光伏消纳率高居不下，是设备问题还是决策问题？

碳排放在企业运营中的体现，最直接的就是用电。每一度外购电背后都有对应的碳排放因子，而光伏、风电这类新能源的碳排放因子接近于零。把更多的新能源电量用起来，把储能系统的充放电时机算得更准，是企业在不改造产线、不更换设备的前提下，最有效的碳减排路径。

但新能源的调度，远比晴天多放电、阴天少放电要复杂。

 调度问题的底层数学结构

一个新能源调度系统要同时对付三个难题：说不准的发电、说不准的用电、以及储能电池的约束。

光伏和风电的出力受天气控制。一片云飘过来，电站出力可能在几分钟内掉40%。云散了，出力又弹回来。即便你有数值天气预报和屋顶的辐照度仪，15分钟后的功率也很难算准——误差下限通常在8%左右。这意味着调度策略必须在这个误差区间内做决策。

用电也不稳定。排产计划会变，设备会故障，订单会插单。MES系统里的工单信息只能反映计划，无法完全反映实际执行的波动。负荷预测模型需要同时处理计划信息和历史时序信息，这是一个典型的多源信息融合问题。

储能系统是缓冲器，但受诸多约束限制。电量太低会损伤电池，太高又充不进去；充放电功率受设备限制；每天充放多少次直接换算成电池的折旧成本。这些约束交织在一起，使得储能调度变得很困难。

把这三个难题放在一起，企业面对的就是一个在不确定环境下、带复杂约束的连续决策问题。人工调度通常靠几条规则：晴天怎么放，阴天怎么放，电价高峰时段怎么放。但人脑一次处理不了四路信息——天气变化、负荷波动、电价信号、电池健康度。调度员只用一两个主因做决策，剩下的信息就丢掉了。

 AI切入的三个技术层级

解决这个问题，技术路径可以分为三个逐渐深入的层级。

第一层，超短期光伏出力预测。输入数据包括数值天气预报输出的辐照度、温度、湿度、风速，以及企业本地气象站实测的辐照度数据，用时间序列模型（目前业界多用具备时间注意力机制的Transformer变体或者时序卷积网络）进行拟合，输出未来4到24小时的功率曲线，时间分辨率可以做到15分钟。训练这个模型至少需要6个月的历史运行数据，包括辐照度、背板温度、实际出力。数据质量直接决定模型上限：如果辐照度仪的标定误差有5%，再好的算法也突破不了这个天花板。

第二层，生产负荷预测。这一步的输入跟光伏完全不同。历史负荷序列是基础，MES系统里的排产工单（产量、产品型号、产线编号）是关键的结构化信息，再加上设备检修计划、班次安排、节假日标记。多变量时序模型要把这些不同频率、不同来源的数据融合在一起做预测。这一层的核心难点不在算法，而在数据接入。MES系统的数据接口规范各不相同，有的厂家不保存分钟级历史负荷数据，有的厂家工单信息与负荷数据不在同一时标体系下。数据预处理的工作量往往是模型开发的数倍。

第三层，储能充放电策略优化。有了光伏曲线和负荷曲线，优化条件就齐了。目标函数通常是加权组合：最大化光伏消纳率、最大化峰谷套利收益、最小化电池循环寿命损耗。约束条件包括储能荷电状态的上下限、充放电功率的上下限、每日循环次数限制。求解方法有两种：一种是用混合整数规划，算出一个有限时域内的最优控制序列，然后滚动执行——这种方法的优点是每步决策都可追溯、可验证，现场调度员容易接受。另一种是用强化学习，训练一个策略网络直接输出充放电指令——它能适应更动态的环境，但需要更长的训练周期和一套靠谱的仿真环境。

系统集成的三个约束条件

技术路线可以讲得很漂亮，但要把它变成车间里真正跑起来的系统，还要过三道关。

一：接口兼容。企业的SCADA、MES、储能EMS往往是不同厂家、不同年份的设备，通信协议有Modbus、OPC UA、MQTT、IEC104等等。AI调度系统要同时跟它们对话，不光要解决物理连接，还要做语义对齐——同一个有功功率，A系统叫P，B系统叫ActivePower，单位、精度、字节序可能都不一样。接口适配的代码量通常占整个项目的60%以上。这部分工作没有技术捷径，只能靠工程经验逐条梳理。

二：数据安全与部署方式。碳排放调度涉及的数据（如光伏出力曲线、负荷曲线、排产计划、设备状态）拼在一起，能反推出企业的产能、稼动率、工艺节拍甚至产品型号。对制造企业来说，这些是核心商业机密。公有云方案无法通过安全审核。本地化部署不光是放一台服务器在客户机房，还要做到：原始数据不经过任何公有云网关，模型更新走私有化通道，权限体系对接企业的LDAP或AD，操作日志全部留在本地。

三：人怎么信任机器。AI系统输出的充放电计划，在初期会受到调度人员的质疑。尤其是天气突变或者产线出异常的时候，他们宁愿手动操作，也不愿意按一个看不懂的模型的指令来做。解决信任问题需要两个条件：可解释性。每一个充放电动作要能说清楚理由——是基于光伏预测的某个区间，负荷预测的某个峰值，还是电价信号的某个阈值；人工兜底。系统在没把握的时候主动请求人工确认，给调度员留一个干预通道。运行一段时间后，干预频率会自己降下来。

一个可用的调度系统应该具备哪些模块

考虑到以上的技术路径和现实约束，一套能在工厂里稳定运行的碳排放调度系统，至少要包含六个模块：

光伏预测模块。融合数值天气预报和本地实测数据，输出未来4到24小时的功率曲线。内置数据质量检测，能发现辐照度仪漂移、数据丢包、时间戳错位等问题，并给出修复建议。

负荷预测模块。对接MES系统的工单和历史负荷，输出未来24小时的负荷曲线。提供主流MES系统的数据适配器，可以快速接通。

优化决策模块。输入光伏预测、负荷预测、电价信号、电池状态数据，给出储能充放电计划。同时提供混合整数规划和强化学习两种求解器，企业按自己的可解释性要求来选。

接口适配模块。封装Modbus、OPC UA、MQTT等工业协议，提供统一的数据总线。负责从SCADA读数据、向储能EMS下指令、从MES取工单、把执行结果写回ERP。

安全部署模块。支持本地化部署和私有云部署。模型更新走私有通道，权限对接AD/LDAP，数据存储和日志全留在本地。

知识沉淀模块。支持企业上传调度规程、设备手册、故障案例，搭建自己的知识库。系统运行中自动记录人工干预、异常事件和策略优化结果，定期生成知识更新报告。

针对碳排放调度场景，小艾智能体把上面六个模块做成了可配置的产品能力。光伏预测引擎融合ECMWF数值天气预报和本地气象站数据，有效控制误差。负荷预测模块支持常见的主流MES系统对接。系统内置常见工业协议栈，提供图形化接口配置工具，信息部门通过拖拽即可完成数据点映射。全面支持本地化部署，部署包以容器镜像形式交付，权限可对接OAuth2、LDAP或AD。

碳排放调度系统的核心价值，不是把一个优化算法包装成产品卖给企业，而是把预测、优化、集成、安全、知识沉淀这几个能力层叠成一个可运转的闭环，在车间里一天一天稳定地运行下去。