對光伏人來說，現(xiàn)在又是一個讓人心驚肉跳的5.31。2018年的上一個5.31，是因為光伏發(fā)電還處于成本較高需要補貼的時代，光伏裝機容量大增，補貼金額猛漲導致中央政府對光伏新建項目急剎車，使得光伏項目的業(yè)主和很多光伏企業(yè)遭受滅頂之災，大家今天仍記憶猶新。

這次的5.31是因為光伏電消納能力不足，出現(xiàn)了嚴重的光伏發(fā)電并網(wǎng)瓶頸，新建光伏的發(fā)電量未來不能保障上網(wǎng)，這會導致棄光量驟增。因此新建光伏裝機容量驟降。光伏企業(yè)再次面臨危機。兩次5.31，不一樣的原因，一樣的后果。

中國的光伏裝機容量太大了嗎?2024年底，中國的風光電裝機容量才剛剛超過火電的裝機容量，而德國的風光電裝機容量是火電裝機容量的2.5倍，但棄風棄光電卻僅有3%左右。德國規(guī)劃到2045年，風光電容量還要再增加300%多。

為什么有如此大的差距?這是因為兩國在解決這個問題的視界不同。

中國在消納過剩風光電時，視界局限在化石能源時代的傳統(tǒng)電力系統(tǒng)中。集中力量在電力系統(tǒng)中尋找靈活用電的能力作為用戶側(cè)響應的資源。這顯然是遠遠不夠的。

而德國的視界是在所有使用化石能源的領(lǐng)域?qū)ふ蚁{過剩風光電的資源。根據(jù)我們德國能源署的數(shù)據(jù)，在德國的終端使用能源中，熱能是電能的約2.5倍，其中低于100℃的熱能是電能的約1.6倍，是現(xiàn)在德國風光發(fā)電量的約3倍。而存儲100℃熱水的水罐單位儲能造價只有每千瓦時50元人民幣左右，是蓄電池的十分之一左右，儲能成本非常廉價。且不說未來還有工業(yè)高溫熱力的廉價存儲方法。所以，在德國，消納過剩風光電不是問題。補償才是要討論的難題。所以現(xiàn)在的研究重點是如何降低在風光電不足時保障電力供應的補償電源的發(fā)電成本。

中國的問題是，在風光電過剩時，如果用戶用過剩的風光電替代天然氣，能源成本比燃燒天然氣還高。更不要說替代燃燒煤炭了。于是在中國就出現(xiàn)了一個怪現(xiàn)像，在風光電過剩時，一邊大量棄風棄光，一邊燃燒著供應安全沒有保障的從幾千公里外用管道或用液化氣船運來的昂貴的天然氣。

解決這個問題的道理非常簡單。如果過剩風光電到用戶的價格低于天然氣的價格，就能替代天然氣;如果過剩風光電到用戶的價格低于煤炭的價格，就能替代煤炭。這不需要什么人工智能，只需要小學學到的知識。如果用過剩風光電替代制備熱力的大部分天然氣和煤炭，中國的風光發(fā)電容量還可以再增長500%。

最后談一下人工智能。1987年我開發(fā)了聯(lián)想式漢字輸入的詞庫自學習生成系統(tǒng)，并賣給了聯(lián)想集團。38年過去了，今天在座的各位都在手機和計算機里使用我當年開發(fā)的這個人工智能軟件。這個軟件的原理與今天的Chat GPT和deepseek是相同的原理，學習已有的知識，而后提煉出所需的知識——對我開發(fā)出來的這個軟件來說就是聯(lián)想詞。今天中國要使用人工智能技術(shù)開發(fā)智慧能源，消納過剩的風光電，同樣首先要有人工智能需要依賴的基礎(chǔ)知識庫，即能夠消納過剩風光電的靈活用電資源數(shù)據(jù)，沒有靈活用電的資源，討論使用人工智能去消納過剩風光電，就是空談。在碳中和領(lǐng)域，人類的基礎(chǔ)知識，即常識，遠比人工智能重要。