能源与公用事业项目具有投资规模巨大、资产服役周期长、不确定性突出的特点，——而单点估值恰恰会掩盖而非揭示这些风险。本文借助嵌入工作流的 @RISK Agent，通过@RISK完成一个真实海上风电投资决策案例：介绍人工智能在哪些环节可以提升建模效率、仿真引擎如何修正人工智能的错误，以及所有能源模型都应当纳入哪些行业特有注意事项。

为何能源领域重大资本决策如今需要概率分析，而非单点估值，以及人工智能在工作流中的定位。

国际能源署清晰地指出了问题的规模：到2030年，全球电网年度投资规模需要实现约翻倍，达到每年6000亿美元以上；然而约1500GW的可再生能源项目已经积压在并网审批队列中等待获批，该规模是全球某一年新增风光装机总量的五倍。每一个数字背后，每一组数据的背后，都是在高度不确定环境下做出的融资决策：电价波动、监管政策变动、长达25年的资产寿命，以及完全无法由人为掌控的并网时间。收益率的单点估值无法量化这种不确定性，只会将其隐藏。

而这正是蒙特卡洛仿真技术诞生所要解决的决策场景，也是合理运用人工智能之后，能够切实改变决策成本与决策质量的领域。

能源投资评审委员会不会批准无法溯源核验的数字。当负责人发问 “这个结果是怎么得来的？”，搭建在Excel中的@RISK模型可以逐单元格展示计算逻辑：以概率分布替代单点估值，以成千上万次迭代运算替代单一情景；龙卷风图、相关系数矩阵与模型同步呈现，可供所有人查阅。在这套原有平台上引入人工智能，并不会改变平台本身，而是提升分析师在平台内的工作效率。在我们的风险管理人员AI提示工程现场指南中，我们已经讲解过如何编写高效提示词调用@RISK Agent。在本文中，我们将把这套工具应用于真实业务决策场景。

案例：海上风电投资决策 

某开发商拟对一座250MW海上风电项目开展最终投资决策。项目资本支出预计为9亿欧元。该项目前期若干年执行固定电价收益合同，后续则长期面临电力现货市场电价波动。投资委员会不希望看到一份净现值（NPV）预测值，而是需要净现值结果的概率分布，同时清晰掌握造成结果波动的各类驱动因素。

输入变量众多，且彼此之间并非相互独立：风力发电量、可用率、电价、运维成本上涨率以及并网日期等变量会以重要方式联动变化。这种结构正是蒙特卡洛方法所擅长处理的，而传统电子表格预测则无法胜任。

第一阶段：借助@RISK Agent进行建模
@RISK Agent通过Lumivero模型的上下文协议层（MCP），将人工智能直接嵌入@RISK Excel环境中。分析师只需用自然语言描述资产和决策内容，@RISK Agent会输出模型搭建框架，为每一个不确定性输入变量推荐概率分布类型，并标记出可能占主导地位的变量。以往需要耗费数小时完成的模型基础框架，如今仅需极短时间即可完成。

能否做好这一步，有一个关键实操要点：编写提示词时，必须明确要求 @RISK Agent 通过MCP协议调用 @RISK 模型进行运算。如果提示词表述模糊，通用大模型就会依靠自身已有的能源金融知识库给出回答，输出内容看似通顺合理，但会脱离实际。只有将 AI 指向实际工作簿内的模型，它给出的全部建议才会基于真实模型数据。这正是 @RISK Agent 的核心价值所在。

分析师会对 AI 输出结果进行复核、调整，并补充人工智能无法掌握的行业专有信息：具体合同条款、本地市场现状以及电网运营商在并网日期方面的跟踪记录。

第二阶段：通过 @RISK 完成校验

经过一万次模拟迭代后，龙卷风图一目了然地排列出净现值（NPV）波动的主要驱动因素。在这里，电价不确定性占据主导地位，其次是风电产出和并网日期。该图表不仅验证了直觉判断，更展示了各驱动因素的相对影响权重，提示哪些假设条件需要重点审慎核查。

这就是模型审计环节，分析师的专业判断在此起到决定性作用。AI可以快速搭建模型，但不能保证模型完全正确。在本例中，AI错误地将电价与市场化运营期收入视为相互独立的输入变量——这是一个常见却严重的错误，因为在能源模型中，二者实际上密切相关。相关系数矩阵直接暴露了该问题。修正这一项假设后，项目下行风险显著扩大：P10净现值发生变化，尽管基准情景下项目依旧可行，但尾部风险情景完全改变，向投资委员会汇报的内容也随之改变。该发现不会立即显现，而模拟引擎却能揭示出来。

第三阶段：分析输出结果 

模型修正后，借助Agent的自然语言交互能力，分析师可以直接对仿真结果进行查询，提出诸如以下问题：

• 哪些因素会造成净现值小于 0？

• 如果并网时间推迟一年，项目结果会发生怎样变化？

• 在什么价格下，商户期将无法覆盖其成本？

答案来自模拟数据，依托 MCP 协议读取模型真实输出，而非 AI 的通用知识库。输出结果具体、可溯源，可直接用于董事会汇报材料，也可以调用 @RISK Agent 直接生成执行摘要。

人工智能的定位

在整个能源模型中，其作用模式是一致的。AI 擅长处理依附于专业判断的机械性工作：输出模型初步框架、给出附带依据的分布方案、模型运行前排查漏洞、将复杂仿真结果转化为通俗表述、把仿真结果整理成报告初稿。

但在决定模型是否正确的关键环节上，AI 能力存在明显短板，绝不能完全依赖：例如变量相关性设置、尾部风险校准，以及大模型无从获知的行业现实条件。在 @RISK 软件环境中，AI 负责加速上述机械工作，仿真引擎与分析师则把控核心的模型正确性。

每个能源模型都应包含的注意事项

以下是能源公用事业行业特有的建模要点，需要重点关注：
• 专家提供的是百分位数值，而非完整概率分布。
风力发电量顾问和储能工程师提供的通常是P90/P50/P10数据，而不是参数化曲线。需要基于给到的分位数做分布拟合，而不是主观预设分布形态；如果由 AI 完成拟合，必须对此进行明确说明。

• 罕见事件缺乏历史数据。
对于电缆故障、涡轮机故障或泄露等情况，通常缺少充足本土历史数据，无法直接估算发生频率。参考更广行业数据集获取事件发生概率属于合理做法，但该建模选择必须写明并加以论证，不能直接隐藏在模型内部。

• 相关性是普遍规律，而非个别特例。
价格、产量、可用性和成本上涨往往相互关联。人类分析师与AI都极易犯的隐蔽错误，就是把这些变量当作相互独立进行处理。

• 监管政策与长周期资产拉长预测边界。
资产寿命长达 25 年，项目会面临尚未出台的政策制度。想要如实反映这类不确定性，应当设置多情景分析，而不是简单依靠单一折现率。

建模者始终掌握主导权
AI 提升工作效率，但不会代替人做决策。每一个概率分布，都代表对输入变量不确定性的专业判断；每一组相关系数，都体现对现实系统运行规律的理解；每一种情景，都代表对风险事件及其严重程度的预判。这些判断都应当由分析师完成。在能源领域，项目投资规模庞大、时间跨度久、下行风险真实存在，分析师的判断永远不可替代。

@RISK Agent 真正改变的，是反复开展 “假设分析” 的成本。对于能源行业而言，这恰恰是极具价值的能力。

想要亲测@RISK仿真建模的完整能力，欢迎联系科学软件网提交试用申请，解锁更多软件实操体验。