人机交互失败、供应商依赖和锁定。商业压力可能导致电力公司过早部署AI，以减少人工监管成本。AI的实际应用可能面临挑战。因此，政策制定者、监管机构和能源公司需要在AI应用的机遇与风险间谨慎平衡。研究团队在进行研究时遇到了障碍，包括获取欧洲电力系统发电和消费数据的不完整性，以及AI应用性能数据或预测的缺乏。能源行业内外的专家在讨论AI利弊时表现出意外的沉默，可能是由于缺乏愿意参与的潜在参与者，或商业敏感性导致的不愿参与，这凸显了知识差距。这强调了进一步研究的必要性，以帮助决策者识别机会、最佳选择和最小化风险。在研究的基础上，我们提出了一些政策建议，有助于指导人工智能应用在电力系统中的部署，并确保我们能够利用人工智能提供的机会，同时限制其风险。- 政策制定者需要通过公开听证会和报告从不同的利益相关者群体那里获取信息，从而随时了解这些影响人工智能和能源的发展。
- 政策制定者需要调查现有的监管框架是否充分涵盖了人工智能在能源领域的应用，并在必要时对其进行澄清或补充。
- 政策制定者必须与一系列社会利益攸关方建立并保持对话。
- 政策制定者需要了解人工智能在电力系统中应用的市场动态。
- 监管机构应积极跟踪新的发展，而不是被动地对市场发展做出反应。
- 监管机构应密切关注人工智能在电力系统中的部署状况。
- 监管机构应开发沙箱，在将人工智能应用程序部署到电力系统之前，可以对其进行测试。
- 能源监管机构、市场监管机构、其他关键基础设施系统监管机构等不同监管机构应定期召开会议，建立知识交流渠道。
- 能源公司应确保他们能够获得相关的专业知识，以评估人工智能应用程序部署过程中的风险/机会权衡。
- 能源公司应积极主动、真诚地与监管机构分享他们部署人工智能应用程序的意图。
参考资料:
《利用人工智能改善能源安全——探索在电力系统中部署人工智能应用的风险和机遇》
（The use of AI for improving energy security: Exploring the risks and opportunities of the deployment of AI applications in the electricity system）
![]()
索要报告原文及译文，请扫码添加小编联系！
