本报记者詹碧华
9月19日，由中国企业改革与发展研究会、首钢集团有限公司联合主办的ESG创新年会(2026)及第二届ESG博览会在北京启幕。会议期间，华北电力大学博士刘严接受了《企业观察报》记者专访，围绕能源（850101）系统世界大模型、算电协同装备最新研究进展，以及产学研融合落地路径分享观点。在人工智能（885728）算力需求持续扩张的当下，算力背后的电力保障、散热治理、绿电高效利用等问题，正成为产业与学术界共同关注的焦点。
算力扩张背后的三道“能源坎”
人工智能（885728）产业高速发展，算力需求持续攀升，但算力背后的电力供应、散热管理和绿电消纳却面临现实挑战。刘严将这些挑战概括为三个“能不能”：电能不能供得稳，热能不能散得掉，绿色电力（885936）能不能用得好。
他解释，大模型训练和推理的用电负荷波动大、密度高，对电网的瞬时响应能力和供电可靠性提出了极高要求。与此同时，高功率芯片带来的散热问题如果处理不当，不仅拖累算力效率，还会推高整体能耗。在“双碳”目标下，如何让绿电在算力场景中用得稳、用得经济，更需要从源网荷储协同的角度去系统谋划。刘严进一步指出，算力基础设施正从单机、单机房迈向大规模集群，能源（850101）系统与算力系统之间的耦合日益加深。长期以来，电力调度和算力调度常常各管各的，电力侧不清楚算力何时用电、用多少电，算力侧也不了解电力侧什么时候电更绿、更便宜。这种信息割裂不仅造成资源浪费，还可能影响算力任务的稳定运行。
“正是基于这些观察，华北电力大学航空航天先进技术研究所将目光聚焦在能源（850101）系统世界大模型与算电协同装备两个方向上。”刘严解释说，能源（850101）系统世界大模型意在融合气象、新能源（850101）出力、电网运行、负荷变化、热管理等多源信息，对能源（850101）系统进行更精准的建模、预测和优化；算电协同装备则是要把模型能力落地到实体装备和工程系统中，让算力负荷主动响应电力供给，让散热与供电环节协同调度。团队把自身在能源（850101）动力和热管理方面的积累，与北京超弦传热科技有限公司的装备研发及工程化能力相结合，不只是做一个算法模型，而是让预测、调度、控制与高效散热、供电保障形成闭环，真正支撑算力基础设施安全、绿色、高效运行。从长远角度看，这条路有助于推动算力与能源（850101）两大基础设施深度融合，为人工智能（885728）的可持续发展打牢底层根基。
世界大模型从“会聊天”到“会预演”
谈及“世界大模型”这一概念，刘严给出了一个形象的解释：它就像一个能在计算机里“预演设备下一步会怎样”的工具。算力负载骤增时芯片会升温多少？调大冷却流量能否有效降温、又会多耗多少电？世界模型要学的，正是系统怎样变化、不同操作会带来什么结果。
刘严将其与大众熟知的聊天大模型作了对比。聊天大模型擅长语言理解和知识交互，主要依赖海量文本学习语言中的统计规律；世界大模型则侧重物理状态预测，需要接入设备运行数据和仿真数据，还要融入热力学、流体力学等物理机理，学习的是系统状态如何演化、控制动作会产生何种后果。简单来说，聊天大模型回答“说了什么、知道什么”，世界大模型回答“接下来会怎样、这么做行不行”。更深一层看，聊天大模型通常是“离线训练、在线问答”，与真实世界之间隔着一层语言；世界大模型则要求与真实系统持续交互，靠传感器（885946）数据、运行日志、控制反馈不断校准自身。它不仅要“说得对”，还要对物理约束负责——预测的温度不能违背能量守恒定律，给出的调度方案不能突破设备安全边界。这意味着世界模型往往需要把数据驱动和机理模型结合起来：纯数据驱动容易缺物理常识，纯机理仿真又可能太慢、太贵，两者融合才能在精度与效率间找到平衡。
刘严介绍，团队研发的能源（850101）系统世界大模型，将设备运行数据、仿真数据与热力学、流体力学等机理融合，既能判断当前状态，也能比较不同运行方案。它可以在虚拟环境中反复推演多种工况，比如新能源（850101）出力波动时算力负荷如何调整、冷却系统如何响应、储能（885921）如何充放，从而在实际调度前筛选出更优策略，压低试错成本和安全风险。更关键的是，这种推演能力一旦嵌入日常运行，系统便能从“出了问题再处理”转向“提前预判、主动调节”。
刘严还提到，“大”不仅指参数规模，更在于能在不同设备和工况中积累、迁移知识。能源（850101）系统场景分散、设备类型繁杂、运行条件各异，如果每换一个现场都要重新建模，成本高、周期（883436）长。世界大模型的价值在于把一个场景中学到的物理规律和运行经验迁移到新设备、新工况中，减少重复训练、提升适配效率。同时它还能随实际运行数据不断更新，越用越准，逐步形成对能源（850101）系统更完整的认知。这种可迁移、可进化的特性，也是能源（850101）系统世界大模型区别于传统仿真软件和单一设备控制器的核心所在。
从示范到推广，大模型在内蒙古落地生根
谈及为何要在能源（850101）动力系统中发展这类模型，刘严给出了很实在的理由。能源（850101）系统各环节相互牵连，算力负载一变，供电、冷却和储能（885921）都得跟着调，而真实设备又不能随意试错，更不能为了训练模型反复制造危险故障。能源（850101）动力系统还有安全边界硬、耦合关系强、运行工况复杂的特点，风电（885641）光伏出力受天气影响，算力负荷随业务起伏，储能（885921）充放还要兼顾寿命和安全，这些因素交织在一起，靠人工经验或单一控制逻辑很难做到全局最优。世界大模型的意义，就是把这些相互牵制的因素纳入同一框架推演，在满足安全约束的前提下寻找更优运行策略。
刘严也观察到，能源（850101）动力系统的数字化底座正在发生变化。过去不少系统只有少量传感器（885946）、监测粒度较粗，如今储能（885921）、机房、供电设备上的传感和采集装置越来越密集，数据密度和实时性大幅提升，为数据驱动与机理融合的建模方式提供了条件。仿真工具、边缘计算和算力平台日趋成熟，也让“虚拟推演—实验验证—现场运行”这条闭环路径具备了可行性。在他看来，不是为了追新概念，而是能源（850101）系统本身已经到了需要用更智能的方式去感知、预测和调控的阶段。
目前，团队从储能（885921）安全和算力热管理两个方向切入，开展状态预测、异常识别和策略优化研究，模型V1.0已在内蒙古示范项目投入应用。对储能（885921）环节，重点关注温升和异常传播风险；对算力设备，重点关注热点和冷却需求。目标是从超限报警走向提前预判——不再只是等温度超过阈值才发出警报，而是提前判断哪些电芯、哪些机柜可能出状况，提前调整冷却、调度或充放电策略。模型建议还要经过物理规律和安全约束校验，不能绕过既有保护系统。这样做一方面保证安全，另一方面也让运行人员敢用、愿用。
在示范项目中，团队也在探索模型与装备的配合方式。模型预测到某区域热负荷将攀升，便提前联动冷却装备调整流量和温度设定；预测到储能（885921）单元出现异常温升趋势，则提前降低充放电倍率或调整调度计划。这些动作不是替代原有保护系统，而是在保护动作之前争取更多缓冲时间，把“事后处置”变为“事前预防”。刘严表示，下一步希望在更多场景积累数据、迭代模型，逐步提升跨设备、跨工况的迁移能力，让模型从单点示范迈向规模化应用，形成可复制、可推广的能源（850101）系统智能化方案。
算电协同让算力与能源互相成就
谈到算电协同，刘严说，就是让算力任务和电力供给相互配合，把冷却、储能（885921）一起纳入规划和运行调度。比如，中午光伏电量充裕时，把允许调整时间的计算任务适当安排过来，同时给储能（885921）充电；绿电不足时，由储能（885921）补充，并调整可转移任务。不能中断的实时业务，则始终优先保障。
他进一步表示，算电协同不只是“用电跟着电走”，也包括“电跟着算走”。在算力侧，可以通过任务调度、功率调节、冷却优化来改变用电曲线；在电力侧，可以通过储能（885921）充放、备用容量、需求响应来适应算力波动。两边都有调节手段，关键是把它们放在同一个调度框架里统筹考虑，而不是各管一摊。这样才能既保证算力任务按时完成，又让电力系统运行得更平稳、更经济、更绿色。
在刘严看来，算电协同的战略意义，在于连接数字经济（885976）发展与能源（850101）转型。人工智能（885728）需要可靠电力，风电（885641）光伏需要更灵活的用电需求。把两者组织好，就有机会增加新能源（850101）消纳、缓解部分时段的供电压力，降低算力运行的成本和碳排放。因此，这不仅关系到机房节能，也关系到算力基础设施布局和能源（850101）保障能力。
从更宏观的层面看，算力正在成为数字经济（885976）的重要基础设施，电力则是算力发展的底层支撑。哪里的电力更稳定、更绿色、更经济，哪里的算力产业就更有竞争力。反过来，算力负荷如果能够灵活响应电力系统，也可以成为消纳新能源（850101）、提升电网调节能力的重要资源。所以，算电协同不只是技术问题，也涉及产业布局、能源（850101）规划和政策机制。它关系到能不能在人工智能（885728）快速发展的同时，走出一条算力增长与能源（850101）转型相互促进的路子。
