DeepSeek创新，对新型电力系统的启示

AI对这个问题的理解

（来源：鱼眼看电改 作者：俞庆）

“DeepSeek的创新对电力行业有什么启示”，这个话题我首先问了DeepSeek R1本尊，它给出了一堆技术创新的应用点，

于是我意识到，我更想知道的是DeepSeek在AI领域创新方法论，对电力行业的启示，而不是技术层面，它给出的答案依然很技术。

ChatGPT-4o的回答在抽象层次上，稍微好一点。

综合AI的观点，我觉得可以从两个角度去看待这个问题，一是系统可塑性，二是系统中心化与去中心化的趋势。

在生物学领域，神经网络的可塑性（Neuroplasticity）指的是神经元及其连接（突触）根据外界刺激、学习和经验进行调整和重组的能力。这种可塑性是学习、记忆和适应新环境的基础。

在原有的LLM模型基础上，DeepSeek创新的运用了新的思路和技术，比如多头注意力机制、DeepseekMOE架构、混合精度训练、知识蒸馏、基于规则的奖励模型 (RM)等等，形成了新一代的大语言模型。

这些思路和技术也迅速地被各大头部厂家所学习，深刻的改变了大模型未来的发展路线，可以预见采用DeepSeek方法的新版本大模型会迅速超越原有版本。

算法神经元网络

从神经元网络的可塑性角度看，计算机系统上构建的算法神经元网络，架构可以被迅速改变，而且可以在不同的颗粒度、层次、方向上进行快速重构，只需要改变代码，或者替换算法模块即可。

1、迭代速度极快

2、改变几乎不受任何制约

3、可以动态灵活地分配资源。

缺点是算法模型的训练优化过程，需要海量数据和能源的支持。

蛋白质神经元网络

而生物学意义上的蛋白质神经元网络，虽然具备很强的可塑性，但是：

1、受制于生物进化，比如人类大脑的新皮层神经元网络，也经历了几十万年的进化过程，其进化目的不是适应快速变化，而是平衡稳定性和适应性，尽量避免大规模的突触连接重组。

2、进化策略是稳定性优先，具有记忆、搜索、逻辑思考的大脑新皮层，其学习机制注重长期记忆的巩固（如通过睡眠中的突触重组）。快速的可塑性变化可能导致记忆不稳定或混乱，这对于生存和决策是危险的。

3、人类大脑有系统一和系统二，系统二也就是新皮层需要大量能量进行驱动，所以需要较大功耗（大概20W左右），虽然这和计算机神经元网络学习和推理比也只是九牛一毛，但是对原始人类来说，长时间维持这种功耗所需的能量摄入也是非常困难的——人天生就不喜欢深度思考，因为太累。

电力系统网络

如果我们用系统进化视角看，电力系统网络和神经元网络具有一定的相似性，比如：

1、都具有复杂系统特性的拓扑结构，两者能够具备涌现特征，只是电力系统网络对不可控的涌现是极端抗拒的，比如事故的非线性扩大。

2、功能上都是传递信号、或者能量，并要求维持相对的稳定结构，比如用分层、动态响应、容错等机制。

3、都具有一定的适应性，但都具备脆弱性。

在可塑性方面，电力系统网络是最差的。电力系统网络的设计目标是稳定可靠地传输电能，而非动态适应性或学习能力。网络结构通常是固定的，线路、变电站等基础设施的调整需要大量时间和资源，物理上的可塑性极低。

虽然智能电网的引入为电力系统增加了一定的动态调节能力，例如通过实时数据优化电力分配，但这种调节是基于预设规则和算法，缺乏物理层面自我重构能力。

某种意义上说，电力线路和设备从规划开始，就决定了整个系统的可塑性较低，而强调稳定性和可靠性，因为电力系统的核心是硬件基础设施，物理改变（如增加线路、提升容量）需要长期规划和施工。在面对突发性需求变化或故障时，调整能力有限，更多依赖冗余设计而非自我适应。

新型电力系统面临的最主要挑战，是当电源结构发生较大变化，大量不稳定、难预测的电源，在电力系统的高压侧和低压侧同时并网，原有的网络可塑性较低，不得不增加更多的冗余（如果我们把储能也看成一种增加缓冲的冗余机制）去应对这种挑战，最终还是导致系统运行风险增加，且系统调节成本快速上升。

虽然包括虚拟电厂在内的智能电网技术，甚至大模型深度参与电力系统调度，可以解决一部分的电力系统脆弱性问题，但是如果电力系统物理网络没有更强的弹性，风险依然存在。

也就是用二次系统的技术（自动化、通信、计算机），无法较好的解决一次系统（物理网络和物理网络运行机制）的问题。

这也是虚拟电厂技术本身的制约所在。

ChatGPT在分析中提到一个有趣的观点：

电力系统早期的设计，更强调“小世界特性”，也就是电力系统是从小配电系统慢慢进化而来（我国到上世纪80年代，还处于多家办电的本地配电系统占主导的局面），发展到今天的某种极致状态“特高压交直流互联”。

神经网络和电力网络都表现出“小世界网络”的特性，即局部节点之间高度连接，同时通过少数长程连接实现全局通信。这种结构在提高效率的同时降低了连接成本。

从能量/信息传输效率来看，一定是短期、局部的传输和处理效率，高于长期、长程的。

而从演化的趋势看，神经网络和电力系统都具有某种本能的去中心化趋势：

电力系统正在从传统的集中式发电（如大型电厂）向分布式能源（如太阳能、风能）转变，这类似于神经网络的分布式处理能力。

大脑的神经网络本身就是一个去中心化的系统，不依赖单一节点，任何局部损伤都不会导致整个系统崩溃。

所以从电力网络的重塑可能性看，在网络末端的分布式重塑，部分去中心化的重塑（不是绝对去中心化，个人认为去中心化电力系统在电量上最多只占20%），能够较大程度的降低新型电力系统的整体风险。

AI在进化过程中，也出现了集中性大模型平台，逐步衍生出适应不同场景的，能满足端到端智能需求的AI Agent。

AI Agent与末端重塑的电力网络场景—微电网又可以形成新的耦合，比如AI Agent微网，与配电网进行互动，是新型电力系统新形态的可塑性。个人感受是AI的进化速度，将拉动新型电力系统在最具备可塑性的各个场景，进入快速迭代过程，并产生更大的价值。

虽然与整个电力系统的规模比，无论是资产规模，还是电量规模，可能都是只是二八定律中的二，但是二这部分的改变，将极大影响整个网络的进化和面貌，比如在算法神经元网络中，权重网络的少数参数变化，或者某个重要算法模块、训练思维的改变（比如DeepSeek采用MOE专家机制等），就极大的提升的整个网络的表现。

新型电力系统20%的去中心化、微网化和AI Agent融合，也是如此。

本文也是人工文字智能和AGI推理生成的混合智能产物。

进化，一切皆有可能。