9月29日电力规划设计总院在北京发布了六本智库成果其中《人工智能与能源双向赋能趋势展望》是第一次发布。报告里有一个数字被反复引用截至2026年6月国内能源企业已经发布了二十多个专业大模型。很多人看到AI能源第一反应是数据中心太耗电是能源在单方面喂饱算力。这其实只是双向赋能的一半。另一半方向相反人工智能正在反过来进入发电、输电和用电的设备里替人做预测、做诊断、做运行优化。报告里有一句话值得停下来想——推动人工智能应用从模型驱动转向场景牵引把有限的算力集中到高频、高价值、可量化、可验证的业务环节。这句话翻译得更直白一点大模型不是摆来看的最终要落到一个个具体的电源设备上去判断它现在状态好不好、要不要提前检修、出力该不该调整。而一旦 AI 从写报告的助手变成替设备做判断的角色一个很基础、却经常被跳过的问题就浮上来了它用来做判断的那些数据本身可信吗一、判断的链条很长但最前面那一环是物理测量先把AI 替电源做判断拆开看。不管上层套了多少层算法一条完整的判断链条是这样的设备里的电流先被传感器测出来变成电信号再被模数转换器采成数字传进控制器和更上层的模型模型算出结论最后发出指令。预测性维护如此自适应调节也如此。这个链条有一个容易被忽视的特点越往后越智能但后面所有环节的输入都来自最前面那一次物理测量。模型可以把规律拟合得很复杂在海量数据里找模式却无法凭空纠正输入端已经存在的偏差。如果送进去的波形本身延迟了、零点偏了、该看到的快速变化没看到模型越认真计算越是在错误的基础上得出看起来很有道理的结论。这不是算法能力问题而是信息源头的可信度问题。数据质量会直接影响模型判断的可靠性也会限制模型能够获得的信息上限。所以报告强调把资源集中到可量化、可验证的环节时最该先被保证可验证的恰恰是底层那一笔电流数据。这一环不显眼却决定后面所有智能判断站不站得住。图1 | AI再聪明也要先拿到可信的数据二、电源设备要让 AI 判断电流测点至少得扛住三件事那么什么样的电流数据才算可信才配喂给一个要替设备做判断的模型结合大功率电源的实际工况至少有三道关。第一道是该看到的变化要及时看到不能慢半拍。电源设备的电流不是一条平稳的直线负载切换、指令调整、故障发生的瞬间电流会在很短时间内明显变化。AI 要做的预测和保护判断依据往往就是这些快速变化的细节。如果测量环节本身反应迟钝等它把变化反映出来关键的时刻可能已经过去了。模型拿到的是一条迟到的波形对时序敏感的判断自然会失真。图2-1响应滞后真实电流已经变化测量信号还没跟上第二道是零点要稳不能把测量自己的偏差当成设备的异常。这一点在预测性维护里尤其关键。所谓预测很多时候是在长期数据里辨认那些缓慢出现、幅度不大的偏移比如某个部件是不是在逐渐劣化、电流里是不是多了一点不该有的分量。这类判断对测量的零点稳定性要求很高。如果测点自己的零点会随温度漂移那么设备明明正常数据却在缓慢变化模型很可能把测点自身的漂移误判成设备出了问题白白触发一次预警反过来真有小异常时也可能被漂移掩盖。误报和漏报源头常常都在这里。图2-2零点漂移设备电流不变测量值却慢慢偏移第三道是读数要准、线性要好而且不能因为加了测量就影响设备本身。电源设备关心的不只是测到了还关心测得准不准以及测量有没有代价。对大电流主回路而言如果采用需要让被测电流流经采样元件的方案额外的压降、功耗和发热就必须纳入设计。非接触式电流传感器则可以在不切断主回路的情况下获取电流信息避免在主回路中增加这类串联测量元件。这三道关合起来其实就是一句话喂给 AI 的电流数据要跟得上、站得稳、读得准而且取得这些信息的代价要足够小。三、零磁通闭环为什么天然适合做这个数据源头要同时满足这三件事就得回到电流是怎么被测出来的。闭环零磁通的几个特点恰好对应上面那三道关。CR8A这类闭环霍尔传感器采用补偿式工作原理通过反馈电流抵消原边电流产生的磁场使磁芯工作点维持在接近零磁通的状态。被测电流穿过磁芯会产生磁场传感器另一侧有一个补偿绕组电路根据霍尔元件检测到的磁通实时在补偿绕组里产生反向电流把原边磁场抵消掉让磁芯磁通始终被拉回零点。补偿电流按绕组匝数比例换算就反映了原边电流。这个机制带来几个直接后果。(图3 | 芯森电子CR8A系列传感器首先是响应快、频带宽。这是一个实时负反馈过程原边电流一变补偿回路立刻动作抵消磁芯几乎不停留在有磁通状态。以芯森这款产品为例它对电流阶跃的响应不超过一微秒带宽一百千赫负载切换、故障瞬间那类快速变化基本能同步跟上送进模型的波形不迟到。这对应第一道关。其次是零点和线性度天然更稳。开环方案让磁芯带着磁通工作输出依赖磁材和霍尔元件本身的线性度温度变化、大电流冲击后还可能留下剩磁零点要额外操心。闭环补偿使磁芯工作点保持在接近零磁通区域因此相比开环方案对磁芯磁滞、剩磁等非线性因素的依赖可以显著降低。CR8A在额定点的精度做到0.3%线性度误差0.1%对长期运行设备来说零点稳定性同样重要。测量环节自身的零点漂移越小长期数据中的缓慢变化就越不容易被测量误差污染。对于需要进行趋势分析、状态监测的系统这一点尤其重要。正因为测点自己在全温区内不动模型在长期数据里看到的缓慢变化才更可能来自设备本身而不是测点随温度在晃。这对应第二道关。最后是原边非接触测量不需要在主回路中串联采样电阻等测量元件因此不会因为传感器本身产生类似串联采样方案的额外压降和功耗。它的绝缘耐压六千伏、冲击耐压二十三千伏是真正的电气隔离。这对应第三道关。闭环零磁通并不是某一项指标特别突出而是它的工作原理同时回答了跟得上、站得稳、读得准、代价小这四件事。让它充当 AI 判断链条最前端的数据源头整条链路的地基才是稳的。四、额定电流和测量范围仍然是两件必须分清的事数据源可信还包含一个常被混为一谈的问题测点量程要和设备真实的电流分布对得上。这里必须再次强调额定电流和测量范围不是一回事。额定电流和测量范围也不是同一个概念。额定电流对应传感器的额定工作条件而测量范围则描述传感器能够覆盖的电流区间。两者之间的关系需要结合具体型号的规格书以及实际工况来判断不能简单理解成“额定值以上只能短时间使用”。两者之间本来就留着应对短时过流的空间。以 CR8A1000A这一档为例额定电流是1000A测量范围达到±1500A。设备正常连续运行的电流应贴着额定值而启动、负载突变这类短时峰值可以落在更宽的测量范围里不会一下子冲出去、读数削顶。这件事在 AI 场景下尤其要紧因为对于异常识别、状态诊断等依赖波形特征的算法短时峰值和动态过程同样可能是重要信息。量程选小了过流时读数削顶模型既看不出峰值多大也可能漏掉关键特征量程选得过大正常电流只占满量程很小一段分辨能力又被浪费。图2-3量程不足实际峰值超过测量范围后波形被削顶所以选型仍是两条线连续电流对应额定电流短时峰值不出测量范围。具体峰值要以设备和控制策略的实测波形为准不能拿笼统数字去套。五、传感器只负责把真相交准不替模型做决策讲到这里有必要把边界划清楚免得把这件事说过头。在整条 AI 判断链条里电流传感器的角色非常明确它只负责把原边电流真实、及时、稳定地转换成信号交出去不做预测、不下结论也不决定要不要检修、要不要调整出力。这些判断由控制器和上层模型基于数据完成关键决策在相当长时间内仍由专业人员把关也就是常说的AI 辅助、人来决策。但恰恰因为传感器处在最前端它的责任反而最不能含糊。模型的价值是从可信数据里提炼洞察源头一旦失真再强的模型也只是在错误信号上做更复杂的运算甚至比没有 AI 时更危险——一个明确报错的系统人会去查而一个基于错误数据、却给出看起来很合理结论的系统更容易让人放松警惕。所以在二十多个能源大模型陆续出现、AI 开始真正走进电源设备的时候最值得先夯实的不是再加一个模型而是回头确认支撑这些判断的那一笔电流数据到底可不可信。把数据源头做扎实上层那些可量化、可验证的智能才有地方落地。所谓双向赋能落到一台台大功率电源上起点很朴素——先让 AI 看到真的电流它才可能替人做出对的判断。
能源大模型开始进入设备：AI做出判断之前，先要看懂真实的电流
9月29日电力规划设计总院在北京发布了六本智库成果其中《人工智能与能源双向赋能趋势展望》是第一次发布。报告里有一个数字被反复引用截至2026年6月国内能源企业已经发布了二十多个专业大模型。很多人看到AI能源第一反应是数据中心太耗电是能源在单方面喂饱算力。这其实只是双向赋能的一半。另一半方向相反人工智能正在反过来进入发电、输电和用电的设备里替人做预测、做诊断、做运行优化。报告里有一句话值得停下来想——推动人工智能应用从模型驱动转向场景牵引把有限的算力集中到高频、高价值、可量化、可验证的业务环节。这句话翻译得更直白一点大模型不是摆来看的最终要落到一个个具体的电源设备上去判断它现在状态好不好、要不要提前检修、出力该不该调整。而一旦 AI 从写报告的助手变成替设备做判断的角色一个很基础、却经常被跳过的问题就浮上来了它用来做判断的那些数据本身可信吗一、判断的链条很长但最前面那一环是物理测量先把AI 替电源做判断拆开看。不管上层套了多少层算法一条完整的判断链条是这样的设备里的电流先被传感器测出来变成电信号再被模数转换器采成数字传进控制器和更上层的模型模型算出结论最后发出指令。预测性维护如此自适应调节也如此。这个链条有一个容易被忽视的特点越往后越智能但后面所有环节的输入都来自最前面那一次物理测量。模型可以把规律拟合得很复杂在海量数据里找模式却无法凭空纠正输入端已经存在的偏差。如果送进去的波形本身延迟了、零点偏了、该看到的快速变化没看到模型越认真计算越是在错误的基础上得出看起来很有道理的结论。这不是算法能力问题而是信息源头的可信度问题。数据质量会直接影响模型判断的可靠性也会限制模型能够获得的信息上限。所以报告强调把资源集中到可量化、可验证的环节时最该先被保证可验证的恰恰是底层那一笔电流数据。这一环不显眼却决定后面所有智能判断站不站得住。图1 | AI再聪明也要先拿到可信的数据二、电源设备要让 AI 判断电流测点至少得扛住三件事那么什么样的电流数据才算可信才配喂给一个要替设备做判断的模型结合大功率电源的实际工况至少有三道关。第一道是该看到的变化要及时看到不能慢半拍。电源设备的电流不是一条平稳的直线负载切换、指令调整、故障发生的瞬间电流会在很短时间内明显变化。AI 要做的预测和保护判断依据往往就是这些快速变化的细节。如果测量环节本身反应迟钝等它把变化反映出来关键的时刻可能已经过去了。模型拿到的是一条迟到的波形对时序敏感的判断自然会失真。图2-1响应滞后真实电流已经变化测量信号还没跟上第二道是零点要稳不能把测量自己的偏差当成设备的异常。这一点在预测性维护里尤其关键。所谓预测很多时候是在长期数据里辨认那些缓慢出现、幅度不大的偏移比如某个部件是不是在逐渐劣化、电流里是不是多了一点不该有的分量。这类判断对测量的零点稳定性要求很高。如果测点自己的零点会随温度漂移那么设备明明正常数据却在缓慢变化模型很可能把测点自身的漂移误判成设备出了问题白白触发一次预警反过来真有小异常时也可能被漂移掩盖。误报和漏报源头常常都在这里。图2-2零点漂移设备电流不变测量值却慢慢偏移第三道是读数要准、线性要好而且不能因为加了测量就影响设备本身。电源设备关心的不只是测到了还关心测得准不准以及测量有没有代价。对大电流主回路而言如果采用需要让被测电流流经采样元件的方案额外的压降、功耗和发热就必须纳入设计。非接触式电流传感器则可以在不切断主回路的情况下获取电流信息避免在主回路中增加这类串联测量元件。这三道关合起来其实就是一句话喂给 AI 的电流数据要跟得上、站得稳、读得准而且取得这些信息的代价要足够小。三、零磁通闭环为什么天然适合做这个数据源头要同时满足这三件事就得回到电流是怎么被测出来的。闭环零磁通的几个特点恰好对应上面那三道关。CR8A这类闭环霍尔传感器采用补偿式工作原理通过反馈电流抵消原边电流产生的磁场使磁芯工作点维持在接近零磁通的状态。被测电流穿过磁芯会产生磁场传感器另一侧有一个补偿绕组电路根据霍尔元件检测到的磁通实时在补偿绕组里产生反向电流把原边磁场抵消掉让磁芯磁通始终被拉回零点。补偿电流按绕组匝数比例换算就反映了原边电流。这个机制带来几个直接后果。(图3 | 芯森电子CR8A系列传感器首先是响应快、频带宽。这是一个实时负反馈过程原边电流一变补偿回路立刻动作抵消磁芯几乎不停留在有磁通状态。以芯森这款产品为例它对电流阶跃的响应不超过一微秒带宽一百千赫负载切换、故障瞬间那类快速变化基本能同步跟上送进模型的波形不迟到。这对应第一道关。其次是零点和线性度天然更稳。开环方案让磁芯带着磁通工作输出依赖磁材和霍尔元件本身的线性度温度变化、大电流冲击后还可能留下剩磁零点要额外操心。闭环补偿使磁芯工作点保持在接近零磁通区域因此相比开环方案对磁芯磁滞、剩磁等非线性因素的依赖可以显著降低。CR8A在额定点的精度做到0.3%线性度误差0.1%对长期运行设备来说零点稳定性同样重要。测量环节自身的零点漂移越小长期数据中的缓慢变化就越不容易被测量误差污染。对于需要进行趋势分析、状态监测的系统这一点尤其重要。正因为测点自己在全温区内不动模型在长期数据里看到的缓慢变化才更可能来自设备本身而不是测点随温度在晃。这对应第二道关。最后是原边非接触测量不需要在主回路中串联采样电阻等测量元件因此不会因为传感器本身产生类似串联采样方案的额外压降和功耗。它的绝缘耐压六千伏、冲击耐压二十三千伏是真正的电气隔离。这对应第三道关。闭环零磁通并不是某一项指标特别突出而是它的工作原理同时回答了跟得上、站得稳、读得准、代价小这四件事。让它充当 AI 判断链条最前端的数据源头整条链路的地基才是稳的。四、额定电流和测量范围仍然是两件必须分清的事数据源可信还包含一个常被混为一谈的问题测点量程要和设备真实的电流分布对得上。这里必须再次强调额定电流和测量范围不是一回事。额定电流和测量范围也不是同一个概念。额定电流对应传感器的额定工作条件而测量范围则描述传感器能够覆盖的电流区间。两者之间的关系需要结合具体型号的规格书以及实际工况来判断不能简单理解成“额定值以上只能短时间使用”。两者之间本来就留着应对短时过流的空间。以 CR8A1000A这一档为例额定电流是1000A测量范围达到±1500A。设备正常连续运行的电流应贴着额定值而启动、负载突变这类短时峰值可以落在更宽的测量范围里不会一下子冲出去、读数削顶。这件事在 AI 场景下尤其要紧因为对于异常识别、状态诊断等依赖波形特征的算法短时峰值和动态过程同样可能是重要信息。量程选小了过流时读数削顶模型既看不出峰值多大也可能漏掉关键特征量程选得过大正常电流只占满量程很小一段分辨能力又被浪费。图2-3量程不足实际峰值超过测量范围后波形被削顶所以选型仍是两条线连续电流对应额定电流短时峰值不出测量范围。具体峰值要以设备和控制策略的实测波形为准不能拿笼统数字去套。五、传感器只负责把真相交准不替模型做决策讲到这里有必要把边界划清楚免得把这件事说过头。在整条 AI 判断链条里电流传感器的角色非常明确它只负责把原边电流真实、及时、稳定地转换成信号交出去不做预测、不下结论也不决定要不要检修、要不要调整出力。这些判断由控制器和上层模型基于数据完成关键决策在相当长时间内仍由专业人员把关也就是常说的AI 辅助、人来决策。但恰恰因为传感器处在最前端它的责任反而最不能含糊。模型的价值是从可信数据里提炼洞察源头一旦失真再强的模型也只是在错误信号上做更复杂的运算甚至比没有 AI 时更危险——一个明确报错的系统人会去查而一个基于错误数据、却给出看起来很合理结论的系统更容易让人放松警惕。所以在二十多个能源大模型陆续出现、AI 开始真正走进电源设备的时候最值得先夯实的不是再加一个模型而是回头确认支撑这些判断的那一笔电流数据到底可不可信。把数据源头做扎实上层那些可量化、可验证的智能才有地方落地。所谓双向赋能落到一台台大功率电源上起点很朴素——先让 AI 看到真的电流它才可能替人做出对的判断。
