電力市場的交易決策依賴AI，既可能放大盈利也可能放大虧損。電力交易相關AI模型尚未成熟，企業(yè)使用時必須具備自主操控能力

文｜《財經(jīng)》記者徐沛宇

編輯｜馬克

如同DeepSeek創(chuàng)始人梁文峰將AI（人工智能）引入金融市場做量化交易，一些創(chuàng)新者正在將AI運用于電力市場交易。

成立于2021年的北京清鵬智能科技有限公司（下稱“清鵬智能”），孵化自清華大學電子系的一個AI實驗室。2022年，清鵬智能聚焦到能源賽道，專注做電力交易AI智能體（Agent）。

清鵬智能創(chuàng)始人李中陽對《財經(jīng)》說，前兩年公司潛心做算法構架，打下技術基礎。2024年開始將產品實際運用到電力市場。今年以來，清鵬智能開始商業(yè)化運營。

除了清鵬智能這樣的科技公司，還有諸多能源企業(yè)，包括發(fā)電商、售電商、用電企業(yè)等都在嘗試自研電力交易AI產品。這些公司在電力市場盈虧的關鍵都是預測新能源的發(fā)電量和用電量情況，有的公司，一天的盈虧波動可能就超千萬元。電力交易員需綜合分析多維度的海量數(shù)據(jù)以做出交易決策，顯然，AI處理數(shù)據(jù)的能力遠高于人腦。

國家電網(wǎng)公司和南方電網(wǎng)公司近期都舉行了AI預測用電量、AI做電力交易等相關比賽；數(shù)百家發(fā)電商、售電商、相關科技企業(yè)紛紛拿出自己的AI大模型參賽。比賽之外，各類AI產品今年以來已在電力市場付諸實踐。

《財經(jīng)》采訪發(fā)現(xiàn)，電力市場AI產品的底層技術既有機器學習也有深度學習，業(yè)內對該類產品的描述尚無共識，但該類產品大都包含時序大模型。時序大模型是指以具有時間維度的數(shù)據(jù)為基礎，構建可分析、預測時序數(shù)據(jù)的AI大模型。光伏、風電的發(fā)電量即是時序數(shù)據(jù)。

政策層面在積極推動電力行業(yè)的AI應用。國家發(fā)展改革委和國家能源局9月8日發(fā)布《關于推進“人工智能+”能源高質量發(fā)展的實施意見》，要求積極推動人工智能在電網(wǎng)、新能源等領域的深度應用。

與能源領域其他環(huán)節(jié)相比，電力交易是AI最能發(fā)揮作用的場景。但是，電力市場的交易決策依賴AI，既可能放大盈利，也可能放大虧損。電力交易相關AI模型尚未成熟，企業(yè)使用時必須具備自主操控能力。

AI涌入電力市場

“有時候下一場雨，一個省的負荷瞬間就能掉一半。”一位電力市場人士告訴《財經(jīng)》。他舉例說，今年7月中旬山西下了場大雨，山西電力現(xiàn)貨市場的電價一下子就從幾毛錢飆漲到一元多，全省的發(fā)電量比電網(wǎng)預測量在十個小時里高出50%。

上述現(xiàn)象源于電源側風光新能源比重的提升。截至2025年6月底，中國風光裝機容量約占總裝機量的45.8%，超過了火電裝機占比。同時，隨著《關于深化新能源上網(wǎng)電價市場化改革促進新能源高質量發(fā)展的通知》（業(yè)內稱“136號文”）等多個文件的發(fā)布，新能源發(fā)電進入電力市場交易的規(guī)模越來越大。這意味著電力供應側的波動性加大，電價也會隨之波動。

因為電的交易模式已從政府定量定價為主轉變?yōu)橐允袌鼋灰诪橹?，所以電源波動不僅對電網(wǎng)是個大麻煩，也讓發(fā)電廠和用電企業(yè)的收支產生巨大波動。

據(jù)國家能源局統(tǒng)計，2025年上半年，全國累計完成市場交易電量2.95萬億千瓦時，同比增長4.8%，占全社會用電量比重60.9%，同比提高0.52個百分點。另一方面，越來越多的電力交易將在更加動態(tài)的現(xiàn)貨市場進行，現(xiàn)貨市場已經(jīng)覆蓋了全國80%以上的地區(qū)。

電力市場主要包括中長期交易和現(xiàn)貨交易組成的電能量市場，以及調頻、備用、爬坡等品種組成的輔助服務市場。其中，中長期交易包括多年、年、月、周、多日等不同交易周期；現(xiàn)貨市場包括日前、日內、實時這三個交易節(jié)點。鑒于電難以存儲的物理特性、電網(wǎng)對穩(wěn)定性的高度要求，以及經(jīng)濟上的多元考量，電力市場的規(guī)則異常復雜。

電力市場里，供需雙方的成本收益曲線可能異常陡峭：同樣發(fā)一度電，有的發(fā)電廠會賺錢，有的發(fā)電廠會虧錢；對于電力用戶，有的買電成本很高，有的很低，有的還能賺錢。

不管是賣電的發(fā)電廠，還是買電的售電公司和電力用戶，交易之前都是先預測當?shù)卣w發(fā)電量和用電需求。然后根據(jù)自己的發(fā)電或用電情況，申報自己的發(fā)電\用電量。在此基礎上，有的電力市場直接發(fā)布結算價格，有的電力市場要求企業(yè)先申報售電\用電價格，再發(fā)布結算價格。

準確預測才能讓企業(yè)獲得更大利益。譬如，如果某發(fā)電商認為日內用電量數(shù)據(jù)會高于發(fā)電計劃，那么其在日前交易時可報出較低的發(fā)電量計劃；若日內交易果真因為電量短缺價格上漲，該發(fā)電商就再增加發(fā)電量，增加的發(fā)電量，電價就更高。反之亦然。

不過，為了保障電網(wǎng)穩(wěn)定性，各電力交易所都會制定偏差考核懲罰機制。發(fā)電商日內增加或減少的發(fā)電量不能比日前報的量高或者低太多，比如限制在20%以內。超過該限值，該發(fā)電商必須繳納罰款。

據(jù)《財經(jīng)》調研，目前參與電力市場的企業(yè)都已不同程度地采用了AI工具。盡管業(yè)界對適用電力市場的AI技術尚有爭論，但共識是電力交易中AI的使用率將逐漸提升。

有的能源企業(yè)依托已有的物聯(lián)網(wǎng)平臺與數(shù)據(jù)資源，自研了AI大模型。遠景智能副總裁鄭穎對《財經(jīng)》表示，公司早在2016年便推出了智能物聯(lián)操作系統(tǒng)EnOS?；谶@一數(shù)據(jù)底座，結合氣象觀測站以及其他多維基礎設施數(shù)據(jù)，遠景正致力于研發(fā)新一代AI大模型。該模型將應用于氣象預測、電力供需分析、電力市場交易等多場景。

鄭穎介紹，遠景三四年前已啟動面向電力市場的AI大模型訓練，今年以來，隨著政策積極推動新能源、儲能參與電力市場，明顯感到行業(yè)對AI技術的需求變得迫切。

李中陽對《財經(jīng)》說，基于對新能源發(fā)電規(guī)模持續(xù)增長和電力市場深化改革的預期，清鵬智能2022年押注電力交易AI智能體。今年以來，政府部門、電網(wǎng)公司、發(fā)電企業(yè)、售電公司都對AI愈發(fā)重視，公司產品也打開了市場。

何種AI適用于電力交易？

據(jù)《財經(jīng)》調研，一些大型發(fā)電、售電公司傾向于自研AI交易模型，或者購買部分軟硬件來組建自己的AI產品；中小型公司更愿意直接購買AI服務或者產品。

整體來說，適用于電力市場的AI產品仍處于探索階段，使用AI的公司有賺有虧。

電力市場AI產品的底層技術包括深度學習、機器學習、數(shù)學優(yōu)化決策等，在這些底層技術之上，業(yè)界目前使用較廣泛是時序大模型。多家公司的AI產品以該類別大模型為主，或者是包括該類別大模型。

清華大學軟件學院副教授龍明盛近日在2025時序數(shù)據(jù)庫技術創(chuàng)新大會上表示，時間序列數(shù)據(jù)是重要的工業(yè)資產。時序數(shù)據(jù)與自然語言數(shù)據(jù)有兩個差異：其一，時序數(shù)據(jù)本質上是多變量序列而非單序列；其二，時序數(shù)據(jù)展現(xiàn)出更強的多樣性，包括形態(tài)變化、采樣頻率差異和值域分布波動等特性。時序大模型將為工業(yè)數(shù)智化轉型提供強大的技術支撐。

李中陽表示，時序大模型處理的是具有時間維度的數(shù)據(jù)，DeepSeek等語言大模型主要是處理語料。兩者的共性是模型架構差不多，但是時序大模型的參數(shù)量少得多，更聚焦在某個工業(yè)場景，比如清鵬智能的產品聚焦在電力交易。

李中陽認為，從用電量與電價預測、設備健康狀態(tài)評估，到可再生能源發(fā)電量預估，電力行業(yè)的關鍵任務高度依賴時序數(shù)據(jù)建模。這類任務不僅需要精準捕捉多時間尺度的歷史關聯(lián)性，還要深度融合氣象、市場、運行工況等多源異構信息，并在毫秒至小時級的時間分辨率上實現(xiàn)高精度預測與快速響應決策。語言大模型因缺乏原生的長時序依賴捕捉機制與跨模態(tài)特征融合能力，在實際應用中往往面臨預測精度不足、穩(wěn)定性欠佳的問題。因此，用于電力市場交易的AI，只能是時序大模型。

在AI大模型發(fā)展的初期，數(shù)據(jù)規(guī)模和質量決定了模型的起點水平。鄭穎認為，除了數(shù)據(jù)基礎，推動大模型能力提升的關鍵是在實際落地場景中持續(xù)驗證與迭代優(yōu)化。既擁有海量一手數(shù)據(jù)又具備豐富應用場景的企業(yè)，模型迭代就更快，競爭力就更強，反之就難以在競爭中立足。

曦謀決策（杭州）智能科技有限責任公司（下稱“曦謀決策”）2023年成立，不久后就推出了電力交易智能體研發(fā)平臺，不僅開放時序與決策大模型的API（應用接口），還支持無編程經(jīng)驗的電力交易員、科研人員與企業(yè)用戶快速開發(fā)電力交易智能體。

曦謀決策總經(jīng)理辛焱對《財經(jīng)》表示，訓練大模型需要足夠豐富的數(shù)據(jù)，這是推動模型不斷迭代和優(yōu)化的前提。但數(shù)據(jù)量的堆積并不能自動轉化為模型的競爭力，要讓大模型真正適用于電力市場，還必須進行系統(tǒng)性的工程設計。

以時序預測大模型為例，它不僅依賴氣象預測，還涵蓋新能源發(fā)電量預測和電價預測等多個環(huán)節(jié)。氣象大模型能夠提供氣象預測，但需要轉化成對電力調度和交易的決策依據(jù)。比如，高精度1×1 km 的氣象預測提供了海量格點信息，接下來要做的是據(jù)此預測全省新能源發(fā)電量變化，這是一個復雜的系統(tǒng)工程。

辛焱認為，能否完成這個系統(tǒng)工程，是衡量團隊綜合實力的關鍵。同時，預測本身存在不確定性，須通過決策大模型的多場景概率推演與風險控制，把這些不確定性轉化為決策方案。只有把數(shù)據(jù)優(yōu)勢、系統(tǒng)化建模能力與決策優(yōu)化機制結合起來，AI大模型才能真正發(fā)揮作用，成為電力市場中不可或缺的工具。

與面向C端的應用不同，企業(yè)采購AI大模型是為了輔助自己做電力交易，因此非常關注AI帶來的實際效果?！敦斀?jīng)》采訪的多家公司都表示，自己的AI產品已幫助用戶獲得收益。李中陽舉例說，在山西電力市場，清鵬電力交易智能體助力風光場站分別實現(xiàn)度電收益增加2分和0.5分。目前清鵬智能正在與頭部售電公司進行交易托管合作。

但是，并非所有運用AI的企業(yè)都會顯著提高收益。不同的AI產品以及不同的使用策略都會導致收益差異，還有可能出現(xiàn)虧損。在近期國家電網(wǎng)旗下公司組織的AI電力交易大賽中，124個參賽隊伍的平均購電成本為351.90元/MWh（兆瓦時），名次較高的隊伍和名次較低的隊伍，每度電采購成本的差距超過1毛錢。

鄭穎認為，AI在電力交易等決策場景中比人類有優(yōu)勢，但這個優(yōu)勢需在長周期內才能顯現(xiàn)。正如基金經(jīng)理的業(yè)績不能以單日或單周表現(xiàn)評判。AI電力交易模型的成效，也需在半年至一年的時間維度中評估，才能反映其真實水平。

AI的優(yōu)勢是做超大規(guī)模的復雜運算和預測，但由于電力市場規(guī)則較多，相關的邊界還需人為設定。比如，如何設定電力交易的風險傾向，是更激進地追求高回報，還是追求平穩(wěn)降低風險？也就是說，人為因素對使用AI后的收益有重要影響。

New Energy Nexus中國首席研究員陳鈺什提醒說，再先進的大模型，也難以完全消除預測誤差。電力需求預測模型的擬合精度并非越高越好，過分追求精度，可能會導致模型過度擬合，泛化能力下降。

泛化能力下降是指機器學習模型在訓練數(shù)據(jù)上表現(xiàn)良好，但面對新數(shù)據(jù)或未知場景時預測性能顯著降低的現(xiàn)象。其本質是模型過度依賴訓練數(shù)據(jù)中的特定模式或噪聲，而未能真正學習到數(shù)據(jù)背后的規(guī)律，導致無法適應現(xiàn)實中的不確定性。

例如，模型在訓練中捕捉到某地區(qū)歷史電力需求中的偶然性事件（如某次臨時政策刺激）。但在預測未來時，若遇到宏觀經(jīng)濟波動（如產業(yè)結構調整）或極端天氣（如罕見寒潮），這些新數(shù)據(jù)與訓練集不同，模型便無法準確預測，出現(xiàn)誤差激增。