新能源智能调度的核心结论是，风、光、储的协同调度效果受预测能力、数据质量、模型、网络约束、储能状态和调度规则等多因素影响。风场装机容量、断面稳定限额、储能荷电状态、现货电价时段、相似天气日的历史出力曲线，这五类信息图谱可辅助汇聚多源信息、提升资料查询效率；计划编制时间应以具体系统、流程和测试结果为准。

一条没被改变的硬约束，和推到双侧的不确定性

电力系统最早是发电机旁直接接灯泡，供电半径几百米。后来交流电靠变压器把电压抬上去再降下来，输电距离被拉开，才形成大机组、大电网、大调度的格局。格局变了，一条物理约束没变：交流电网里发电与用电在同一瞬间相等，频率是这条约束的体温计，50Hz 往下掉就说明发电跟不上负荷。火电时代这件事相对可控，机组的爬坡速率、最小技术出力、启停成本都写在台账上，调度员拿负荷曲线去套，误差能兜住。

风光改变了输入结构。风速落在额定点附近时曲线的微小偏差会被放大成出力的显著偏差。不确定性原本只在负荷一侧，现在发电侧也不可控，只剩预测，调度要为误差留旋转备用，留备用就要多开机组，成本随之抬高。

弃风弃光是另一头。三北地区风光装机集中，本地负荷小，外送通道的建设周期长于电站建设周期，通道容量跟不上装机增长，断面受限时只能让风机停转、让逆变器降功率运行。保供的紧张出现在相反方向，日落后光伏归零，遇到小风天气，缺口靠储能和可调机组补上。

储能搬移的是时间，代价记在循环寿命上

把电存起来的想法出现得比大电网还早，最早的抽水蓄能建在阿尔卑斯山区，用高处水库与低处水库做能量搬移，至今仍是装机量最大的储能形式。部分储能系统具备较快响应能力，具体响应时间受电池、PCS、控制策略和运行状态影响。

策略难在三重约束。荷电状态 SOC 通常运行在 10% 到 90% 之间。充放电深度直接改写循环寿命，同一个电池包按 90% 深度放电和按 50% 深度放电，可循环寿命受放电深度、温度、倍率、SOC 区间和电芯型号等因素共同影响。放电功率与时长由变流器容量和电池容量共同决定，1C 的系统一小时放完，0.5C 要用两小时。一天之内，储能既要削峰填谷吃峰谷价差，又要留容量应对预测误差，两个目标抢同一份电量。

知识图谱

知识图谱的前身是语义网。早期网页之间只有超链接，机器读不懂两端的关系，于是有人提出给事实加统一标注，让数据能被机器理解，资源描述框架 RDF 由此产生，把知识表达成主语、谓词、宾语的三元组。语义网作为整体工程没有落地，三元组这个模型活了下来，后来被搜索引擎用在结果页的信息卡片上，知识图谱这个名字从此进入工程视野。

三元组存进关系型数据库也能查，问题出在多跳。查某断面下挂了哪些风光储机组是一跳，查这些机组过去三年相似风速日的出力偏差，要跨设备台账、气象记录、历史曲线三类数据。关系库靠外键 join，跳数增加时中间结果集膨胀。原生图数据库用无索引邻接，节点在存储层直接持有指向邻居的指针，图数据库适合关联查询；性能还受图结构、索引、查询模式、硬件和数据规模影响。Neo4j 是这类数据库的代表，Cypher 后来演化成 openCypher 与 GQL 标准。

调度图谱的实体包括风场、机型、集电线路、升压变、母线、断面、储能站、气象格点、电价时段、规程条目。找出某断面下所有风光装机、当前可用容量、稳定限额，以及最近一次越限的处置记录，在图上是一次遍历，在人工流程里是翻四套系统。向量检索回答哪段文字与这个问题相近，知识图谱回答两个实体隔了几跳、中间经过什么，两者在 RAG 里分属不同环节。

文档处理：把沉睡的资料拆成可检索的片段

要让图谱有内容，先得把资料读进来。PDF 的本质是排版指令流，记录的是在哪个坐标画哪个字符，字符顺序与阅读顺序常不一致，扫描件没有文字层，需要 OCR 还原。docx 是 OOXML 压缩包，Excel 的语义藏在表头层级里，合并单元格一多就丢结构。

切分决定检索质量。按固定字数切会把句子腰斩，检索到的片段无法独立表意，语义分块按标题层级、段落边界和相邻句的语义相似度定切点，代价是长度不均匀。

文本转向量这一步，BGE-M3 输出 1024 维，一条文本按 float32 存约 4KB，百万片段的向量本体约 4GB，内存要按向量数据的两到三倍来配。Milvus 的 IVF_FLAT 先聚类倒排再簇内精确比对，省内存、召回略低，HNSW 建多层小世界图做近似最近邻，查询快、内存占用高，HNSW 常用于对低延迟检索有要求的场景，具体索引选择应结合数据规模、召回率、内存与压测结果。

关键词这一路靠 Elasticsearch，打分用 BM25，分数没有量纲上界，余弦相似度取值在负一到一之间。两路量纲不同，直接加权相加会让数值大的那一路主导结果，工程上普遍用倒数排名融合 RRF，只看排名不看分数。

Agent 工作流：从批处理脚本到可循环的状态图

自动化流程的形态一直在变。最早是顺序执行的批处理脚本，企业信息化时代出现基于 XML 的工作流引擎，用有向图描述业务流转，流程固定、没有循环，数据平台时代的调度器把任务编排成有向无环图，仍然是单向的。大模型应用带来一个新需求：流程要能循环，模型要根据中间结果自己决定下一步，还要能在中断后从原处续跑。LangGraph 这类框架按这个需求设计，把流程建模成状态图，节点是处理单元，边是流转条件，Checkpointer 把每一步状态持久化，长任务因此支持断点续跑。

条件路由在这里是刚需。置信区间过宽时自动追加一次短临预测，优化结果与人工预案偏差超阈值时转人工复核。调度员采纳或驳回的结果回流，修正后的方案转存为标准知识条目。

数据留在本地

涉及电力监控系统的数据处理和网络接入，应依据适用的安全防护规定、系统分区、接入方案及相关单位审核要求设计。私有化部署的含义是向量库、图数据库、全文检索、消息队列、模型推理都落在本地机房，模型接入应与数据分级、网络架构和合规要求匹配；涉及外部模型时，应另行评估数据传输、日志、授权及安全边界。

关于小艾智能体

上面这套结构，小艾智能体的落地方式是把环节拆成可配置的模块。系统用于辅助资料检索、方案分析、任务编排和风险提示，不替代电力调度机构、值班调度员或具备相应职责人员的调度决策与执行。所有调度建议应经授权人员审核，并遵循现行调度规程、运行方式和安全防护要求。

文档处理引擎接 PDF、Word、Excel、CSV、TXT、Markdown、HTML、图片，走上传、解析、语义分块、BGE-M3 向量化、Milvus 存储的完整链路。知识图谱用 Neo4j 存实体与关系，Cypher 做多跳查询，系统可辅助进行实体识别与关系抽取，并生成候选结果；应通过规则和专业人员审核后用于调度分析。检索侧是 Milvus 向量检索加 Elasticsearch 全文检索的混合模式，系统可展示检索到的资料来源或片段；来源完整性、有效性和适用性仍需人工核验。执行侧是 LangGraph 驱动的 Agent 工作流，支持条件路由、并行执行和基于 Checkpointer 的状态持久化，/api/agent/run 与 /api/agent/async 分别对应同步与异步调用。部署上走 Nginx、Java 服务、Python Agent、RabbitMQ、Milvus、Neo4j、Elasticsearch 的分层微服务架构，可根据并发、数据规模、可用性目标和合规要求进行资源配置。