林伯强：AI赋能“沙戈荒”风电光伏基地︱能源思考

近期出台的新型能源体系“十五五”规划，要求到2030年非化石能源发电量占比达50%。“沙戈荒”风光基地将成为我国重要的风电光伏增长来源。荒漠化是我国亟待治理的重大生态问题，我国也是全球受荒漠化危害最深的国家之一。当前我国荒漠化土地面积为257万平方公里，占国土总面积的26.81%；沙化土地面积达168万平方公里，占国土面积的17.58%。沙漠、戈壁、荒漠化土地，即“沙戈荒”地区，主要位于我国西北部，这些地区地广人稀、土地机会成本低，风光资源禀赋突出股票走势，可开发潜力巨大，是我国新能源布局的重要战略空间。

与此同时，该区域也面临着极端环境、系统适配、跨区消纳等多重复杂挑战。AI在资源评估、预测优化和智能调控等方面具有明显优势，正逐步从辅助工具转变为支撑基地运行的重要技术手段，对“沙戈荒”风光基地的开发模式和运行方式产生深刻影响。当前，AI赋能“沙戈荒”基地建设仍面临极端环境条件限制模型稳定性、数据基础设施不足、电力系统复杂性增加、工程部署与人才成本增加等问题。建议国家数据局牵头夯实面向极端环境的新能源数据基础；国家发改委推动数字基础设施与新能源基地协同规划；电网调度机构牵头在新型电力系统框架下推进AI辅助运行；实施“沙戈荒”智能运维专项补贴与人才保障。

AI驱动“沙戈荒”能源革命

第一，政策与能源转型双重驱动。

“沙戈荒”大型风光基地建设，源于国家能源转型的现实需求。我国电力系统运行正从传统稳定电源主导向高比例新能源参与转型，“沙戈荒”地区成为我国新能源增量开发的重要空间。2021年末，为夯实新能源产业发展的增长根基，国家发展改革委与国家能源局联合印发首批以沙漠、戈壁、荒漠地区为核心布局区域的大型风电光伏基地项目清单；2022年2月，两部门再度协同出台《以沙漠、戈壁、荒漠地区为重点的大型风电光伏基地规划布局方案》，明确到2030年风光基地规划总装机规模约达4.55亿千瓦。2024年底，中央经济工作会议明确将“沙戈荒”基地建设纳入能源战略核心。在此指引下，2025年底，国家发展改革委、国家能源局强化统筹管理，通过印发《能源规划管理办法》明确了对全国及区域能源规划的审批与监管职责，并联动自然资源部、生态环境部等多部门，协同保障项目用地、环评等关键要素。与此同时，“沙戈荒”基地建设还承担着生态治理和区域发展的多重功能。多地正不断探索光伏发电与防沙治沙、生态修复、产业带动相结合的发展模式，对智能化、精细化管理提出了更高要求。

元股证券:ygzq.hk

第二，AI在“沙戈荒”开发中的关键作用。

“沙戈荒”地区长期被视为传统经济活动难以有效利用的边缘空间，传统依靠人工经验和分散管理的开发方式已难以适应大规模、高复杂度基地的建设要求。AI技术从资源评估、动态调控与全生命周期管理三个维度，缓解了“沙戈荒”传统开发模式难以兼顾效率、安全与可持续性的问题。

首先，传统新能源开发往往依赖宏观资源图谱，精度和效率有限，AI技术的引入使资源评估和项目选址更加精细化。通过融合气象遥感数据、地面观测和历史运行数据，可以对风光资源进行更细尺度的空间分析。其次，在电力电子化趋势下，AI赋予了新能源设备更高级的控制智慧。AI通过强化学习等算法实时分析运行数据，动态调整发电策略、储能与调度方案，平抑功率波动。最后，在运维难题上，无人机巡检、视觉识别、智能诊断等技术实现了设备状态监测与故障预警，大幅降本提效。一些地区还通过构建全场域的数字孪生体，推动了基地运营模式从“人治”向“数治”的跨越。

实践进展

随着我国新能源开发向大型基地转型，人工智能与数字技术逐步嵌入“沙戈荒”基地规划、建设和运维全过程，成为支撑大规模新能源开发的重要技术工具。在基地建设初期，AI技术应用于项目选址和施工管控。依托卫星遥感、GIS地理信息系统和无人机勘测技术，我国完成了对全国“沙戈荒”区域的系统性资源普查与评估，可以识别出约19.98万平方公里的新能源适建区域。施工环节，AI技术已成为复杂地形下大型新能源基地安全高效建设的重要支撑。在腾格里基地海原百万千瓦风电项目中，面对766平方公里复杂地形，项目构建了无人机、高空摄像头、移动布控球等组成的“空—高—地”立体安防体系，结合人员二维码、四色手环、机械GPS等数字化手段，实现全域无死角监控，可视化覆盖率达90%以上，并通过模块化协同与工艺优化缩短工期。

在基地建成并投入运行后，AI技术更多应用于设备运维和运行监测。由于“沙戈荒”基地规模大、分布广且自然环境复杂，传统人工巡检方式效率较低，基地逐步引入无人机巡检、机器视觉识别和智能诊断技术。以乌兰布和沙漠边缘的一光储电站为例，该站22万块光伏组件分布在32个方阵中，过去人工巡检每个方阵需2至3天，且面临沙尘暴、强风等风险。如今引入无人机搭载高清及红外摄像头，结合AI分析系统，按预设航线自动巡检，实时回传数据至中控室，单个方阵巡检仅需半小时，大幅提升了效率。针对风沙积灰痛点，适配“沙戈荒”场景的智能清扫机器人覆盖率可达98%，配合气象算法实现“按需清扫”，运维效率提升3倍，人工成本降低约70%。

面临的挑战

一是极端环境条件限制AI模型的稳定性。“沙戈荒”地区气候条件复杂，极寒以及可能出现的电磁干扰，本身就是AI可靠运行的难题。加之气象变化呈现较强的随机性和非线性特征，模型训练所使用的历史数据往往难以覆盖所有极端情况。例如，沙尘暴、强对流天气等事件具有明显的突发性，使得AI预测模型在关键时段仍可能出现较大误差。此外，长期风沙侵蚀还可能影响传感器精度，导致输入数据噪声增加，从而降低模型预测的可靠性。

二是数据基础设施不足影响AI应用效果。AI系统运行依赖持续稳定的数据采集与传输，但许多“沙戈荒”基地位于偏远地区，通信网络和数据采集基础设施相对薄弱。部分早期建设的电站监测系统不完善，不同厂商设备的数据接口、协议标准不统一，增加了数据清洗与整合难度，制约模型训练质量。同时，实时数据传输不稳定也可能影响在线模型更新和远程监控系统的运行。

三是电力系统复杂性增加AI决策难度。“沙戈荒”地区远离东部负荷中心，供电区域与用电市场严重错位，大规模新能源接入后系统运行状态更加复杂。AI模型不仅需要预测单个电站的出力变化，还需要考虑跨区域输电、储能配置以及电网安全约束等多种因素。深度学习模型的“黑箱”特性与电力系统运行所需的严格安全边界存在矛盾，模型决策的可解释性不足。

四是工程部署与人才成本增加AI系统落地难度。极端环境下的特殊建设要求，使得智能化设施在“沙戈荒”基地落地的造价普遍高于常规风光电站，且后期持续维护与模型迭代成本较高，效率提升的收益未必能够完全覆盖系统建设和维护成本。同时，AI模型的数据更新与维护需要专业技术人员支持，目前这一领域存在巨大人才缺口，而偏远地区更加剧了技术人员长期驻场的难度。

政策建议

首先，夯实面向极端环境的新能源数据基础。针对极端环境条件导致AI模型稳定性不足的问题，建议国家数据局牵头，系统积累适用于“沙戈荒”地区的环境与运行数据，以提升模型在复杂环境下的泛化能力。运维层面加快推广无人机巡检、机器视觉识别和自动清洗设备，通过图像识别和状态监测获取更完整的设备运行信息，为设备故障识别和预测性维护提供数据基础。

其次，推动数字基础设施与新能源基地协同规划。建议国家发展和改革委在新能源基地规划阶段，同步部署数据采集系统、通信网络和边缘计算节点的建设，形成与发电设施相匹配的数字基础设施。同时，推动形成统一的数据接口标准和数据治理机制，减少不同设备厂商之间的数据兼容问题，并逐步建立区域级新能源数据平台，对风光功率、气象信息和设备状态数据进行统一管理，为模型训练和运行优化提供稳定的数据支撑。

再次，在新型电力系统框架下推进AI辅助运行。建议由电网调度机构牵头，深入开发更加适合“沙戈荒”地区的智慧调度系统，参考南方电网“驭电”大模型等通用电力AI技术路线，打造具有区域特色的专用调度能力。同时，可以配套建设基地级数字孪生仿真平台，实现AI调度预案的离线安全校验与风险预演。在技术成熟前，可采用“先AI辅助，后人工决策”的人机协同模式，由AI提供多套备选方案供调度员基于经验研判选择，既发挥AI的快速计算优势，又守住电网安全红线。

最后，实施“沙戈荒”智能运维专项补贴与人才保障。一方面，优先推广国产化硬件、轻量化AI和预测性维护技术，降低初始投资和运维成本，并设立一次性建设补贴或年度运营补贴，给予智能化设备的采购和维护一定的税收优惠。另一方面，以省级或跨区域为单位建设远程集中控制中心，现场仅保留少量值守与应急人员，实现“远程监控、少人值守”。对必须驻场技术人员给予艰苦岗位津贴、定期轮换及职称评审倾斜。推动重点高校和龙头企业合作，通过产教融合持续输送复合型人才。

（作者系厦门大学管理学院讲席教授、中国能源政策研究院院长）

举报文章作者