无锡入选工信部AI赋能中小企业场景案例（第10期）

工信部AI赋能

中小企业典型场景

无锡市

中小企业人工智能典型应用场景，集中呈现了中小企业在数字化转型进程中探索落地AI的生动实践，是人工智能助推新型工业化的直观体现，对中小企业实现数字化、网络化、智能化升级具有重要价值。为推动更多中小企业借助人工智能实现创新与高质量发展，现对“2025年全国中小企业人工智能典型应用场景”中我市部分入选案例予以展示介绍，期待为我市企业更好用好AI提供实践路径与参考借鉴。

面向光伏发电行业应用的发电功率智能预测系统

光伏发电行业长期面临气象变化带来的出力随机与波动、并网考核要求严、在新能源全面入市后电价不确定性上升等难题，因而对稳定、精准的发电预测能力需求迫切。然而，该类技术应用也存在依赖电站大量设备历史数据与高精度天气信息、数据与模型匹配适配困难等痛点。江苏省无锡市某科技公司聚焦能源企业数智化升级，依托行业积累与工业数据资源，并结合自身AI技术能力，研发了基于人工智能的光伏发电功率预测系统。系统可帮助企业更好满足电网调度与电力交易要求，降低现货市场偏差考核风险，推动提质增效与降本目标实现。

（一）以解决痛点问题为导向设计一体解决方案

一是梳理AI技术可落地的业务环节，明确将电网考核压力大、电力交易风险高、数据模型适配困难作为三项主要痛点并以AI手段重点突破。二是搭建“数据－模型－系统”一体化方案，形成全维度采集与智能预处理的多源数据体系，开展多算法融合与个性化训练，并实现工程化部署与平台化对接。

图1：光伏发电功率预测系统架构图

（二）四步构建三类数据采集体系

通过四个环节的预处理流程保障数据质量：利用异常检测算法进行清洗并补齐缺失值，对关键指标做标准化以提升训练效率；在提取时间、气象、功率等特征后，借助专业算法筛选核心特征；再对数据完整性进行校验、对异常进行标注与修正。同时，建立三类关键数据采集体系：包含电站2～3年、15分钟级与小时级、覆盖不同季节与天气条件的历史运行数据；由小型气象站采集的辐射强度、温度等多维气象数据；以及电站经纬度、组件倾角等静态基础信息。

（三）打造适配不同预测需求的模型架构体系

基于本地小型气象站数据，结合气象要素与发电特征关联分析及相似日思想，配置多种模型架构以满足不同预测尺度需求，包括无需依赖气象预报的类Transformer编码器－解码器架构、CNN－LSTM架构、CNN－LSTM－MLP外包络融合模型架构、无需气象预报的Sparse－TSF－MLP外包络融合模型架构；并实现模型的自动迭代优化，依据新增实测数据持续训练与参数更新。同时针对各电站环境差异，在通用框架下仅需导入历史数据即可完成个性化适配，从而降低迁移与落地成本。

（四）整合三大模块打造数字化系统

构建包含三大模块的数字化系统：预测计算模块覆盖超短期、短期及中长期预测，计算效率高、可用性强；数据交互模块支持多格式数据接入处理且响应速度快；应用拓展模块集成电力交易报价辅助、电站投资评估、光伏组件清洗管理等功能。通过将AI算法封装为标准化程序包，并以权限接口方式接入新能源智慧运营管控平台，实现模型调用与数据存储；同时设计简洁易用的操作界面，便于运维人员快速查看与使用数据，降低上手门槛。

图2：系统实施路径

一是数据分析层面，项目采用Parquet、ZSTD压缩等技术，构建湖仓一体架构与冷热分层机制；结合统计方法与机器学习方法（时间序列分析、自编码器等），形成多源交叉验证+动态自适应的数据清洗模式。二是算法模型层面，建设以类Transformer编码器－解码器模型（N－HiTs、TFT）为主、TCN、LSTM等轻量模型为辅的模型库，以适配多电站、多设备与多类预测任务。三是训练部署层面，融合Optuna自动调参与残差监控、自动重训机制，使模型在不同站点扩展与设备增量情况下仍保持稳定性与高精度，形成“训练－评估－改进”的闭环体系。

一是创新成果突出。系统研发实现了不依赖气象预报的AI光伏功率预测能力，并融合CNN、LSTM、Sparse－TSF等多源混合模型，预测精度优于国家标准《GB/T40607－2021》，达到国内先进水平，有助于提升企业口碑与投资吸引力。二是降本增效效果明显。单电站可节约预测软件采购费用30万元/套、年维护费用6万元，试点电站全生命周期预计节省约180万元成本，并减少非停损失60万元；同时每年可减少城市气象数据采购支出超过100万元。