6月20日，美国工程院院士、宁波东方理工大学常务副校长兼教务长张东晓在2025国家能源互联网大会上作《科学机器学习与智慧能源系统》的主旨报告，报告围绕人工智能的发展历程及实际应用、能源互联网的应用以及新能源发展的特点展开。
他认为，当前大模型在生动性上表现出色，但常违反物理规律。在文学艺术领域后果尚可接受，但在能源、电力等关键领域，此类错误可能导致灾难性后果，其根源在于模型缺乏对物理世界的基本认知，过度依赖纯数据驱动。大模型如果要真正起到作用要和我们所在的领域、行业紧密结合。
他表示，智慧能源系统的构建强调物理、知识与数据的深度融合，其核心在于科学机器学习框架下“知识与数据双驱动”的平衡。这一系统并非单纯依赖数据，而是将行业积累的专业知识（如控制方程、工程经验、政策法规）与多源异构数据（电力负荷、气象观测、生产行为等）等数据相互融合。知识的嵌入可以在模型数据的预处理，也可以在人工智能模型的设计结构，也可以在模型的评估各个方面、各个环节来进行嵌入，强制要求它满足人工智能的控制方程或者增加经验，或者是国家政策的法规等等，目的就是构建物理上合理、数学上准确、计算上高效的AI模型或者智慧能源系统，
同时他也提出了当前新能源快速发展面临三大痛点：预测不准导致企业罚款、交易不优影响收益（“发得好不如卖得好”）、储能利用率低因缺乏智能调控。智慧能源系统正致力于破解这些难题。
对此，他分享了过去近10年在面向复杂环境新能源发电功率预测方面做的一系列研究。其中，新能源预测很关键的要素就是气象预报，气象预报一是物理的模型，物理模型传统数字模拟、数字预报的模型，二是现在正在兴起的AI大模型。目前，一些公司都有AI气象预报的模型，但这些模型存在推理高效却可能违反守恒律、缺乏动态一致性且边界条件处理困难等问题。但传统人工智能的计算成本又高，更新的频率有限制，实时性受到挑战。为解决这些问题，亟需将物理规律和领域知识融入AI建模过程，充分发挥科学机器学习的优势，构建兼具物理一致性和高推理效率的气象预报模型，进而提升复杂环境下新能源功率预测的准确性与实用性。
最后他总结，机器学习在解决能源领域的复杂非线性问题方面表现出显著优势，但其有效应用依赖于数据的基础支撑与领域知识的深度融合。只有将高质量数据与行业机理相结合，才能实现从“数据大”向“大数据”价值的真正跃迁。这种融合不仅提升了模型的预测精度与科学解释性，也有助于降低对大规模数据集的依赖，从而推动智慧能源系统向更加可靠、高效和可持续的方向发展。
竞逐配资提示：文章来自网络，不代表本站观点。
