6月20日，清华大学电机系长聘教授、青海大学副校长梅生伟在2025国家能源互联网大会上作《人工智能赋能新型电力系统的探索》的主题演讲，演讲从数学角度出发，讲述了深度学习在电力系统中的应用，分享了数字电力系统的概念及其在电力系统中的应用等。
他认为，新型电力系统作为国家战略，其核心特征体现为：一是大规模风光基地的集中建设，二是依赖特高压技术实现清洁能源的远距离输送。截至2023年底，我国已累计建成39条特高压线路，年输送清洁电量超3万亿千瓦时，堪称工业史上的创举。然而，高比例可再生能源接入与特高压输电也带来了“双高”（高比例新能源、高比例电力电子设备）挑战：新能源强波动性显著，且风光机组惯量支撑能力薄弱（光伏近乎为零，风机较弱），导致系统在量测感知、精确建模及优化调控方面面临严峻困难。
对此，他讲述了数字电力系统的概念，并强调了其在控制物理系统方面的优势，面临新型电力系统海量的仿真，详细解释了深度学习在增强感知、认知和决策方面的作用，并指出其主要作用于三个要素：数据、知识和决策。他认为，只要有历史数据就可以搞训练，揭示输入和输出的关系。
他表示，基于上述数字系统与增强闭环（感知-认知-决策），可将风机、光伏等发电单元接入电网模型，通过微分代数方程进行动态模拟，确保风光并网的友好性与稳定性。该模拟对算力要求极高：在针对6800种不同潮流工况下的暂态故障情景仿真中，前80%用于训练微分代数神经网络，剩余20%用于暂态测试。结果表明，通过训练后可以实现高精度拟合真实系统动态，误差显著低于传统方法。
然而，新能源强波动性导致系统运行风险陡增，传统安全边界难以精确刻画。面对工况多变、边界模糊、随机性强及计算复杂等挑战，例如高比例电力电子设备引入的不确定性，亟须构建实时动态防御能力——其核心在于“快”。为此，引入生成对抗网络，通过生成极端场景样本与动态对抗训练，快速识别脆弱环节并优化安全策略，最后获得非常快的调控方案。
最后，他总结，深度学习可以实现人工智能驱动的电力系统增强感知、增强认知和增强决策，助力新型电力系统发展。通过深度学习不断挖掘海量数据中隐含规律，挖掘得越多，认知的越多，能做的也越多。除此之外，深度学习也将为电网调度、运行、维护人员提供更加精准的量测、更贴近实际的数学模型、更加智能高效的控制策略，大幅降低决策能耗，未来的目标是打造电力系统的数字孪生模型。
