夏建涛：以工业人工智能技术推动园区绿色高质量发展

零碳园区建设正在进入一个新的阶段。

过去几年，园区绿色转型首先解决的是“有没有”的问题：有没有光伏、有没有储能、有没有充换电设施，有没有能源管理平台，有没有碳管理系统。

但当越来越多新能源设备真正进入园区，一个新问题显现：设备建起来了，能源系统就一定能运行好吗？

答案比想象中复杂。

光伏出力随着天气变化，工业生产负荷实时波动，热、电、汽之间彼此耦合，园区还要同时面对分时电价、最大需量、绿电消纳、碳排放和生产安全等多重约束。

这意味着，零碳园区真正的难点，正在从“建设多少绿色能源资产”，逐渐转向：

如何让这些能源资产真正协同起来，并长期运行在更稳定、更经济、更绿色的状态。

9月10日至11日，第五期零碳园区建设重点培训班在上海外滩FTC举行。

本次培训由中国能源报、中国能源经济研究院零碳园区专委会、中国开发区协会碳中和专业委员会、上海质量管理科学研究院联合主办，围绕零碳园区政策标准、AI赋能智能调控、综合能源系统及园区运营管理等议题展开系统培训。

9月11日，上海全应科技有限公司董事长夏建涛博士受邀进行“AI赋能零碳园区智能调控”专题授课，并以《AI+能源——以工业人工智能技术推动园区绿色高质量发展》为题，进行了近两个小时的系统分享。

在他看来，工业AI正在成为推动零碳园区从“能源建设”走向“智能运行”的关键技术之一。

01 从“建能源”到“运营能源”

风电、光伏正在成为新型能源体系的重要组成部分，但新能源天然具有波动性。

太阳落下，光伏出力随之下降；风速变化，风电功率也会变化。

但工业生产不能随着天气变化随时启停。

对于化工、制药、冶金、造纸、热电等连续生产场景来说，能源供应必须保持稳定。

与此同时，园区里的能源种类也越来越复杂。

一端是光伏、储能、热电联产、电网等多种能源来源，另一端则是工业用电、蒸汽、供暖、充换电等不同负荷。

过去相对简单的“能源供给—用户消费”关系，正在演变成一个复杂的源、网、荷、储协同系统。

因此，下一阶段零碳园区真正需要解决的，不只是“绿电从哪里来”，而是：

• 什么时候应该更多使用光伏？

• 什么时候储能应该充电或者放电？

• 电价变化时，自备能源系统应该如何调整？

• 园区生产负荷突然增加时，怎样在不影响蒸汽压力和生产安全的情况下重新分配能源？

全应在相关实践中，已经将光伏、储能、热、电纳入综合能源调度，并结合分时电价、最大需量等因素进行运行优化。

这意味着，零碳园区建设正在发生一个重要变化：

过去关注的是能源资产“建没建”，未来更重要的是这些资产“运得好不好”。

02 工业AI不能只“看见数据”，还要“调得动系统”

今天很多园区已经拥有能源管理平台。

各种压力、温度、流量、电量、能耗、碳排数据不断进入系统，再通过大屏、报表和趋势图展示出来。

但如果整个运行逻辑依然是：

系统展示数据 → 人发现问题 → 人计算方案 → 人下达指令，

那么这套系统本质上仍然停留在“数字化辅助”阶段。

夏建涛在分享中提出，工业AI真正进入能源系统，需要形成一条完整链路：

数据采集与处理 → 建模 → 优化 → 控制。

全应的工业智能控制体系，也正是按照这一路径构建：先获取和治理工业现场数据，再构建生产过程模型，在此基础上进行优化计算，并最终参与实际控制。

这里最关键的其实是最后一步——控制。

AI判断某个时刻应该降低发电功率，如果最后还需要运行人员再去操作设备；AI判断储能此时应该充电，但这个结果只停留在一张分析报表里；那么AI实际上还没有真正改变能源系统的运行方式。

所以，零碳园区真正需要的，并不是再增加一块“看能源”的大屏。

而是需要一套能够持续感知运行状态、计算更优策略，并在安全边界内参与能源调度的“AI大脑”。

它不仅要回答：“现在发生了什么？”

还必须进一步回答：“下一步应该怎么运行？”

03 工业AI不是把大模型直接搬进工厂

但这也带来一个很容易产生的误解：

既然DeepSeek、ChatGPT等大模型已经拥有非常强的推理能力，为什么工业现场还需要一套专门的工业AI？

原因在于，两者面对的是完全不同的问题。

大语言模型擅长从海量信息中学习语言、知识和相关性规律，它可以回答问题、总结文档、分析信息。

但工厂和能源系统是一个不断变化的物理世界。

一个阀门开度变化，会影响流量；流量变化，又会影响压力和温度；燃料品质、负荷、设备状态的变化，还会进一步影响整个系统。

这些变量之间存在真实的物理因果关系。

而工业控制最关心的，不只是“哪个答案概率最高”，而是：

系统是否稳定？动作是否准确？是否实时？是否满足安全边界？

这也是夏建涛此次分享中一个非常重要的观点：AI+工业，本质上是信息智能与控制智能的融合。

全应技术体系将工业AI与通用人工智能进行了区别：通用AI强调“通用、灵活”，工业人工智能则必须更加关注“安全、准确”；工业现场需要同时处理反馈闭环、状态估计、系统辨识、稳定性、PID、模型预测控制等问题。

因此，工业AI落地不能简单依赖一个通用模型。

它需要将工业机理、专家知识、工业大数据和AI模型真正结合起来。

以热电系统为例，全应采用“AI+机理”双元建模方式，将热电机理、专家知识、AI建模和模型预测控制结合，用模型理解燃烧、供热、发电等物理过程，再参与后续优化与控制。

换句话说：

工业AI不是把一个会聊天的大模型接进工厂，而是让AI真正理解并遵循工业系统的运行规律。

04 一座园区，如何被AI真正“调”起来？

举一个更具体的例子。

假设一座工业园区同时拥有光伏、热电机组，并与公共电网连接。

中午阳光充足，光伏大发。

这时最理想的状态通常不是简单让所有设备按照原来的运行方式继续运行，而是尽可能提高绿电消纳，同时重新计算热电机组与电网之间的能源分配。

到了晚上，光伏下降，如果此时市场电价升高，热电机组的运行策略又可能需要重新调整。

但问题远不只是“哪种电便宜”。

热电机组还承担园区供汽任务。

发电功率改变时，必须保证主汽压力和工业蒸汽供应稳定；不同锅炉、汽机组合下，还存在最小出力、最大抽汽流量、阀门开度等一系列运行边界。

所以真正需要计算的是：

电价、光伏出力、园区负荷、供汽需求、机组效率、最大需量、设备约束等多种变量共同作用下的最优运行方案。

在全应相关技术方案中，系统可以根据市场电价和发电成本，在“最低发电、计划发电、满发满带”等不同策略之间切换，同时要求在负荷变化过程中保持主汽压力和供汽压力稳定，并动态识别不同设备组合下的运行约束。

这就是工业AI真正进入园区之后所做的事情。

过去是：人看数据、人算方案、人调设备。

未来则有机会逐步变成：系统持续感知 → 模型实时计算 → 策略动态优化 → 系统参与控制 → 人监督和处理关键决策。

而园区能源管理，也由此从“经验驱动”，逐渐向“模型与数据驱动”演进。

零碳园区最终拼的，是“运行智能”。

零碳园区当然需要光伏、储能、新型配电系统和各种低碳技术。

但这些只是基础。

当绿色能源资产越来越丰富之后，决定一座园区最终碳排水平、能源效率和经济性的，将越来越取决于这些资产能否真正协同运行。

因此，下一阶段零碳园区竞争的核心之一，或许不再只是：“我建设了多少绿色能源。”

而是：“我能不能让整个能源系统长期运行在更优状态。”

这也是工业AI真正能够发挥作用的地方。

从数据采集，到生产建模；从运行预测，到动态优化；再从优化决策进入真实控制。

零碳园区正在从“看得见能源”，进一步走向“算得清能源、调得动能源、持续优化能源”。

而衡量工业AI价值的标准，也最终不应该是系统用了多少算法、接入了多少模型。

而是一个更加实际的问题：

它能不能让一座真实运行的园区，变得更稳、更优、更绿色。