电网调度里，模型能给出一份像样的方案，只解决了前半段。方案要进入执行链路，还得说明依据、通过安全校核，并在数据异常或规则冲突时被拒绝。
香港中文大学（深圳）披露，理工学院支撑的国内首个多智能体驱动省级电网AI调度员“明月”已经上线运行。公开信息确认了“上线运行”和“多智能体”两个事实，也让一个边界问题变得更具体：系统能参与到哪一级决策，哪些动作仍需人工确认，不能只凭“AI调度员”这个名称判断。
AI在电网里并非突然出现。《人工智能技术在智能电网中的应用分析》提到的应用已经覆盖负荷预测、电力调度、智能配电网和电力安全监测；《人工智能赋能微电网运行优化的应用及展望》则把视角落在微电网运行优化。如今值得追问的，是模型输出如何从参考信息变成可执行动作。
难点从预测结果移到了执行链路
预测结果出现偏差，调度员还有机会结合现场信息修正。进入闭环以后，错误会沿着指令链传到设备侧，留给人工判断的空间更小。
一套可控的闭环，至少要包含状态获取、方案生成、安全校验、权限确认、指令下发和结果回读。模型可以参与其中几步，但不应绕过整条链路直接触达执行器。
以切负荷为例，优化程序可能把某段负荷识别为可调对象。如果负荷标签不完整，所谓“非关键”就可能判断错误。此时，即使计算结果在目标函数上成立，也未必能在现场执行。核心问题在于业务约束没有完整进入系统，与模型生成的文字是否流畅无关。
这也是大语言模型用于电网调度时最容易被忽略的一点：它可以快速整理规程、检索知识、生成预案，却不能凭语言上的合理性证明方案满足物理约束。
模型外面，要有改不掉的硬规则
闭环系统的底层应保留一套与生成式模型解耦的确定性校验。电压、频率、设备运行边界、保护条件和操作权限，都要由现有保护与自动控制装置、PLC或硬编码规则把关。模型升级、提示词调整或智能体更换，都不能改变这些规则的优先级。
具体阈值应沿用电网已有定值、规程和现场配置。脱离具体系统给出一组通用数字，看起来精确，实际容易误导。
在硬规则之上，可以增加仿真或数字孪生校验。AI提出方案后，先在模型环境中检查可能产生的状态变化，再决定是否进入授权环节。南方电网“丝路”AI平台公开介绍中提到数字孪生、风险预警和跨区域协同调度，这类能力的价值，就在于把一部分验证工作放到实际动作之前。
校验失败、超时或数据不完整时，系统也要有明确的默认行为：拦截指令、降级运行，或者转交人工。不能因为验证环节暂时不可用，就让未经检查的指令继续下发。
多智能体能互审，不能自己给自己发安全证
“明月”采用多智能体架构，为角色分工提供了空间。一个智能体可以负责生成方案，另一个检查风险，还有智能体负责解释依据和整理操作记录。
这种互审能减少遗漏，但它仍属于软件层的复核。同源模型可能共享训练偏差，也可能一起忽略上下文里缺失的条件。审计智能体给出“通过”，不能替代物理阈值、独立校验和人工授权。
更稳妥的做法，是把多智能体放在建议与审查层：它们可以争论方案、补充证据、暴露冲突；最终能否执行，仍由确定性规则和权限体系决定。这样，即便某个智能体生成错误内容，系统也有机会在指令到达设备前将其挡住。
实时性要按动作分层
电网业务没有一条适用于所有环节的统一延迟门槛。保护动作、实时控制、告警研判和调度预案生成，时间要求和责任边界并不相同。
越靠近设备保护，控制逻辑越需要简化、本地化和确定性。大语言模型更适合知识检索、异常解释、预案编排和跨系统协同。边缘部署、模型量化可以减少数据回传和推理耗时，但这些工程手段不能替代安全校验。
实际设计时，应先给每类任务划定时延预算，再决定模型部署位置、校验深度和超时后的处理方式。为了追求速度直接删掉拦截层，只会把模型的不确定性传到物理系统。
从2026年榜单看，行业先在搭平台和知识底座
2026年3月2日发布的“2026中国智能电网创新AI应用TOP50”列出了几条有代表性的路径：国家电网“电网运行AI中台”强调覆盖源网荷储的标准化开发、管理与协同应用；南方电网“丝路”AI平台聚焦数字孪生、风险预警和跨区域协同调度；国电南瑞“瑞智”则把大语言模型与专业调度知识库结合，用自然语言生成调度预案。
这份榜单并非技术标准，但从公开描述看，现阶段的重点仍是平台、知识库、数字孪生和协同流程。仅凭这些信息，还不能推断大模型已经可以脱离校验和授权，直接控制电网设备。
华为《智能世界2035》提出，行业关注会更多回到现有大模型的产品化价值和具体场景。放到电网里，这种价值要落实为能否接入已有调度、保护、权限和审计体系，而不只是生成一份读起来完整的方案。
验收时，先看系统怎样拒绝错误指令
测试集准确率只能回答一部分问题。工业AI上线前，还要逐项验证：
- 输入数据中断、过期或互相矛盾时，系统是否停止自动下发并进入降级状态；
- 模型建议与保护规则冲突时，硬规则能否无条件取得优先权；
- 仿真或数字孪生校验失败时，指令是否默认被拦截；
- 涉及高风险操作时，授权角色和复核流程是否写清；
- 从原始数据、模型版本到审批记录和执行结果，能否完整追溯；
- 模型退出运行后，原有保护和基础控制能力是否仍能独立工作。
“明月”上线提供了一个现实坐标：多智能体已经进入省级电网调度场景。接下来的工作主要在模型之外——规则要独立，权限要分级，校验要前置，失败要可控。
成熟的闭环不要求模型永远不出错。它要求模型出错时，设备仍受物理规则约束，每一次操作都能被拦截、解释和追溯。
