作者：邹德虎
首先是题外话，我在知乎看到一个问题，大意是“现在的研究生是不是比十几年前厉害得多？”答案清一色的认为现在的学生厉害多了，比如说现在的学生可以大量发表SCI论文，无论是英语、计算机还是AI水平都比前代厉害多了，而且能搜索巨量的信息，应该要把前辈都“淘汰”掉。但是，我还看到有不少人，认为古人、老祖宗的智慧更高，更崇尚先人的智慧。我以前还发表过这样的言论“突然有种想法，现在南瑞（也包括其它单位如东方电子）年轻人很难有我们当年的锻炼条件了，一方面是信息安全方面的合规性要求更严苛了，现场不允许做大的动作；另一方面系统功能很多，人也很多，每个人只负责极小的一部分，像我这样的几乎什么都干过，应该是很难再见到了”。
怎样更公平评价呢？其实从人类历史角度来说，最近1万年人类的平均智商几乎是完全不变的。甚至有研究表示，原始人的平均脑容量比现代人更大，可能是他们狩猎和采集的生活方式与现在完全不同。脑容量并不等于智商，但不管怎么说，并不能认为现代人比古人更聪明。
人类的进步，其实是每一代人，基于能够获得的条件往前进一步，这就是创新。创新必须立足于现有的经济社会环境、工具、技术积累等，脱离具体的历史条件，抽象地谈论创新是毫无意义的。哪怕是纯粹的数学和自然科学研究也是如此。有人可能认为纯理论研究可以由学者的兴趣和审美驱动，与社会没什么关系。但实际上，现代社会的科学研究需要大量公众资助，由于公众是不懂具体的理论的，因此他们对于具体的理论研究不做硬性要求，理论研究的投入更像是风险投资。但是公众绝不会允许整个学科领域，在数十年的时间都不产生任何实际应用（自然科学对技术研发有很多间接推动，也属于实际应用）。
下面主要讨论电力系统领域的工程创新，首先是创新的定义。根据专利法，发明专利应该具有新颖性、创造性、实用性。这也可以作为创新的参考定义。新颖性是与已有成果的显著区别特征；创造性是具有突出的实质性特点和显著的进步；实用性是能够应用并产生积极效果。新颖性、创造性、实用性，这三者都是不可缺少的。
电力系统成果的实用性意味着创新能够直接应用于电力系统的运行和管理中，提升系统的效率、可靠性和安全性。此外，实用性还包括创新解决方案的可操作性，即新技术或方法能够与现有系统无缝集成，或者能够在不需要大规模改造现有基础设施的情况下实施。比如说，配电网的基础自动化都尚且未全面覆盖，更不用说数据质量情况。这种情况下，主网调度和稳定控制的很多东西就不能直接搬到配电网中去，因为改造成本是非常大的。
创新必须在经济上是可行的，即在带来技术和服务改进的同时，还能在成本上显示出优势。经济性不仅关乎初始投资的回收期，还包括长期运营中的成本效益分析。只有当创新项目能够展现出良好的投资回报率，它们才会被广泛采纳和推广。电力行业的资本密集性和公共服务属性要求任何创新都必须充分考虑经济因素。电力系统的创新不仅需要评估其对提升系统性能的贡献，还要考虑其在市场上的竞争力，以及如何在不增加消费者负担的情况下实现成本回收和利润增长。
在电力系统工程领域，需要严格区分工业创新和学术界创新，绝不能混为一谈。学术界创新主要目标是探索新知识，更多是出于对科学探索的兴趣和对知识边界的拓展，而不是直接的经济利益。在实施过程中，学术界创新更注重深入研究和严格的论证，其成果往往首先在学术期刊发布，而非直接投入市场，更不会保密。当然，工业界和学术界的合作也是重要的，许多工业应用的创新技术最初都源自于学术界的研究。
近年来，以大模型为核心的通用人工智能（AI）取得了巨大的进展，最近OpenAI公司发布的成果和视频震惊了很多人。我的观点是，虽然AI技术将会带来重大的变革，但它在可预见的未来，更多将作为辅助工具，而不是完全替代人类对电力系统的决策和控制。对于电力系统的创新来说，AI属于工具箱中增添了强大的工具，但工具用不用，取决于真实的需求。不能喧宾夺主，一定要想方设法把某个AI技术用起来，然后跑到电力系统领域去“颠覆”。
当前情况下，AI技术可以增强现有的电力系统管理和控制框架，而不是完全替代它们。比如说，电网调度自动化系统的运行，最早是打电话，甚至调度员都看不到电厂的遥测数据。自动化技术的发展，使得调度员可以更好的获得电网观测感知能力、调度员之间的交流也可以通过多级协同、发令等系统而不是电话，这是电网调度的能力提升，而不是颠覆。未来，AI的发展相当于每个调度员都有了经验丰富的“军师”，这还是电网调度的能力提升，原先的系统既没有颠覆，更不存在“AI替代人类”。
最后探讨下工艺和技术的区别。工艺指的是生产过程的具体步骤和方法，而技术包含了实现这些过程所需的工具、机器、设备和知识。工艺是技术在特定生产活动中的应用，而技术是包括工艺在内的更广泛的知识和工具体系。对于现场工作来说，大量的工作属于工艺过程和工艺革新。（比如说，倒闸操作就是典型的工艺工作；二次设备检修也是工艺为主，因为它们需要遵循特定的规范来处理问题）。本该由技术支撑、或者自动程序来解决的问题不能让现场工作人员来解决，比如继电保护的现场操作就那么几种（压板投退、定值修改等），你不能要求现场工作人员当场算保护定值。还有发电厂的励磁系统运行工作，你不能让发电厂的运行人员当场计算振荡阻尼比。这就要求技术有良好的封装，开放部分必须为现场规程能够完全覆盖和操作，而封装部分（自动控制部分）具有绝对的可靠性。我以前写过文章，分析过为什么先进控制理论的应用很难推广，这也是一种补充解释。
郭朝晖博士是有长期企业一线研发经验的工程师，他长期担任宝钢研究院首席研究员，在宝钢集团解决了许多实际的工程技术问题。他的新书《知行:工业基因的数字化演进》，主要写的是从传统行业的角度，如何开展数字化转型，应用工业互联网、人工智能、大数据等先进技术。我看到关于所谓云计算、大数据、人工智能等先进技术，往往是互联网行业的专家提出，然后往传统工业领域推广。反过来，传统工业领域的专家怎样从自身的需求出发，采用先进技术来改善自身的生产实际问题，这方面的书算是非常罕见了。他的很多观点是值得参考的。 下面我摘抄这本新书的部分内容，在后面加上我的一点评述。摘抄的部分都给出了页码，而且放在引号内加粗。其它文字都是我补充的。
P6 “熊彼特认为：发明并不是创新，只有将发明用于经济活动并且取得成功才是创新”。也就是说，真正的创新需要在经济上形成闭环，取得商业上的成功。而很多所谓的创新则属于试点或者原型系统，并不一定能够很好的在生产环境中发挥作用。
P8 “以经济成功的标准要求创新，技术的关键是满足用户和市场的需求。为此，要在条件不理想的前提下合理定义需求。需要满足用户对安全性、稳定性、可靠性和成本的要求。在我国，学术界的很多错误观点会误导创新者。例如，过度强调理论的作用，过度强调新颖性，过度关注技术本身，忽略市场大小和用户需求的特殊性”。郭朝晖博士的观点非常有针对性，这也与我在电力行业的工作经验是吻合的。
P10 “对于特定行业的工程师，导致创新的直接原因并不一定是新的科学发现或者理论。科学研究和技术创新的方法也不一样”。科学研究和技术创新是不同的领域，这就给科技项目立项、科技成果评价带来了一定挑战。
P12“工程师建立使用模型时，会受到各种现实条件的制约。模型的正确性和现实可行性之间可能存在矛盾。工程师的任务是解决实际问题，要把现实可行性放在第一位”。很多高校的师生可能非常难以理解，如果正确性不能保证，那其它的一切难道不是空谈了吗？或者，再举一个简单的例子。控制理论的研究者常常说，你的控制连稳定性都证明不了，那怎么可以用呢？这种思维方式是很常见的。其实，工程师的任务是解决问题，理论上最优的方法未必满足约束，有时候不得不使用精度低的方法，或者采取非技术方案。或者，我说的更直白一点，工程师要解决某个控制问题，他当然可以用李雅普诺夫定律来严格证明；他也可以高薪聘请竞争对手的高手跳槽过来；他还可以搞逆向工程，拆解竞争对手的产品。上述三种方式在学术界看来是极其不同的，但在工程界都很常见。
我在网上听到一个故事，钱学森当年请了很多数学家来帮助航天工程的进展，但是数学家喜欢在理论上严格证明解的存在性。但是，竞争对手的卫星都在天上飞了，这个时候再证明存在性有多大工程意义呢？钱学森据说很火大，他显然希望数学家直接给出数值解，当然解析解就更好了。这就是学院派和工程师的思维方式差异。
P16 “需求的改变，是创新的机会。包括企业对产品质量、生产效率、安全、环保要求的提高。以及互联网技术的发展，知识信息共享促进技术成本的降低”。也就是说，创新的驱动力是需求。我以前的文章也说过，好的技术，无非就是解决以前解决不了的需求，或者大幅降低成本。
P22 “个性化需求解决后，经过提炼总结，变成可推广、可复制的通用技术或者产品，就成了典型的创新”。企业的一线工作人员，容易发现个性化的需求。如果反过来，某个团队有了成果，然后到处找应用场景，抱怨推广难，抱怨没有一线的数据，这种路径可能很困难。
P24 “专业技术团队往往远离需求产生的现场。明确需求是创新的起点，也是最关键的步骤”对于电力公司来说，运行人员自己编写程序，自己用自己写的程序进行调度控制，这绝不是什么天方夜谭的事情，法国电力公司据说有这项传统。至少，重要的系统，例如当年南瑞OPEN-3000开发时，当时的甲方江苏省电力公司的工程师和乙方南瑞的研发工程师，都是在一起工作、一起讨论的。一些应用层的程序，老一辈的调度运行人员是可以直接参与编程的。只不过这项传统似乎没有传承下去。当然，工业软件有自身的门槛，对非计算机专业的人来说确实有难度。但是随着电网云平台的发展，应用层APP的开发难度和门槛也在下降，用户和开发团队的高度紧密合作是非常有效的。当然不管是甲乙方共同工作，还是采用常规的需求面谈、制定需求规格书，需求的重要性怎么强调也不为过。
郭朝晖博士后面还谈了控制论、数字孪生、工业互联网、工业APP、人工智能等技术，也都有自己的思考。本文就不引用太多了。下面再引用一些书本结尾的部分内容。
P245 “宣传材料上的东西易于传播，真实现场的东西不易传播”。这里郭博士提到有些专家没有实际的工程经验，主要是通过宣传材料来了解工程情况的。
P 246 “擅长理论研究的专家，往往对工业实践具有过大的话语权和影响力、这对我国制造业的科技发展是非常不利的。一线技术人员往往发现，理论的先进性与技术的实用性往往难以兼得。”这里郭博士是对科技项目管理提出了很多建议，包括创新点、科技项目指标等的讨论。
P250 “工业技术的话语权往往掌握在对现代工业了解甚少的学院派专家手里”。这里郭博士主要从历史角度论述了这些现象的成因，指出这些现象可能会误导国家政策，误导年轻人的发展。
最近看了黄仁勋采访OpenAI首席科学家Ilya Sutskever的视频，Ilya Sutskever提到，他大概2013年开始尝试大规模的神经网络，一开始是用MATLAB编程，当时并不懂底层优化技术，例如不懂BLAS，更不会用GPU加速。巧的是，我大概也是那个时候，尝试采用先进的数值计算技术（包括BLAS和稀疏矩阵）改造传统的电力系统Fortran程序，改成高性能C++程序。Tim Davis教授的那本书《Direct methods for sparse linear systems》都翻烂了。当然这项工作并不是公司安排的，只能在业余时间去做，有些对比结果经常在晚上把自己吓一跳。
我说这些，是想表明自己对AI的底层技术并不是一无所知的，虽然没研究过AI，但发表一些看法似乎还是可以的。也许有些人可以调用别人写的python包，还可以调参，但未必对AI技术有深刻的理解。
关于创新，很多人熟悉并且谈论的是常规创新，又曰改进性/延续性创新（我之前文章说的创新基本上指的是改进型创新）。其实，还有一种创新更能改变世界，叫做颠覆性创新或者破坏性创新。显然，ChatGPT应该是基础性的颠覆性创新技术。
哈佛大学商学院的商业管理教授克莱顿·克里斯坦森（Clayton Christensen）对颠覆性创新有过深入的研究，他在1997年出版了《创新者的窘境》，影响很大。他的主要观点如下：
颠覆性创新最开始在性能上不如现有技术，但在价格、便利性或其他方面具有优势，它通常先满足市场边缘或低端用户的需求，然后逐渐向主流市场扩散，最终取代原有技术和企业；
管理良好的企业往往会忽视或拒绝破坏性技术，因为它们不符合现有客户的需求和利润要求，而且需要开拓新的市场和组织结构，这与企业的资源、流程和价值观相冲突；
企业应该根据不同的创新类型采取不同的管理策略，对于延续性创新，可以遵循现有的市场需求和组织结构，对于破坏性创新，应该建立独立的部门或子公司，以灵活、快速、试错的方式探索新的市场需求和组织结构。
很多颠覆性创新大家都耳熟能详，例如数码相机对于胶卷的颠覆，虽然最早发明数码相机的是柯达，但是柯达的胶卷业务导致它无法应用数码相机。最近的例子是谷歌公司，“起了个大早，赶了晚集”，虽然ChatGPT相关底层原理是谷歌最先提出的，但是谷歌担心影响自己的搜索业务，导致无法投入巨资开发自然语言大模型。现在谷歌应对OpenAI的挑战已经非常被动了。
我之前反复谈论过创新的驱动力是需求，需求的动力比任何科技项目、任何技术规划都要强劲，而且是根本性的。那颠覆性创新的驱动力也是需求吗？在我看来，推动常规创新的需求，是那种看得见摸得着、可以梳理，可以提前谋划去解决的需求；而推动颠覆性创新的需求，则是容易被人们忽视、很难预料的，甚至被很多人置之不理，觉得是异想天开的需求。例如，人们当然有使用各种APP的需求，但是苹果手机之前，没有人想到那么多的APP居然可以集中到一个打电话的设备上去；还有在汽车发明之前，人们有加快速度的需求，但这些需求会指导人们去寻找跑得更快的马，去改造马车，等等。
对于ChatGPT的需求，你可以假设自己回到20年前，站在当时的科技管理人员的角度，能否提前用各种重大科技项目规划出来。
对于消费品市场，颠覆性创新可能导致公司的残酷竞争，甚至倒闭。但是对于电力系统这样的传统工业，由于自然垄断等因素的影响，真正的全局性颠覆性创新很少。例如目前很火的基于新能源的新型电力系统创新，虽然能部分重构电力系统，但是很难对整体电力系统的物理架构和管理模式带来全局性的重构。
但这绝不意味着电力系统就没有颠覆性创新了，只不过这些创新往往发生在某个局部，并不为大众所知。举一个我亲历的例子，以前的继电保护整定是离线手工计算，效率低而且容易出错。几年前可以做到基于调度自动化系统自动整定电网保护，这可以带来效率和管理的极大提升。按理说，调度自动化系统是南瑞垄断的，南瑞具有非常强的平台优势。但这项成果是中恒博瑞开发的，这个成果在全国的推广应用过程，我都看在眼里。南瑞作为垄断企业一点办法也没有（我个人倒是有应对方案）。
在电力系统的需求方面，我再举几个例子，而且可以不用严格区分常规创新或是颠覆性创新。
我十几年前在500kV变电站工作过，当时没有信息化系统，设备台账都是打印出来纸质版，效率低而且很难信息共享。只要开发出一种信息化系统，哪怕是啥功能都没有，只有电子化台账功能再加上查询功能，那都是对生产力的极大解放，是很大的突破。后来的PMS系统，功能非常多，可以说是令人眼花缭乱。但是用过PMS系统的一线工程师，都能体会到PMS系统的实际现状是什么样子。
我使用D5000调度系统，如果在大型的调度中心，想要找某个设备在哪个变电站，然后把变电站的一次接线图打开，这是一件很困难的工作。查询起来很繁琐，如果记不清设备的准确名字，检索起来就更难了。有人觉得我的需求是不是非常弱智，连小孩子都可以做到。但是我毕竟是厂家技术人员，并没有天天用D5000做本地的调度业务，这确实是困难的。这对于电网调度中心的新员工，以及处理复杂紧急故障的老员工也是有实际意义的。当然，综合智能告警的自动推图部分解决了这一问题，但还不能覆盖全部的业务需求。
电力系统状态估计是很多学者研究的课题，但是自动控制程序依据的关键量测（例如AGC中的联络线功率；AVC中的枢纽母线电压）是不依赖状态估计的，对于控制来说，我们需要在可靠性方面保证这些少数关键量测具有可信度。这方面的研究我从未看到过。
上面我说的几个例子，似乎都上不了台面，都太“低端”了。但是我认为，解决真实的需求，比创造无数令人头晕目眩但不能实用的成果要强得多。
无论是颠覆性创新还是常规创新，都需要在经济性方面形成闭环，取得效益大于成本，否则就不是可持续的。有些人常常寄希望于“不计成本”的投入研发，然后把相关技术做成“白菜价”。这对于极少数行业是可行的，也不得不为。但是三百六十行，所有的行业、所有的需求都“不计成本”，那绝对是天方夜谭。
对于颠覆性创新，其经济性的要求甚至更高一些，毕竟颠覆性创新是要与传统大企业正面PK的，财力肯定更捉襟见肘。但是有些人认为我们缺少基础性创新，是不舍得烧钱，只要狠狠的烧钱，然后把很多很多钱给鼓吹高新技术、鼓吹高端研发的人或者企业，颠覆性创新就自动蹦出来了。当然，颠覆性创新确实存在“烧钱阶段”，这一阶段需要投资人长远眼光，且能自负盈亏，最终目的还是取得经济收益，而且是比传统创新大得多的收益。
一个简单的例子，变电站巡视机器人，我个人认为变电站的巡视自动化很有必要，但是变电站设备都是固定不动的，通过大量的传感器、摄像头，以及图像/视频识别技术，照样可以实现自动化巡视，而且成本比可移动的机器人小得多。可能有人提出传感器的通信网络问题，实际上，变电站那么多保护设备都建立在通信网络基础上，早就是成熟到不能再成熟了。
下面再继续聊一聊AI技术在电力系统的应用前景。电力系统是安全生产、可靠性要求非常高的行业。我们可以把电力系统的主要业务分为两类：
与控制和安全生产直接相关，比如各种控制系统和保护自动装置，以及为控制服务的分析和优化算法。这部分技术对于可靠性的要求甚至超过了本身的功能要求。对于算法来说，要求具有可解释性和在安全生产管理的完全掌控。比如说，学生很喜欢用遗传算法等智能优化算法，好发论文，但是实际的现场，还用的是线性规划、二次规划、混合整数规划等传统运筹优化算法。又比如说，机器学习算法可以提高EEAC算法筛选算例的效率，提高计算速度；但是EEAC算法的准确性由数值积分算法和电网模型决定，与机器学习没有一丝一毫的关系。
与人的工作相关，而且这个人的工作有不确定性。例如负荷和新能源的预测，AI绝对是有用武之地的。除此以外，在调度运行工作中，AI可以快速汇集信息进行分析，提高人的工作效率。还有，电力工作者有许多经验的成分，比如我以前调试状态估计和潮流断面，经验很多，但这些经验很难传授给别人。我以前工作的变电站站长，可以通过听电力设备的声音，就判断出互感器的工作存在问题，而且影响到了主站数据的准确性。还有很多专家可以通过视觉发现瓷瓶绝缘的问题。这些经验的软件化、AI化，是有前景和必要性的。
最近对于ChatGPT的使用，发现它对于电力系统的行业知识还是非常欠缺的。我以前设想过，电力行业有那么多规范、标准、应急预案、规程，还有行业的数据、设计手册，等等。这些都可以用自然语言处理技术学习训练，然后做出的应用以云计算的方式给电力行业从业者使用。
由于电力系统的信息安全要求，电力行业的大模型应该是独立部署于私有云，针对行业知识进行专门的优化。考虑到可以直接应用大模型的数据，因此电力专业模型的训练费用不会那么的高。微软投资ChatGPT的费用可能已经达到百亿美元的量级，但是中国投资电力二次设备的费用每年也高达上千亿元人民币，再加上电力行业的AI应用成本（电力文本基本是很规范的，训练成本低）不可能有通用AI那么高，我认为是有可行性的。电力行业的AI应用投资也很大，但是我认为可以通过提升管控能力回收投资成本。以前的电网，只管理到变电站，配电侧的馈线管理是非常粗放的。随着技术的发展，越来越多的配用电主体参与到电力系统的整体优化运行中来，信息和运筹管理的规模将要以数量级的优势扩张，这需要AI技术辅助提高管理和运行效能。当然，基础的自动化、通信、运筹优化算法等等也都非常重要，不能过于强调AI的重要性。
最后谈一谈作为电力行业的从业者，在AI大潮中应该怎么做，毕竟最近很多网友在担心自己的饭碗会不会被AI取代。首先，对于新技术不能有抵触情绪，新技术的扩散和应用是历史趋势，不会因为个人的喜怒哀乐而影响分毫。其次，正如同自动驾驶不能代替飞行员的工作（其实AI也不能代替汽车驾驶员）；AI不能代替医生，对于安全生产负有责任的一线工程师，不用担心自己的饭碗。但一定需要积极拥抱新技术提高自己的工作效率。最起码，可以尝试用python和AI工具来生成报表/报告而不是一个字一个字的写，这是提高工作效率的一个例子。最后，如果你的工作脱离了实际现场，比如说上传下达，只是接收上级的要求，不做决策，分解成具体任务给同事；然后汇总同事的工作结果，上报给上级。或者汇总了大量的非现场的信息，整理成报告、论文、专利，等等，然后这些文字材料并没有对实际的工业现场产生影响。还有的专家主持非常复杂的信息化系统设计，但是自己既没有一线经验，又不会编程，甚至连python都没写过。这时候就要仔细想想未来的AI会不会给你带来冲击了。
其实我觉得自己也算是有一些工程经验的，平时也有一些碎片化的思考和总结。但是没有郭老师那么强的概括能力，用短短四句话，就总结浓缩了在数字化转型和创新方面的方法论。没有几十年的专家经验和深入思索，不可能做到。
下面结合我自己的一些经验，谈谈对郭老师的这四句话的体会。
无论是业务还是研发，一定会遇到不确定或者模糊的问题。要实现创新，我们需要对这些问题进行梳理，明确目标和方向。具体到数字化转型这一领域，清晰化的主要体现如下：1）需求导向，需求非常清楚了，问题也就清晰一大半了；2）并不是一大堆数字、好看的曲线图、炫酷的PPT就是清晰化，清晰化本质上是逻辑的清楚，把基本事实和逻辑弄清楚，也就是在定性的大方向不能偏差，至于定量分析的部分，那是锦上添花；3）先进的信息技术建立在模型的基础上，无论是业务的建模、还是工程的数学建模，都对后续工作起到重要作用，这里可以参考领域驱动的一些概念。
对于技术人员来说，复杂问题简单化是非常重要的原则，我亲眼见过技术人员在这点就是转不过弯、想不通。有时候，简单的技术或许在若干指标上不如复杂技术，但是简单技术在实施环节可能稳定性好，可能容易被现场工程师运维，可能可靠性更高，又或者成本更低。在需求基本满足的前提下，工业现场都是倾向于选用简单的技术。
当然，下面再发散一下，用软件工程举例。软件工程的精髓是对复杂性的控制。复杂性分为本质复杂性和附加的复杂性。本质复杂性指的是问题本身就复杂，例如工业仿真软件，一定要对工业对象进行细致的建模，还要有可靠的数值求解，还必须有完善的人机界面。这里面的代码量一般都是百万行以上的，是很难省的。但是附加的复杂性优化空间就更大，比如选取过度的支撑性工具，例如中间件；设计不佳，导致模块过度耦合；或者编程质量不高，出现大量的冗余代码和bug，等等。
研发管理也是相同的道理，为了解决一项业务，肯定需要一定规模的团队。但是团队规模与团队能力是否是成正比，不见得。管理的附加复杂性主要体现在沟通成本并不是与人员规模成正比增加的，当然我们可以选择更完善的管理体系和团队结构改善这一问题。
一般而言，附加的复杂性不能比本质复杂性大的太多，也就是不能喧宾夺主。有的系统并发量也就最多1天几百次访问，这时候建立复杂的中台或者建立复杂的微服务体系，实在得不偿失。
数字化转型要求我们从整体和系统的角度考虑问题，以便实现协同和优化。我之前的文章也提过，系统带来的效果是1+1>2的。以前的很多孤立问题，也许难以解决，但是系统建成后，很可能是水到渠成的。
这方面，电力系统的例子非常有说服力。水电和火电可以协调，风电和光伏也可以协调，如果只要孤立的发电而不是连接成网络，电力是不可能安全稳定运行的。我之前的文章反复强调了系统性的重要，在这里就不展开了。
这里的标准化是广义的标准化，不局限在行业标准和国标。在传统工业中，企业往往依赖于员工的经验和技能。数字化转型要求我们将这些经验和技能标准化，使之可以被更广泛地传播和应用。我以前提到，人工智能最好的应用场景之一，就是把人的经验固定到软件上，这也是标准化的一种方式。在每一个企业内部，还可以把员工的经验和技能转化为可复制、可扩展的标准流程。我了解到华为每个员工解决问题后都把问题和解决方法记录下来，其他员工遇到类似问题就可以查询到记录，还可以联系到记录者本人请教，这就大大提高了效率，是一个非常好的标准化流程。
最后，我惊讶发现，郭老师这四句话，竟然是“自举”的（编译技术的一个概念，指的是编译器可以编译自己）。工业创新的方法论其实非常模糊不确定，找不到方向，这四句话给人们清晰的认识，这是“模糊问题清晰化”；方法论当然是非常复杂的，但是我们确实需要言简意赅的指南，这个指南郭老师压缩到只有四句话，这就是“复杂问题简单化”；工业现场千变万化，不同的场景，到底有没有系统性的共性规律呢？其实是有的，这四句话就是“碎片问题系统化”，是一个系统性的方法论；最后，方法论和指南需要标准化，从而更广泛地推广应用，这四句话就是“经验问题标准化”。
首先是数字孪生，我认为数字孪生并不是新概念，早在20世纪70年代，国外就在调度SCADA的基础上建立能量管理系统（EMS），其主要的特点是具有高级应用的功能，从而在调度中心维持一个与实际电力系统并行的数字孪生电网，通过网络建模和状态估计更新实时状态，同时可以引入各种网络分析和优化算法，并实现控制，从而引导实际电力系统状态驱优。电力系统数字孪生已经有50年的历史了。
值得讨论的是为什么最近几年，数字孪生的概念才流行起来？因为信息技术的发展，无论是算力，还是通信的成本都在下降。以前只有少数行业的少数关键系统才可以建立信息系统，现在各行各业都可以尝试数字化，以前做不到的事情都可以尝试去做。例如，开发一个大型的分布式计算机系统，在20年前可能需要数百人规模的开发团队；现在通过应用开源框架，只需要10人的团队就可以搞定了。
对于电力系统来说也是如此，调度的数字化是走在前面的。直到十几年前，运维检修、配电、营销、工程建设等的数字化水平都比现在低得多。比如说SG186工程是2006年才开始提出建设的；但是早在20世纪80年代，电网就已经进口了四套能量管理系统。这里存在很大的时间差。当前计算机技术的发展，建立各种“系统”、“平台”都已经没有硬性的门槛和难度，更关键的是解决真实的需求。建设调度自动化系统的成功经验，能否直接照搬到设备管理(PMS)、用电采集系统、规划平台等其它信息化系统？恐怕不是这么简单。
然后是电力系统的各种“时代主题”。比如我刚工作时的“坚强智能电网”，再到后来的“泛在电力物联网”，再到“能源互联网”，现在的提法是“新型电力系统”。这些主题虽然名词不一样，但是总体脉络是一致的。搞技术的人可能觉得无论主题怎么换，但是实际都要做的工作都差不多。这里面就反映了最近几十年电网发展的大背景、大趋势，是电力系统在信息技术的发展推动下，改进自身的设备组成、网络结构、技术体系、管理运行等等。电力系统自身的纯粹知识体系，例如发电机的数学模型、调度优化、暂态稳定评估等等，相对发展没有那么快，而且本身也受到信息技术发展的推动。
其实，10年前出版的一本书就已经很好的讨论了这个话题，（已故）卢强院士写的《智能电力系统与智能电网》。这本书我记得是2013年出差华东网调，在黄浦江边的上海书城买的。书里面提到卢强院士早在2000年就提出要建立数字电力系统，但当时的提法并不系统，这本书是比较系统的总结。本书以复杂系统的混成控制为理论基础，提出建设智能电力调度自动化系统（也包括其它系统）。当然，在具体的技术细节方面，我还是有一些不同看法的，例如状态估计的定位、无功电压控制的算法等。但总体结构梳理的非常清晰，而且不乏很有前瞻性的内容。比如说，第164页提到电动汽车参与虚拟电厂，作者呼吁充电桩应该即可以充电、又可以放电，“双向充放电”才有更好的效果。正巧前段时间，我的老领导龚成明在朋友圈分享了特来电公司在虚拟电厂和电动汽车双向充放电的最新实践，在业界仍然是非常前沿的探索。这个例子可以说明本书的前瞻性了。
互联网行业可能比较奇怪10年前的书居然不过时，这个例子就说明互联网行业和传统工业存在本质不同。互联网行业的理念、技术框架，如果不加分析和研究，直接平移到电力系统去用，一定会出现水土不服的现象。这里就不展开说了。
数字化转型不仅是技术问题，也是管理问题。管理体制不改进，仅靠花重金建设一套信息化系统，是很难有成效。当然，某些情况下也可以通过技术来促进管理问题的解决。两者必须齐头并进才可能成功。
电力系统行业的工程师也许有疑问，为什么建设电网调度自动化系统很少有人谈论管理的转型，但是其它电力信息化系统总是掺杂非常麻烦棘手的管理问题（比如营配贯通）。这是因为，调度在建设数字化系统之前，管理问题就已经理顺了。当时已经建立了多级调度协同的管理体制，只不过缺乏系统来实操，可能当时上下级调度是打电话沟通的，但管理本身是有效的。所以，智能调度控制系统又叫做“调度技术支持系统”，这个系统是支持、支撑、加强这个管理机制的。
这一点跟其它电力信息化系统非常不一样，很多新型业务要发挥联动作用，实现1+1>2，就要跨越“部门墙”。这就导致这些数字化系统，是同时需要技术研发和管理转型的。
下面再谈一谈电力系统工程技术人员的数字化转型，其实很多学者、工程师精通理论，但在数字化转型的大背景下，如果思维方式能够转过来，可以发挥更大的作用。
首先，现代的电力系统及其数字化系统，单个专家已经不可能搞定了，一定涉及到很多人的合作。这里面，工程技术人员不能有“一亩三分地”的意识。自己掌握的技术，别人可能不懂，但是有必要说明技术的接口、效果（包括实事求是的说出优点和缺点），这样才能更好的集成入系统并且发挥作用。
其次，理论和算法，如果停留在书本和论文上，价值是有限的。所以现在是“软件定义理论”，理论和算法只有实现为工业软件，才有可能进一步的在规划和运行中发挥作用，取得更大的价值。当然，有些理论和算法主要是教学和同行启发，通过“软件定义”的仿真等手段，可以可视化、直观化，那样效果也更好。
最后，发挥更大价值，要在“软件定义”的基础上进一步“系统定义”。包括软件与硬件结合，从而实现更高性能或者云/边/端设备的更广泛应用。或者云化，实现跨地域的工作协同，等等。
数字化转型的思维，看待很多问题会有新的思路。比如说（已故）周荣光教授《电力系统理论精析》提到，同步电机派克方程忽略了定子d/q绕组的磁链导数，很多教科书讲不清楚这个问题。实际上，用“软件定义”的方法，会有新的理解思路：1）建立同样的电力系统数学模型，但是其中定子d/q绕组的磁链导数有不同的处理，观察曲线有什么不同，我观察的结果是这部分差异衰减很快，对于机电暂态的尺度不影响；2）仿真软件实现机电暂态仿真，电网和元件是分离的，电网必须是纯粹的代数方程，微分方程都在元件中。这样可以大幅度减少软件开发的困难，提高仿真性能。而同步发电机定子绕组显然属于电网模型的一部分，这种情况下忽略微分项是非常自然的处理方式。
本文所指的甲方是电网公司、发电集团等电力系统运营商，乙方指的是装置或系统级产品的研发单位，例如南瑞、东方电子等类似的单位。关于电力系统研发体系的历史和未来趋势，我认为有以下三个阶段。
第一阶段：甲方大量参与核心技术开发。早期的信息技术远没有现在这么发达，甚至没有互联网。电力系统运营商汇集了主要的信息化人才。在这一阶段，电力公司或其他电力系统运营商深度参与技术研发。以下是几个例子：1）早期的继电保护是继电器实现的，很多逻辑是在二次回路这个层次实现，供电公司的很多专家可以深入的分析研究二次回路。2）能量管理系统的研发，早期的电网公司工程师与厂家深度合作，甚至一起编程。我所了解到的，南瑞OPEN-3000研发是与江苏省电力公司深入合作的；我以前在华北分部出差时，华北电网领导提到老一辈调度员也参与了WAMS的研发。国外的例子，有的电网公司直接开发高级应用，然后用自己开发的软件调控自己的电网。3）仿真系统的研发，例如加拿大曼尼托巴水电局为了研究水电直流输电系统的电磁暂态过程，开发了分析程序，后来才商业化作为产品售卖（例如RTDS）。
第二阶段：乙方研发产品，甲方提供定制化需求。随着技术的成熟和市场的扩大，专业化分工更明显，供应商（乙方）主导技术开发，而甲方则侧重于提出定制化需求和系统集成。这种模式有助于降低研发和运维成本，是当前电力系统技术开发的主流做法。但我们其实已经发现了很多问题：1）对于甲方来说，乙方的产品变成了黑盒。虽然甲方可以通过标准制定、入网检测、技术研讨、采购标书等诸多环节施加影响，同时所有的乙方都号称自己的产品是标准化、开放式的。但实情却是，甲方失去了对产品（包括自己的数据）的掌控权，强势的乙方甚至可以凌驾于甲方之上，这就是所谓“店大欺客”。这在某些情况下会引起问题。直到最近，我有个朋友在甲方想开发一套系统，通过收集不同产品的数据，进行横向分析和应用。最大的困难是与各个厂家打交道，怎样把各种数据整合起来。后面的算法研究与软件研发反而是相对简单的。2）甲方的技术人才可能会“闲置”，但乙方的研发人员可能会疲于奔命、忙的焦头烂额，这是一种很大的人才不匹配，对双方都是不利的。很多电网公司，尤其是经济发达地区的供电公司，很多员工都已经是博士学历了。当前阶段的乙方则是以硕士为主要骨干。我并没说博士的水平一定就高，但作为统计规律，以博士为主的团队的平均水平一般是高于硕士为主的团队的。但甲方博士团队却接触不到乙方产品的核心技术，只能做一些外围工作；或者申报一些科技项目，很难把科技项目的成果落地应用于实际的现场。3）具体需求（尤其是个性化需求）的研发成本非常高，企业APP与个人APP(例如抖音、微信、拼多多)很大的不同是：个人APP的研发人员也可以作为消费者体验自己的产品，对于需求的理解程度是相对高的。电力系统的乙方工程师对于甲方的业务有很大的疏离感，甚至干脆不懂相关业务。举两个我亲历的、跟保护相关的例子：某公司保护信息产品的研发人员是学计算机的，完全不懂继电保护的原理；某员工去培训地调DTS，帮助甲方实施反事故演习，地调的故障处置是非常考验保护水平的，那位员工两手一摊：“我就是不懂继电保护，你们爱咋咋地吧”。
第三阶段：随着AI和大数据等新技术的发展，使得甲方可以自主完成更多个性化应用的开发，乙方则提供更加开放和灵活的产品框架。调控云系统的建设、新一代调度系统的应用商店、智能融合终端的APP化，代表这方面的趋势。但上述趋势仍然初步的，摆脱了对特定/某个乙方的依赖，但仍未摆脱对现有乙方整体的依赖，特别是电力系统的乙方对于系统外企业（尤其是互联网企业）有很大的门槛。
以建筑（写字楼）为例，我们知道地基、框架结构、外墙都由建筑施工方完成，但是建筑内房间的装修和具体功能，应该是业主自己去做的。我认为对于电力系统的产品应该也遵循类似的模式，框架部分可以由乙方提供，但大量应用功能（APP）由甲方自己开发或定制。受限于技术成本，这一设想目前是不现实的，这也类似于低代码技术的推广难问题，包括业务和技术细节的复杂性、软硬件自身的技术问题、高安全和可靠性要求等。
随着AI和数字化技术的深入发展，上述瓶颈可能有望得到突破：未来的电力系统产品可能会采用更为灵活的架构，其中乙方提供的框架支持快速集成各种由甲方开发的应用功能，类似于智能手机操作系统和应用程序的关系。例如，乙方可以提供严格的仿真环境，甲方的个性化设想可以结合大模型技术生成Python程序，并在乙方的环境验证，验证完全通过后再应用于非控制的生产业务。甚至控制类的一区业务也未必不能开放。其实，现在很多DCS系统具有外部注入算法的功能，例如可以把默认的PID算法替换为甲方新研发的模型预测算法，当然验证测试、安全生产（包括信息安全）管理还是非常重要的。
对于新能源大量接入、用户主动参与电网运行（例如虚拟电厂等），电网的运行模式要比以前复杂多变，系统的复杂度将极具增加。快速的跟踪并积极应对电网运行模式变换是非常重要的，如果沿用以前项目立项-乙方研发-甲方验收-甲方实用化验收的传统路径，整个闭环路径的周期超过1年，其应对需求和场景变化的压力是非常大的。因此，电力系统研发体系和相关产品未来可能会发生深刻变化，这也是电力系统数字化转型的真正含义（其实，电力系统是应用数字化技术最早、最多的传统行业）。以下是一些可能的特征：1）敏捷和模块化的研发方法（类似于SpaceX），目前很多庞大系统会有非常显著的改造甚至颠覆（典型的代表是D5000调度系统）；2）为电力系统的运营提供先进的技术支撑，包括AI技术；3）增强开发者与电网运营者、最终用户（例如园区、充电站、工厂）之间的互动，确保研发过程中能够实时反馈用户需求和运营经验，形成闭环的创新链。此外，开放创新平台，鼓励更多的外部创新资源（互联网企业、高校等）参与到电力系统的产品开发中来。