深度阅读约 5 分钟读完

电表和逆变器对不上、告警追不到设备：光伏 AI 落地，先过数据治理这一关

一次真实的交叉验证里，日、月、年发电数据全部正常，终身累计却差出 -10.72%。数据不治理，再强的模型也给不出能被验收的答案。

AI 答不准，八成是数据在“说谎”

很多团队第一次试用 AI 问答，问的都是同一类问题：这周发电正常吗？回答很流畅，但数字和月度报表对不上，业务的第一反应是“AI 不行”。复盘下去往往发现问题在上游：同一个“发电量”，电表、逆变器、结算报表三套口径；历史数据有断档；缺失字段没有任何标注。

把互相矛盾的数据交给任何模型，输出都无法复核。看起来再流畅的回答，过不了验收，试点就会死在第一周——而且死因会被记在 AI 头上，不是数据头上。

我们在一座电站做过电表与逆变器发电量的交叉验证（数据已脱敏）：按日、月、年、终身四个周期对比，偏差阈值设为 2%。结果是日、月、年三个短周期全部在阈值内，终身累计却出现了 -10.72% 的偏差——系统据此给出建议：检查计量回路或核算线损，而不是笼统地说“数据有异常”。

这个结论的价值不在数字本身，而在于它是带着公式、阈值和判断依据给出的：偏差怎么算的、哪个周期超标、下一步查什么，每一条都能点开追溯。这才是数据治理应有的样子——不是把数据“洗一遍”，而是让每个数字变得可解释。

口径统一：每个指标怎么算、以哪个数据源为准，白纸黑字写下来。边界清楚：哪些电站、设备、时间窗可用；缺数据的地方标注经过核实的原因，而不是藏起来。责任到人：每类数据由谁确认，出了分歧找谁裁决。

注意这三件事都不需要更换系统，也不需要立项半年。存量的监控平台、报表、工单全部保留——治理是在它们之上补一层“说明书”，让后续所有分析都建立在同一套事实上。

给一个可以立刻执行的判断标准：随机挑一条昨天的告警，从告警追到对应设备，再追到当时的功率曲线和处理记录。整个过程能在十分钟内走通，说明数据基础足够启动第一个 AI 试点；走不通，卡住的那一步就是数据体检应该开始的地方。

这个测试还有一个附带用途：当你需要向管理层解释“为什么做 AI 之前要先做数据体检”时，现场演示一次，比任何汇报材料都有说服力。

ZenovaOS AI 的做法是把数据治理内置成 AI 运营的第一层：接入现有监控平台账号（不动原有系统），先跑数据体检——完整性、口径、质量基线，再逐个开通场景。上文那次 -10.72% 的交叉验证，就是数据体检包的一个标准输出：4-8 周，交付一份带治理优先级的数据质量清单。

换句话说，你不需要“先治理好数据，再考虑 AI”——数据体检本身就是第一个 AI 场景。

要点

治理不必一步到位，够支撑第一个试点场景就可以启动——判断标准就是那条“十分钟追溯测试”。