中國儲能網(wǎng)訊：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(xué)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(gòu)架，打下技術(shù)基礎(chǔ)。2024年開始將產(chǎn)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(chǎn)品。這些公司在電力市場盈虧的關(guān)鍵都是預(yù)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(yuǎn)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(yù)測用電量、AI做電力交易等相關(guān)比賽；數(shù)百家發(fā)電商、售電商、相關(guān)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(chǎn)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(chǎn)品的底層技術(shù)既有機(jī)器學(xué)習(xí)也有深度學(xué)習(xí)，業(yè)內(nèi)對該類產(chǎn)品的描述尚無共識，但該類產(chǎn)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(chǔ)，構(gòu)建可分析、預(yù)測時序數(shù)據(jù)的AI大模型。光伏、風(fēng)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(yīng)用。國家發(fā)展改革委和國家能源局9月8日發(fā)布《關(guān)于推進(jìn)“人工智能+”能源高質(zhì)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(lǐng)域的深度應(yīng)用。
與能源領(lǐng)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(guān)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(fù)荷瞬間就能掉一半?！币晃浑娏κ袌鋈耸扛嬖V《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(yù)測量在十個小時里高出50%。
上述現(xiàn)象源于電源側(cè)風(fēng)光新能源比重的提升。截至2025年6月底，中國風(fēng)光裝機(jī)容量約占總裝機(jī)量的45.8%，超過了火電裝機(jī)占比。同時，隨著《關(guān)于深化新能源上網(wǎng)電價市場化改革促進(jìn)新能源高質(zhì)量發(fā)展的通知》（業(yè)內(nèi)稱“136號文”）等多個文件的發(fā)布，新能源發(fā)電進(jìn)入電力市場交易的規(guī)模越來越大。這意味著電力供應(yīng)側(cè)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(zhuǎn)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(chǎn)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(jìn)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(diào)頻、備用、爬坡等品種組成的輔助服務(wù)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(nèi)、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(jì)上的多元考量，電力市場的規(guī)則異常復(fù)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(yù)測當(dāng)?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(chǔ)上，有的電力市場直接發(fā)布結(jié)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(jié)算價格。
準(zhǔn)確預(yù)測才能讓企業(yè)獲得更大利益。譬如，如果某發(fā)電商認(rèn)為日內(nèi)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(nèi)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(jī)制。發(fā)電商日內(nèi)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(nèi)。超過該限值，該發(fā)電商必須繳納罰款。
據(jù)《財經(jīng)》調(diào)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(shù)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(yuǎn)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(jié)合氣象觀測站以及其他多維基礎(chǔ)設(shè)施數(shù)據(jù)，遠(yuǎn)景正致力于研發(fā)新一代AI大模型。該模型將應(yīng)用于氣象預(yù)測、電力供需分析、電力市場交易等多場景。
鄭穎介紹，遠(yuǎn)景三四年前已啟動面向電力市場的AI大模型訓(xùn)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(shù)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(yù)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(chǎn)品也打開了市場。
何種AI適用于電力交易？
據(jù)《財經(jīng)》調(diào)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(chǎn)品；中小型公司更愿意直接購買AI服務(wù)或者產(chǎn)品。
整體來說，適用于電力市場的AI產(chǎn)品仍處于探索階段，使用AI的公司有賺有虧。
電力市場AI產(chǎn)品的底層技術(shù)包括深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、數(shù)學(xué)優(yōu)化決策等，在這些底層技術(shù)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(chǎn)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(xué)軟件學(xué)院副教授龍明盛近日在2025時序數(shù)據(jù)庫技術(shù)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(chǎn)。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(zhì)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(qiáng)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(zhuǎn)型提供強(qiáng)大的技術(shù)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(gòu)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(chǎn)品聚焦在電力交易。
李中陽認(rèn)為，從用電量與電價預(yù)測、設(shè)備健康狀態(tài)評估，到可再生能源發(fā)電量預(yù)估，電力行業(yè)的關(guān)鍵任務(wù)高度依賴時序數(shù)據(jù)建模。這類任務(wù)不僅需要精準(zhǔn)捕捉多時間尺度的歷史關(guān)聯(lián)性，還要深度融合氣象、市場、運行工況等多源異構(gòu)信息，并在毫秒至小時級的時間分辨率上實現(xiàn)高精度預(yù)測與快速響應(yīng)決策。語言大模型因缺乏原生的長時序依賴捕捉機(jī)制與跨模態(tài)特征融合能力，在實際應(yīng)用中往往面臨預(yù)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(zhì)量決定了模型的起點水平。鄭穎認(rèn)為，除了數(shù)據(jù)基礎(chǔ)，推動大模型能力提升的關(guān)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?jǐn)?shù)據(jù)又具備豐富應(yīng)用場景的企業(yè)，模型迭代就更快，競爭力就更強(qiáng)，反之就難以在競爭中立足。
曦謀決策（杭州）智能科技有限責(zé)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(yīng)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(xùn)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(zhuǎn)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(jìn)行系統(tǒng)性的工程設(shè)計。
以時序預(yù)測大模型為例，它不僅依賴氣象預(yù)測，還涵蓋新能源發(fā)電量預(yù)測和電價預(yù)測等多個環(huán)節(jié)。氣象大模型能夠提供氣象預(yù)測，但需要轉(zhuǎn)化成對電力調(diào)度和交易的決策依據(jù)。比如，高精度1×1 km 的氣象預(yù)測提供了海量格點信息，接下來要做的是據(jù)此預(yù)測全省新能源發(fā)電量變化，這是一個復(fù)雜的系統(tǒng)工程。
辛焱認(rèn)為，能否完成這個系統(tǒng)工程，是衡量團(tuán)隊綜合實力的關(guān)鍵。同時，預(yù)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(fēng)險控制，把這些不確定性轉(zhuǎn)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(jī)制結(jié)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(yīng)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(guān)注AI帶來的實際效果。《財經(jīng)》采訪的多家公司都表示，自己的AI產(chǎn)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(fēng)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(jìn)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(chǎn)品以及不同的使用策略都會導(dǎo)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(rèn)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(nèi)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(fù)雜運算和預(yù)測，但由于電力市場規(guī)則較多，相關(guān)的邊界還需人為設(shè)定。比如，如何設(shè)定電力交易的風(fēng)險傾向，是更激進(jìn)地追求高回報，還是追求平穩(wěn)降低風(fēng)險？也就是說，人為因素對使用AI后的收益有重要影響。
清華蘇州環(huán)境創(chuàng)新研究院天工智庫中心特聘研究員陳鈺什提醒說，再先進(jìn)的大模型，也難以完全消除預(yù)測誤差。電力需求預(yù)測模型的擬合精度并非越高越好，過分追求精度，可能會導(dǎo)致模型過度擬合，泛化能力下降。
泛化能力下降是指機(jī)器學(xué)習(xí)模型在訓(xùn)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(yù)測性能顯著降低的現(xiàn)象。其本質(zhì)是模型過度依賴訓(xùn)練數(shù)據(jù)中的特定模式或噪聲，而未能真正學(xué)習(xí)到數(shù)據(jù)背后的規(guī)律，導(dǎo)致無法適應(yīng)現(xiàn)實中的不確定性。
例如，模型在訓(xùn)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(yù)測未來時，若遇到宏觀經(jīng)濟(jì)波動（如產(chǎn)業(yè)結(jié)構(gòu)調(diào)整）或極端天氣（如罕見寒潮），這些新數(shù)據(jù)與訓(xùn)練集不同，模型便無法準(zhǔn)確預(yù)測，出現(xiàn)誤差激增。
