电力系统领域人工智能技术专利布局分析☆

秦琪; 陈艺; 刘翔; 唐莫默; 吴琳静; 王安宁

doi:10.15978/j.cnki.1673-5668.20251115

科学观察 ›› 2026, Vol. 21 ›› Issue (2) :80-95 DOI: 10.15978/j.cnki.1673-5668.20251115

数据观察

电力系统领域人工智能技术专利布局分析^☆

秦琪 ¹ ,
陈艺 ¹ ,
刘翔 ¹ ,
唐莫默 ² ,
吴琳静 ² ,
王安宁 ²^,^*

作者信息 +

Patent Application Layout Analysis of Artificial Intelligence in Power Systems

Qin Qi ¹ ,
Chen Yi ¹ ,
Liu Xiang ¹ ,
Tang Momo ² ,
Wu Linjing ² ,
Wang Anning ²^,^*

Author information +

文章历史 +

摘要

[目的/意义] 人工智能技术在电力系统领域的应用正在快速演进，展现出清晰的技术主题发展路径和专利布局特征。[方法/过程] 基于国家知识产权局2006—2025年发明专利数据，采用BERT模型对专利文本进行向量化表征，并结合层次聚类方法识别关键技术主题，同时引入社会网络分析构建合作网络。研究结果表明，人工智能技术在电力系统中的应用呈现从“感知层”向“决策层”跃迁的趋势，其中“新能源系统与储能调度智能化”与“智能故障诊断与自主检测技术”已成为当前的研究与应用热点。同时，合作网络结构分析揭示，国家电网、华北电力大学等单位在技术扩散与资源整合中发挥了关键桥梁作用，整体呈现“央企主导、高校协同、地方补充”的创新格局。[结果/结论] 研究结果为新型电力系统中的人工智能技术发展路径、专利布局和协同创新机制提供了重要实证依据，对推动电力系统智能化转型具有重要参考价值。

Abstract

[Objective/Significance] The application of artificial intelligence (AI) technologies in the power system domain is rapidly evolving, revealing clear trends in technological theme development and patent distribution. [Method/Process] Based on invention patent data from the China National Intellectual Property Administration (CNIPA) spanning 2006 to 2025, BERT models are employed to vectorize patent texts, and hierarchical clustering is used to identify key technological themes. In addition, social network analysis is applied to construct collaboration networks. The analysis indicates a shift in AI applications within power systems from the “perception layer” to the “decision-making layer”, with “intelligent scheduling for new energy systems and energy storage” and “intelligent fault diagnosis and autonomous inspection technologies” emerging as current focal points of research and application. Furthermore, collaboration network analysis highlights the pivotal bridging roles of organizations such as State Grid Corporation of China and North China Electric Power University, forming an innovation pattern characterized by “central enterprises leading, universities collaborating, and local entities supplementing”. [Results/Conclusions] The research findings provide important empirical evidence for the development path, patent layout, and collaborative innovation mechanisms of artificial intelligence technologies in the new power system, offering significant reference value for promoting the intelligent transformation of power systems.

Graphical abstract

关键词

人工智能 / 电力系统 / BERT模型 / 技术主题 / 社会网络分析

Key words

artificial intelligence / power systems / BERT model / technological topic / social network analysis

引用本文

引用格式 ▾

秦琪, 陈艺, 刘翔, 唐莫默, 吴琳静, 王安宁. 电力系统领域人工智能技术专利布局分析^☆[J]. 科学观察, 2026, 21(2): 80-95 DOI:10.15978/j.cnki.1673-5668.20251115

Qin Qi, Chen Yi, Liu Xiang, Tang Momo, Wu Linjing, Wang Anning. Patent Application Layout Analysis of Artificial Intelligence in Power Systems[J]. Science Focus, 2026, 21(2): 80-95 DOI:10.15978/j.cnki.1673-5668.20251115

登录浏览全文

4963

注册一个新账户忘记密码

0 引言

电力系统是现代社会运转的关键基础设施，涵盖发电、输电、配电、用电和调度管理等多个环节，其智能化升级对于推动能源结构优化和可持续发展具有重要意义^[1-5]。近年来，人工智能技术的快速发展为电力系统智能化转型提供了有力支撑。2024年7月，国家发展改革委、国家能源局、国家数据局联合印发《加快构建新型电力系统行动方案（2024—2027年）》，明确提出开展电力系统数字化智能化提升行动，推进人工智能在电网智能调度、设备智能运维、新能源功率预测等环节的创新应用^[6]。与此同时，国家层面持续强化人工智能与实体经济深度融合的战略部署，2025年8月，国务院发布《关于深入实施“人工智能+”行动的意见》；2025年12月，工业和信息化部出台《“人工智能+制造”专项行动实施意见》，为人工智能在电力系统的深度应用创造了良好的政策环境，进一步推动了人工智能技术与电力系统的融合发展^[7-8]。当前，人工智能技术已在分布式发电优化、电网故障检测、运行可靠性评估及系统安全性增强等方面发挥关键作用，有效提升了电网的稳定性与高效性^[9-12]。

专利作为技术创新成果的重要载体，反映了前沿技术的创新发展现状与历程，成为科技情报分析的重要信息资源。例如，刘盼盼等^[13]利用专利数据对中国“卡脖子”企业的现状进行了深入分析，并给出相应的建议；吴勇虎等^[14]基于专利数据分析了海上风电技术的布局现状。通过对专利文本数据进行技术主题挖掘，能够清晰展现前沿技术的发展脉络和演化路径，帮助科技企业掌握前沿热点和动态，为技术创新管理提供决策支持^[15-17]。基于上述考虑，本研究检索电力系统领域的人工智能相关专利，通过数据与模型的融合，利用BERT模型和层次聚类，实现技术主题识别和演化分析。此外，围绕专利申请人信息，揭示电力系统领域人工智能技术的专利布局特点和创新合作网络，为该领域的研发决策和产业布局提供战略参考。

1 专利数据的采集与处理

为确保专利数据的准确性与代表性，本研究以国家知识产权局专利检索与分析系统（http://pss-system.cnipa.gov.cn）为数据来源，系统收集人工智能在新型电力系统领域的相关专利。在检索策略设计上，采用分层分类的组配方式：将关键词划分为领域限定词、技术限定词及应用场景词3类，通过布尔逻辑运算进行组合检索，以兼顾检索的全面性与场景针对性。同时，引入IPC国际专利分类号进行技术领域限定，剔除虽包含相关关键词但技术领域与本研究主题偏离较大的专利文献。具体检索策略见表1。

本研究对最终检索得到的17459件专利进行数据预处理，处理步骤如下：1）数据清洗，去除与研究主题无关的专利，例如仅涉及智能终端、非能源场景的算法应用等；2）专利类型筛选，以发明专利为主要研究对象，排除实用新型和外观设计专利，以保障技术创新性的代表性；3）去重处理，对重复申请、同族专利以及内容高度重合的专利进行合并去重；4）人工辅助筛选，通过关键词匹配和语义关联，确保纳入数据集的核心专利与本研究主题高度相关。最终，形成了包含13623件发明专利的数据集，时间跨度覆盖2006—2025年，结果如图1所示。可以看出，人工智能技术在电力系统领域的专利申请数量，在2013年之后呈现加速增长态势，并在2024年达到申请高峰，反映出该领域技术融合与创新的快速推进。

2 电力系统的人工智能专利主题分析

2.1 基于BERT-Clustering的主题识别

本研究采用Python中的NLTK（natural language Toolkit）工具包进行数据预处理，主要包括数据读取、清除异常标点符号、执行分词操作和去除停用词等一系列步骤，构建了适用于文本主题建模的高质量语料库。技术主题分析主要利用BERT模型获得专利文本的词向量，将专利文本进行词向量表征，对专利词向量进行层次聚类，获得人工智能在电力领域相关的专利主题，并根据不同时间的主题关联性，进行技术主题演变分析^[18]。

BERT模型是Google于2018年提出的一种预训练语言表示模型，以Transformer架构为基础^[19]。作为一种基于深度学习的预训练语言模型，BERT模型能够有效处理和分析文本数据，提取丰富的语义信息。本实验预训练模型采用Google发布的中文BERT-Base^[20]，通过多轮实验对比不同参数的性能表现，选择主题一致性最高的参数组合，其设置如表2所示。将专利摘要信息嵌入256维向量空间。

为进一步挖掘专利中隐含的技术主题，采用层次聚类方法对提取的语义向量进行聚类分析。层次聚类方法分为自顶向下拆分^[21]和自底向上聚合^[22]2种。本节采用聚合层次聚类算法，通过合并最相近的簇，减少簇的数量，直至达到给定数量或簇间距离大于给定值时终止。该算法在主题识别方面获得了广泛应用^[23]。对于每个时间阶段的专利数据，利用余弦相似度计算2个专利向量之间的语义相似程度，其值越大，表示2个专利的技术主题越相近，具体计算方法见式（1）。

(1)

$S({V}_{i},{V}_{j})=\frac{{V}_{i}\cdot {V}_{j}}{\Vert {V}_{i}\Vert \Vert {V}_{j}\Vert }$

式中：V_i为第i个专利文本的向量；V_j为第j个专利文本的向量；S(V_i,V_j)表示专利文本向量V_i和V_j之间的余弦相似度。

基于BERT嵌入与层次语义聚类方法，识别出电力系统中人工智能技术相关专利所覆盖的主题，结果见表3。

为进一步揭示不同技术主题的研究重点与语义特征，本研究基于每一主题所含专利文本构建关键词词云图（图2）。分析结果显示，不同主题在技术实现路径与应用聚焦方面呈现出显著分化。在图2（a）中，“负荷”“预测”“数据”“学习”等高频词汇表明该主题侧重于构建基于数据驱动的建模框架，聚焦于电力负荷、电价及功率的智能预测与调度，并广泛引入机器学习、深度学习等算法工具。在图2（b）中，则以“故障”“检测”“诊断”“识别”等关键词为核心，凸显该方向强调通过多源数据融合与智能识别算法，实现对设备状态的精准感知与故障预警。在图2（c）中，“物联网”“机器”“学习”“智能”等术语的高频出现，反映出研究重点在于构建电力系统多终端协同网络与边云协同架构，以提升数据处理的实时性与响应能力。在图2（d）中，“智能”“协同”“控制”“稳定”构成主要关键词，揭示该方向致力于构建多主体协同控制机制，通过智能优化策略保障电网运行的稳定性与弹性。在图2（e）聚焦于“储能”“光伏”“新能源”“发电”等关键词，指向新能源系统下的功率预测、储能调控与微电网能量管理等关键技术问题。在图2（f）中，则以“监测”“输电”“线路”“运维”为高频词，体现出智能图像识别、自动化巡检与路径规划等技术在电力设备状态评估与运维优化中的广泛部署。各主题在关键技术手段与应用落点上存在显著差异，体现了人工智能在电力系统中的深度融合与适应性发展。

2.2 电力系统的人工智能技术趋势分析

为系统揭示人工智能在电力系统领域的技术发展态势，本研究从技术主题构成及其时序演进2个维度展开分析。基于前述聚类结果，图3展示了6大关键技术主题的专利分布特征。专利数据显示：“智能故障诊断与自主检测技术”以24.3%的占比位居首位，在智能运维政策的持续驱动下，有效破解了传统检测方式低效、滞后的痛点，成为电力系统智能化运维的核心支撑；“新能源系统与储能调度智能化”以20.6%的占比紧随其后，深度契合《“十四五”新型储能发展实施方案》要求，成为破解新能源消纳瓶颈、提升系统调节能力的关键热点；“电力系统智能预测与优化决策”占比19.7%，作为跨场景通用技术，为电力系统规划、运行、调度等全环节提供精准决策支撑，是实现源网荷储协同的重要基础；“电力设备智能巡检与运维优化”占比17.4%，与智能故障诊断技术共同构成形成智能运维闭环体系；“电网稳定性分析与智能协同控制”占比11.3%，凸显了新型电力系统下的电网安全刚性需求，呼应了《配电网高质量发展指导意见》中关于多源协同调度的核心要求；“电力物联网与边缘智能计算”占比6.7%，作为电力系统智能化的技术底座，为解决海量异构数据处理与实时控制难题提供了底层支撑。各技术方向的占比分布，充分反映了当前新型电力系统建设在安全稳定、高效消纳、智能运维等方面的核心诉求与技术发展趋势。

进一步从时间维度考察技术主题的演进轨迹（图4），可以发现，人工智能在电力系统领域的应用呈现出清晰的技术跃迁路径。本研究将2006—2025年划分为3个关键发展阶段，并基于各阶段高频技术主题之间的语义相似性与应用延续性，识别主题之间的演化脉络与继承路径。图5展示了人工智能在电力系统领域专利主题的演进路线，整体呈现出从“感知智能”逐步向“认知智能”与“决策智能”发展的趋势，展现出智能电力技术从点状突破到系统集成的演进逻辑与跃升路径。

第1阶段（2006—2016年）：人工智能技术在电力系统中的应用尚处于起步阶段，主要集中于“负荷预测分析”“电价预测与优化调度”“故障诊断识别”“发电功率预测”等基础性主题。该阶段以传统统计建模、支持向量机、神经网络等为主，着重解决电力系统运行中的基本预测、识别与经济性调度问题。这一技术格局的形成与当时电力市场化改革的推进密切相关，厂网分开、竞价上网等机制的实施，使发电企业对电价与负荷预测工具的需求日益迫切。同时，新能源发电的初步发展也催生了对发电功率预测的技术探索。受限于这一时期机器学习仍处于浅层学习阶段，计算能力与数据规模相对有限，应用以传统统计方法和早期神经网络为主，虽在智能化程度上较为基础，却为后续技术演进奠定了重要基石。

第2阶段（2017—2021年）：随着物联网、传感器网络、多模态感知等技术的快速发展，人工智能在电力系统中的应用从单一预测任务扩展至多源数据感知与在线状态监测，形成了“异常检测与预警”“电力物联网通信与协同”“电力设备运行状态监控”“AI辅助巡检与路径优化”等关键技术主题。推动这一阶段技术跃升的动因来自多个方面：电网资产规模持续扩张使传统人工巡检模式难以为继，智能运维的现实需求日益迫切；2019年国家电网提出“泛在电力物联网”战略，从顶层设计层面推动了物联网技术在电力系统中的规模化部署；深度学习在图像识别、时序分析等领域的突破，为设备状态监测与故障诊断提供了高效的技术工具。多重因素的叠加使该阶段实现了感知能力的全覆盖与实时化，为后续决策层技术的突破奠定了坚实的数据基础。

第3阶段（2021—2025年）：人工智能与电力系统的控制逻辑深度融合，技术重点从感知层跃升至决策层，衍生出“边缘智能推理”“智能协同控制系统”“数字孪生与虚拟电厂”“电网稳定性动态评估”“储能系统智能调度”等新一代核心主题。这一阶段技术跃升的背后，是能源转型目标下电力系统运行范式深刻变革的必然结果。“双碳”目标的提出使新能源大规模并网成为刚性约束，系统运行面临的不确定性显著增加，传统以确定性模型为核心的调度方式已难以应对，智能化决策与控制技术由此成为破局的关键。政策层面，2024年《加快构建新型电力系统行动方案》明确提出推进人工智能在电网智能调度、设备智能运维等环节的创新应用，为决策层技术的规模化落地提供了明确支撑。从AI技术演进来看，生成式AI、深度强化学习等技术的兴起，使人工智能从感知、认知向决策智能跨越成为可能。该阶段的核心特征在于AI开始深度介入电力系统的控制逻辑，标志着智能电力系统从“可视化”迈向“可控化”与“自优化”的新阶段。

综上所述，电力系统AI技术经历了“预测分析→融合感知→控制决策”3大阶段的演进轨迹，技术主题的变迁既体现了技术内在逻辑的逐步深化，也回应了政策导向下对高效、低碳、安全电力系统的现实需求。总体而言，人工智能技术在电力系统中的应用已呈现出由核心调度优化向多元场景融合、由集中控制向边缘协同演进的全面发展趋势，体现出政策驱动、场景牵引与技术协同三者互为促进的动态演化格局，预示着未来电力系统将在智能感知、深度学习与自主决策等技术支持下，实现更高水平的安全性、灵活性与绿色化发展。

3 电力系统的人工智能创新合作分析

3.1 主要专利申请人及其地区分析

对于申请人员及发明人的分析，可以揭示出不同单位或地区对于特定领域技术的研究水平，从而呈现该领域竞争者的分布和科研水平的高低。因此，本研究对不同地域绘制合作网络图，如图6所示，其中节点（圆圈）的大小代表该地域的专利申请数量，节点越大表示该地域的专利申请数量越多，技术产出水平越高。各地域的专利申请数量如表4所示。

结合整体地理分布来看，相关专利分布呈现出明显的地域集中性和差异化特征。从专利申请数量排名来看，北京市、广东省、江苏省三地分别位列全国专利申请数量的前3位，成为该领域技术创新的领跑者。山东省与浙江省分别排名第4、第5位，反映出东部沿海地区整体科研与创新能力的强劲表现。可以发现，全国技术创新资源明显集中于经济发达、科研投入较多的省市地区。这种区域分布特征揭示了我国技术创新资源分布的非均衡性，发达地区创新投入密度明显高于中西部及东北地区。

从申请人角度（图7）可以看出，国家电网有限公司总专利数达到783项，在“智能故障诊断与自主检测技术”“电力系统智能预测与优化决策”“电力设备智能巡检与运维优化”等关键领域均遥遥领先，反映了国家电网在电力智能化及储能调度等多个方向的全面技术布局，表明了其在推动行业智能化发展的主导地位。华北电力大学作为跻身前列的高校，总专利数达到174项，在“新能源系统与储能调度智能化”和“智能故障诊断与自主检测技术”方面表现尤为突出，反映出该校在电力领域尤其是新能源与智能化控制方向的科研优势与深厚积累。广东电网、国网上海、山东大学、浙江大学等单位专利数量均在150项以上，显示出较强的区域性科研能力和专项技术突破。特别是在“电力设备智能巡检与运维优化”和“智能诊断检测”等细分领域，这些单位在特定技术方向具有明显的技术积累，并在区域智能电网建设与应用推广中起到重要支撑作用。综合来看，电力系统领域人工智能技术的专利分布呈现“央企主导、高校协同、区域补充”的分布态势，体现出我国电力技术创新体系的多元化与分层次特点。

3.2 主要单位的合作网络分析

本研究将专利申请人分为高校科研院所、电网公司及科技企业3类，运用社会网络分析方法，深入探讨了申请人之间的合作密集度。社会网络分析是一种将属性数据转换为关系数据的定量分析技术^[24]，通过此方法可以有效识别合作网络态势^[25]。度数中心度是指与某一行动者直接相连的其他行动者的数量，用来衡量行动者在网络中的影响力。度数中心度较高意味着节点直接连接的行动者更多，其行为更有可能对网络中其他行动者产生影响^[26]。计算方法见式（2）。

(2)${D}_{i}=\frac{{k}_{i}}{N-1}$

式中：k_i为现有的与节点i相连的边的数量；N-1为节点i与其他节点都相连的数量；D_i为度数中心度。本研究通过考察申请人之间的合作频度，对合作紧密程度进行划分并构建专利合作关系网络。通过这种方式，能够对各个申请人或机构的影响力进行客观的量化，进而分析其在专利创新过程中的作用和重要性（图8~图13）。

6个关键技术主题的专利合作网络存在同一特征：高中介中心性节点几乎均为国家电网及其下属科研机构或省级电力公司，充分彰显了国家电网在电力行业专利合作网络中的核心地位。同时，中国电力科学研究院有限公司、南瑞集团有限公司等科研院所亦频繁出现于不同主题的网络中心位置，形成以国家电网为核心、科研机构为重要支撑的合作创新结构；清华大学、华北电力大学、东南大学等高校则在多个技术主题中持续出现，发挥重要的知识支撑作用。这一节点构成格局深刻反映了产学研合作模式中企业主体的核心地位，国家电网作为行业领军企业，不仅是技术需求的提出方和应用场景的提供方，更是创新资源的整合者与协同网络的构建者，通过牵头重大科技项目、搭建联合实验室等方式，有效聚合了高校的基础研究能力与科研院所的工程转化能力，形成了以企业为主导、高校院所深度参与的协同创新体系。

面向不同技术主题的合作网络，呈现出一定的差异性。电力系统智能预测与优化决策（图8）、智能故障诊断与自主检测技术（图9）等侧重于算法优化与业务场景深度融合的领域，国家电网位居合作网络中心，联合中国电科院、南瑞集团及各省电力公司构建紧密合作网络，同时吸引华北电力大学、华中科技大学等高校提供基础研究与算法支撑。这一结构中，企业的主导作用体现为对核心业务场景和数据资源的深度把控，确保技术研发贴合实际运行需求；高校则发挥理论优势，将前沿研究成果导入企业技术体系，实现学术创新与工程应用的有效衔接。

电力物联网与边缘智能计算（图10）、电网稳定性分析与智能协同控制（图11）等技术交叉性强、标准化需求突出的领域，合作网络以国家电网为核心，中国电科院为关键枢纽，高校与企业协同联动。国家电网居于核心位置，中国电科院深度参与研发与组织，高校和企业分布在网络边缘并提供差异化支撑。此类技术高度依赖企业对电网架构、运行规则和数据接口的掌控，因此国家电网通过主导标准制定、搭建试验平台，联合中国电科院整合资源，吸引高校在通信、控制等领域提供支撑，形成以企业为核心、科研机构为枢纽、高校为支撑的协同创新生态。

新能源系统与储能调度智能化（图12）、电力设备智能巡检与运维优化（图13）等政策驱动特征明显的领域，合作网络仍以国家电网为核心，高校角色呈现动态调适。新能源消纳与储能调度是“双碳”目标下的战略领域，清华大学、西安交通大学等深度参与前沿算法研发；而巡检运维领域技术成熟度较高，山东大学、华北电力大学（保定）等高校角色逐步转向人才培养与标准验证，体现了产学研合作在不同技术成熟度阶段的差异化适配。

综合来看，6大技术主题的合作网络在具体构成上各有侧重，但整体呈现出“央企主导-高校协同-区域补充”的产学研融合特征。国家电网作为行业领军企业，凭借其对电网运行数据、核心业务场景及技术标准的系统性掌控，天然成为创新网络的枢纽与资源整合者；中国电力科学研究院有限公司、南瑞集团有限公司等科研机构依托工程转化能力，在多个技术主题中占据网络关键位置；清华大学、华北电力大学等高校则根据技术属性与成熟度差异，或深度嵌入前沿算法研发，或转向人才培养与标准验证，形成差异化的知识支撑方式。

此合作网络为进一步优化电力行业产学研协同机制提供了实践启示：第一，强化创新资源开放共享，建议国家电网等行业龙头在确保数据安全的前提下，适度开放脱敏后的运行数据、试验场景及技术平台，设立产学研联合基金，降低高校院所的创新参与门槛，促进基础研究与企业需求的精准对接。第二，构建技术成熟度导向的合作机制，针对不同技术领域采取差异化协同模式：在新能源消纳、智能预测等前沿技术领域，鼓励组建产学研联合实验室，开展长期性、储备性技术攻关；在巡检运维等技术成熟度较高的领域，推动技术标准共建、检测认证互认与人才联合培养，加速创新成果的工程化应用。第三，完善区域协同创新布局，充分发挥省级电力公司的属地优势，结合区域资源禀赋与产业基础，与地方高校、科研院所建立常态化合作机制，培育特色化技术方向，形成对央企主导创新体系的有效补充，最终构建“央企主导顶层设计、高校攻关前沿技术、区域支撑应用落地”的多层次、立体化产学研协同创新生态。

4 结论

本研究将领域专利数据与自然语言处理算法相结合，采用BERT和层次聚类方法准确高效识别技术主题并绘制技术演化路径，利用社会网络分析深入分析了中国电力领域的人工智能技术专利布局，得出以下结论与建议。

（1）技术演进呈现由感知层向决策层跃迁的发展趋势，其背后是需求牵引、政策驱动与技术赋能三重因素的协同作用。本研究识别出6大技术主题，其中“新能源系统与储能调度智能化”占比最高，反映“双碳”目标下新能源并网对储能调度技术的刚性需求；“智能故障诊断与自主检测技术”位居第二，体现电网资产规模扩张对设备可靠性的迫切要求。从演化路径看，电力系统AI技术经历了从“基础预测”到“多源感知”再到“智能决策与自优化控制”的逐步跃升：早期受电力市场化改革驱动，聚焦于负荷预测、电价预测等基础主题；中期在泛在电力物联网战略与深度学习技术突破推动下，向多源数据感知与在线状态监测拓展；近期在“双碳”目标倒逼系统运行范式变革的背景下，加速向边缘智能、数字孪生、虚拟电厂等决策层技术演进。针对上述技术布局与演化特征，建议从以下方面优化：一是面向新能源消纳与储能调度等战略领域，设立国家级产学研联合攻关专项，突破高不确定性环境下分布式资源协同优化等核心难题；二是针对智能故障诊断技术，推动构建覆盖全环节的设备状态监测平台，建立行业共享的故障样本库与算法测评基准；三是在电力物联网领域，加快制定边缘计算架构标准与数据接口规范，为决策层技术规模化部署奠定基础。

（2）创新合作呈现“央企主导、高校协同、区域补充”格局，其成因在于企业对数据、场景与标准的掌控，以及高校根据技术属性的差异化参与。国家电网凭借对运行数据、业务场景及技术标准的系统性掌控，成为创新网络的枢纽与资源整合者。高校参与方式随技术属性动态调适：在前沿领域深度嵌入核心算法研发，在成熟领域转向人才培养与标准验证。地方企业在垂直细分技术中形成专业优势，构成对央企创新体系的有效补充。针对部分地方企业、区域高校仍处于网络边缘的问题，建议从3个方面优化：一是强化央企资源开放共享，适度开放脱敏数据与试验平台，设立产学研联合基金；二是构建技术成熟度导向的合作机制，前沿领域组建联合实验室，成熟领域推动标准共建与人才共育；三是完善区域协同创新布局，鼓励省级电力公司与地方高校建立常态化合作机制，最终构建“央企主导顶层设计、高校攻关前沿技术、区域支撑应用落地”的多层次创新生态。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	周孝信, 陈树勇, 鲁宗相, 等. 能源转型中我国新一代电力系统的技术特征[J]. 中国电机工程学报, 2018, 38(7): 1893-1904.

[2]	(Zhou X X, Chen S Y, Lu Z X, et al. Technology features of the new generation power system in China[J]. Proceedings of the CSEE, 2018, 38(7): 1893-1904.)

[3]	杨挺, 赵黎媛, 王成山. 人工智能在电力系统及综合能源系统中的应用综述[J]. 电力系统自动化, 2019, 43(1): 2-14.

[4]	(Yang T, Zhao L Y, Wang C S. Review on application of artificial intelligence in power system and integrated energy system[J]. Automation of Electric Power Systems, 2019, 43(1): 2-14.)

[5]	姚建国, 杨胜春, 高宗和, 等. 电网调度自动化系统发展趋势展望[J]. 电力系统自动化, 2007, 31(13): 7-11.

[6]	(Yao J G, Yang S C, Gao Z H, et al. Development trend prospects of power dispatching automation system[J]. Automation of Electric Power Systems, 2007, 31(13): 7-11.)

[7]	郭创新, 朱传柏, 曹一家, 等. 电力系统故障诊断的研究现状与发展趋势[J]. 电力系统自动化, 2006, 30(8): 98-103.

[8]	(Guo C X, Zhu C B, Cao Y J, et al. State of arts of fault diagnosis of power systems[J]. Automation of Electric Power Systems, 2006, 30(8): 98-103.)

[9]	和敬涵, 罗国敏, 程梦晓, 等. 新一代人工智能在电力系统故障分析及定位中的研究综述[J]. 中国电机工程学报, 2020, 40(17): 5506-5516.

[10]	(He J H, Luo G M, Cheng M X, et al. A research review on application of artificial intelligence in power system fault analysis and location[J]. Proceedings of the CSEE, 2020, 40(17): 5506-5516.)

[11]	关于印发《加快构建新型电力系统行动方案(2024—2027年)》的通知:发改能源〔2024〕1128号[EB/OL]. [2025-11-14]. https://www.gov.cn/zhengce/zhengceku/202408/content_6966863.htm.

[12]	(Notice on Issuing the Action Plan for Accelerating the Construction of a New Power System (2024-2027) No. 1128 (2024) of the Development and Reform Energy Department[EB/OL]. [2024-07-25]. https://www.gov.cn/zhengce/zhengceku/202408/content_6966863.htm.

[13]	国务院关于深入实施“人工智能+”行动的意见: 国发〔2025〕11号[EB/OL]. [2025-11-14]. https://www.gov.cn/gongbao/2025/issue_12266/202509/content_7039598.html

[14]	(Opinions of the State Council on Further Implementing the “AI+” Initiative: No. 11 (2025) of the State Council[EB/OL]. https://www.gov.cn/gongbao/2025/issue_12266/202509/content_7039598.html.

[15]	八部门关于印发《“人工智能+制造”专项行动实施意见》的通知: 工信部联科〔2025〕279号[EB/OL]. [2025-12-25]. https://www.miit.gov.cn/zwgk/zcwj/wjfb/tz/art/2026/art_01010414608a4226b30687773bb21bdf.html.

[16]	(Notice of Eight Ministries on Issuing the Implementation Opinions on the Special Action of “AI + Manufacturing”: document No. 279 (2025) of MIIT joint science and technology[EB/OL]. [2025-12-25]. https://www.miit.gov.cn/zwgk/zcwj/wjfb/tz/art/2026/art_01010414608a4226b30687773bb21bdf.html.

[17]	张伟伟. 含分布式发电的智能配电网无功功率优化调度[J]. 电气传动自动化, 2024, 46(1): 47-50.

[18]	(Zhang W W. Optimal dispatch of reactive power in intelligent distribution networks with distributed generation[J]. Electrical Drive Automation, 2024, 46(1): 47-50.)

[19]	刘子玉, 姜泽坤, 邱伟, 等. 人工智能在长时液流电池储能中的应用: 性能优化和大模型[J]. 储能科学与技术, 2024, 13(9): 2871-2883.

[20]	(Liu Z Y, Jiang Z K, Qiu W, et al. Application of artificial intelligence in long-duration redox flow batteries storage systems[J]. Energy Storage Science and Technology, 2024, 13(9): 2871-2883.)

[21]	吴忠强, 卢雪琴. 基于深度迁移学习和LSTM网络的微电网故障诊断[J]. 计量学报, 2023, 44(4): 582-590.

[22]	(Wu Z Q, Lu X Q. Microgrid fault diagnosis based on deep transfer learning and LSTM network[J]. Acta Metrologica Sinica, 2023, 44(4): 582-590.)

[23]	张浩, 仇晨光, 闫朝阳, 等. 基于人工神经网络的电网运行维护优化决策策略[J]. 高电压技术, 2023, 49(增刊1): 122-127.

[24]	(Zhang H, Qiu C G, Yan C Y, et al. Optimal decision-making strategy of power grid operation and maintenance based on artificial neural network[J]. High Voltage Engineering, 2023, 49 (Sup.1): 122-127.)

[25]	刘盼盼, 钟永恒, 刘佳, 等. 专利视角下中国 “卡脖子” 企业现状分析及突破建议[J]. 科技管理研究, 2024, 44(16): 162-172.

[26]	(Liu P P, Zhong Y H, Liu J, et al. Analysis of the current situation of China’s bottleneck enterprises and countermeasures from the perspective of patents[J]. Science and Technology Management Research, 2024, 44(16): 162-172.)

[27]	吴勇虎, 李彦尊, 于航, 等. 基于专利视角的海上风电技术布局现状分析[J]. 中国海上油气, 2022, 34(5): 237-244.

[28]	(Wu Y H, Li Y Z, Yu H, et al. Analysis of offshore wind power technology layout based on patent perspective[J]. China Offshore Oil and Gas, 2022, 34(5): 237-244.)

[29]	Hummon N P, Dereian P. Connectivity in a citation network: the development of DNA theory[J]. Social Networks, 1989, 11(1): 39-63.

[30]	刘自强, 岳丽欣, 朱承宁, 等. 基金项目和论文主题扩散演化路径识别及其可视化研究[J]. 现代情报, 2022, 42(11): 76-86.

[31]	(Liu Z Q, Yue L X, Zhu C N, et al. Research on topic diffusion evolution path identification and visualization of fund projects and papers[J]. Journal of Modern Information, 2022, 42(11): 76-86.)

[32]	孟欢欢, 靳军宝, 郑玉荣, 等. 全球储能专利技术发展态势分析[J]. 科技管理研究, 2024, 44(7): 96-105.

[33]	(Meng H H, Jin J B, Zheng Y R, et al. Analysis on the development trend of global energy storage patent technology[J]. Science and Technology Management Research, 2024, 44(7): 96-105.)

[34]	黄颖, 叶冬梅, 丁凤, 等. 技术演化路径识别: 内涵释义与研究进展[J]. 图书情报工作, 2022, 66(22): 142-154.

[35]	(Huang Y, Ye D M, Ding F, et al. Identification of technology evolution pathway: connotation interpretation and research progress[J]. Library and Information Service, 2022, 66(22): 142-154.)

[36]	Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[J]. Advances in Neural Information Processing Systems, 2017, 30: 5998-6008.

[37]	廖列法, 姚秀, 李奎. 基于RoBERTa与改进局部离群因子算法的专利新颖性测量[J]. 科学技术与工程, 2023, 23(17): 7420-7427.

[38]	(Liao L F, Yao X, Li K. Patented novelty measurement based on RoBERTa and improved local outlier algorithm[J]. Science Technology and Engineering, 2023, 23(17): 7420-7427.)

[39]	孙吉贵, 刘杰, 赵连宇. 聚类算法研究[J]. 软件学报, 2008, 19(1): 48-61.

[40]	(Sun J G, Liu J, Zhao L Y. Clustering algorithms research[J]. Journal of Software, 2008, 19(1): 48-61.)

[41]	彭贤哲, 石进. 基于层次聚类的图书元数据语义聚合研究[J]. 图书馆建设, 2025(1): 82-93.

[42]	(Peng X Z, Shi J. Research on semantic aggregation of book metadata based on hierarchical clustering[J]. Library Development, 2025(1): 82-93.)

[43]	Wang X S, He J X, Curry D J, et al. Attribute embedding: learning hierarchical representations of product attributes from consumer reviews[J]. Journal of Marketing, 2022, 86(6): 155-175.

[44]	王文婷, 菅利荣, 刘军, 等. 储能产业产学研合作演化研究:基于专利网络的视角[J]. 储能科学与技术, 2021, 10(2): 752-765.

[45]	(Wang W T, Jian L R, Liu J, et al. Evolution of the IUR cooperation network of China’s energy storage: an analysis of social network based on patent[J]. Energy Storage Science and Technology, 2021, 10(2): 752-765.)

[46]	罗恺, 袁晓东. 基于LDA主题模型与社会网络的专利技术融合趋势研究:以关节机器人为例[J]. 情报杂志, 2021, 40(3): 89-97.

[47]	(Luo K, Yuan X D. A study on the technology convergence trend of patent based on LDA and social network: an example of joint robot[J]. Journal of Intelligence, 2021, 40(3): 89-97.)

[48]	Nan J, Xing L, Ming X. Measuring technological collaboration on blockchain based on patents: a social network analysis approach[J]. Science, Technology and Society, 2022, 27(1): 66-87.