1. 项目背景与行业痛点
在工商业分布式光伏领域,我们正经历着从"数字化记录"向"智能化决策"的关键转型。过去五年,行业普遍采用的传统SaaS系统已经暴露出明显的局限性。以某光伏电站的实际运维数据为例,系统每天产生超过2万条设备日志,但其中真正转化为运维决策的不足5%。这种低效的数据利用现状,正是我们与小麦新能合作开发AI Agent系统的初衷。
行业面临的三大核心痛点具体表现为:
-
非结构化数据黑洞:一个典型5MW分布式光伏项目,从前期开发到后期运维,会产生超过200份各类文档,包括:
- 现场踏勘报告(含无人机航拍影像)
- 企业用电数据扫描件
- 纸质版屋顶荷载检测报告
- 手写版运维值班记录
这些关键信息长期沉睡在PDF、图片等非结构化载体中,无法参与系统决策。
-
决策响应滞后:传统规则引擎在面对动态变化时表现僵化。例如当某地突发冰雹天气时,基于预设阈值的告警系统需要人工逐级确认,平均响应时间达47分钟。而实际组件损伤评估往往在灾害发生后的前15分钟就已确定。
-
知识传承断层:某头部光伏运营商内部调研显示,资深工程师的故障诊断准确率(89%)显著高于普通工程师(62%),但这种经验差异无法通过现有系统有效弥合。
关键洞察:光伏行业的智能化升级不是简单的"AI赋能",而是需要重构数据流动方式和决策机制。这正是我们采用Agentic Workflow架构的根本原因。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 系统架构设计解析
2.1 三层架构的技术哲学
我们采用的"重底座、轻定制、强智能"架构,本质上是对光伏行业"长周期、重资产、多参与方"特性的针对性设计:
- 数据底座解决的是20年运营周期内的数据一致性问题
- 业务定制层应对不同业主的个性化需求
- AI Agent层则聚焦于持续提升决策质量
2.1.1 数据底座的技术实现
数据湖的建设采用了"冷热分离"存储策略:
- 热数据(最近3个月):Apache Doris实时分析引擎,P99查询延迟<200ms
- 冷数据(历史数据):Iceberg列式存储,存储成本降低72%
多租户隔离通过"物理隔离+逻辑隔离"混合方案实现:
- 核心生产数据:独立Kubernetes集群
- 一般运营数据:Nam
