电力交易相关 AI 模型尚未成熟，企业使用时必须具备自主操控能力
如同 DeepSeek 创始人梁文峰将 AI（人工智能）引入金融市场做量化交易，一些创新者正在将 AI 运用于电力市场交易。
成立于 2021 年的北京清鹏智能科技有限公司（下称"清鹏智能"），孵化自清华大学电子系的一个 AI 实验室。2022 年，清鹏智能聚焦到能源赛道，专注做电力交易 AI 智能体（Agent）。
清鹏智能创始人李中阳对《财经》说，前两年公司潜心做算法构架，打下技术基础。2024 年开始将产品实际运用到电力市场。今年以来，清鹏智能开始商业化运营。
除了清鹏智能这样的科技公司，还有诸多能源企业，包括发电商、售电商、用电企业等都在尝试自研电力交易 AI 产品。这些公司在电力市场盈亏的关键都是预测新能源的发电量和用电量情况，有的公司，一天的盈亏波动可能就超千万元。电力交易员需综合分析多维度的海量数据以做出交易决策，显然，AI 处理数据的能力远高于人脑。
国家电网公司和南方电网公司近期都举行了 AI 预测用电量、AI 做电力交易等相关比赛；数百家发电商、售电商、相关科技企业纷纷拿出自己的 AI 大模型参赛。比赛之外，各类 AI 产品今年以来已在电力市场付诸实践。
《财 · 经》采访发现，电力市场 AI 产品的底层技术既有机器学习也有深度学习，业内对该类产品的描述尚无共识，但该类产品大都包含时序大模型。时序大模型是指以具有时间维度的数据为基础，构建可分析、预测时序数据的 AI 大模型。光伏、风电的发电量即是时序数据。
政策层面在积极推动电力行业的 AI 应用。国家发展改革委和国家能源局 9 月 8 日发布《关于推进"人工智能 + "能源高质量发展的实施意见》，要求积极推动人工智能在电网、新能源等领域的深度应用。
与能源领域其他环节相比，电力交易是 AI 最能发挥作用的场景。但是，电力市场的交易决策依赖 AI，既可能放大盈利，也可能放大亏损。电力交易相关 AI 模型尚未成熟，企业使用时必须具备自主操控能力。
AI 涌入电力市场
"有时候下一场雨，一个省的负荷瞬间就能掉一半。"一位电力市场人士告诉《财 · 经》。他举例说，今年 7 月中旬山西下了场大雨，山西电力现货市场的电价一下子就从几毛钱飙涨到一元多，全省的发电量比电网预测量在十个小时里高出 50%。
上述现象源于电源侧风光新能源比重的提升。截至 2025 年 6 月底，中国风光装机容量约占总装机量的 45.8%，超过了火电装机占比。同时，随着《关于深化新能源上网电价市场化改革促进新能源高质量发展的通知》（业内称" 136 号文"）等多个文件的发布，新能源发电进入电力市场交易的规模越来越大。这意味着电力供应侧的波动性加大，电价也会随之波动。
因为电的交易模式已从政府定量定价为主转变为以市场交易为主，所以电源波动不仅对电网是个大麻烦，也让发电厂和用电企业的收支产生巨大波动。
据国家能源局统计，2025 年上半年，全国累计完成市场交易电量 2.95 万亿千瓦时，同比增长 4.8%，占全社会用电量比重 60.9%，同比提高 0.52 个百分点。另一方面，越来越多的电力交易将在更加动态的现货市场进行，现货市场已经覆盖了全国 80% 以上的地区。
电力市场主要包括中长期交易和现货交易组成的电能量市场，以及调频、备用、爬坡等品种组成的辅助服务市场。其中，中长期交易包括多年、年、月、周、多日等不同交易周期；现货市场包括日前、日内、实时这三个交易节点。鉴于电难以存储的物理特性、电网对稳定性的高度要求，以及经济上的多元考量，电力市场的规则异常复杂。
电力市场里，供需双方的成本收益曲线可能异常陡峭：同样发一度电，有的发电厂会赚钱，有的发电厂会亏钱；对于电力用户，有的买电成本很高，有的很低，有的还能赚钱。
不管是卖电的发电厂，还是买电的售电公司和电力用户，交易之前都是先预测当地整体发电量和用电需求。然后根据自己的发电或用电情况，申报自己的发电用电量。在此基础上，有的电力市场直接发布结算价格，有的电力市场要求企业先申报售电用电价格，再发布结算价格。
准确预测才能让企业获得更大利益。譬如，如果某发电商认为日内用电量数据会高于发电计划，那么其在日前交易时可报出较低的发电量计划；若日内交易果真因为电量短缺价格上涨，该发电商就再增加发电量，增加的发电量，电价就更高。反之亦然。
不过，为了保障电网稳定性，各电力交易所都会制定偏差考核惩罚机制。发电商日内增加或减少的发电量不能比日前报的量高或者低太多，比如限制在 20% 以内。超过该限值，该发电商必须缴纳罚款。
据《财 · 经》调研，目前参与电力市场的企业都已不同程度地采用了 AI 工具。尽管业界对适用电力市场的 AI 技术尚有争论，但共识是电力交易中 AI 的使用率将逐渐提升。
有的能源企业依托已有的物联网平台与数据资源，自研了 AI 大模型。远景智能副总裁郑颖对《财 · 经》表示，公司早在 2016 年便推出了智能物联操作系统 EnOS。基于这一数据底座，结合气象观测站以及其他多维基础设施数据，远景正致力于研发新一代 AI 大模型。该模型将应用于气象预测、电力供需分析、电力市场交易等多场景。
郑颖介绍，远景三四年前已启动面向电力市场的 AI 大模型训练，今年以来，随着政策积极推动新能源、储能参与电力市场，明显感到行业对 AI 技术的需求变得迫切。
李中阳对《财 · 经》说，基于对新能源发电规模持续增长和电力市场深化改革的预期，清鹏智能 2022 年押注电力交易 AI 智能体。今年以来，政府部门、电网公司、发电企业、售电公司都对 AI 愈发重视，公司产品也打开了市场。
何种 AI 适用于电力交易？
据《财 · 经》调研，一些大型发电、售电公司倾向于自研 AI 交易模型，或者购买部分软硬件来组建自己的 AI 产品；中小型公司更愿意直接购买 AI 服务或者产品。
整体来说，适用于电力市场的 AI 产品仍处于探索阶段，使用 AI 的公司有赚有亏。
电力市场 AI 产品的底层技术包括深度学习、机器学习、数学优化决策等，在这些底层技术之上，业界目前使用较广泛是时序大模型。多家公司的 AI 产品以该类别大模型为主，或者是包括该类别大模型。
清华大学软件学院副教授龙明盛近日在 2025 时序数据库技术创新大会上表示，时间序列数据是重要的工业资产。时序数据与自然语言数据有两个差异：其一，时序数据本质上是多变量序列而非单序列；其二，时序数据展现出更强的多样性，包括形态变化、采样频率差异和值域分布波动等特性。时序大模型将为工业数智化转型提供强大的技术支撑。
李中阳表示，时序大模型处理的是具有时间维度的数据，DeepSeek 等语言大模型主要是处理语料。两者的共性是模型架构差不多，但是时序大模型的参数量少得多，更聚焦在某个工业场景，比如清鹏智能的产品聚焦在电力交易。
李中阳认为，从用电量与电价预测、设备健康状态评估，到可再生能源发电量预估，电力行业的关键任务高度依赖时序数据建模。这类任务不仅需要精准捕捉多时间尺度的历史关联性，还要深度融合气象、市场、运行工况等多源异构信息，并在毫秒至小时级的时间分辨率上实现高精度预测与快速响应决策。语言大模型因缺乏原生的长时序依赖捕捉机制与跨模态特征融合能力，在实际应用中往往面临预测精度不足、稳定性欠佳的问题。因此，用于电力市场交易的 AI，只能是时序大模型。
在 AI 大模型发展的初期，数据规模和质量决定了模型的起点水平。郑颖认为，除了数据基础，推动大模型能力提升的关键是在实际落地场景中持续验证与迭代优化。既拥有海量一手数据又具备丰富应用场景的企业，模型迭代就更快，竞争力就更强，反之就难以在竞争中立足。
曦谋决策（杭州）智能科技有限责任公司（下称"曦谋决策"）2023 年成立，不久后就推出了电力交易智能体研发平台，不仅开放时序与决策大模型的 API（应用接口），还支持无编程经验的电力交易员、科研人员与企业用户快速开发电力交易智能体。
曦谋决策总经理辛焱对《财 · 经》表示，训练大模型需要足够丰富的数据，这是推动模型不断迭代和优化的前提。但数据量的堆积并不能自动转化为模型的竞争力，要让大模型真正适用于电力市场，还必须进行系统性的工程设计。
以时序预测大模型为例，它不仅依赖气象预测，还涵盖新能源发电量预测和电价预测等多个环节。气象大模型能够提供气象预测，但需要转化成对电力调度和交易的决策依据。比如，高精度 1×1 km 的气象预测提供了海量格点信息，接下来要做的是据此预测全省新能源发电量变化，这是一个复杂的系统工程。
辛焱认为，能否完成这个系统工程，是衡量团队综合实力的关键。同时，预测本身存在不确定性，须通过决策大模型的多场景概率推演与风险控制，把这些不确定性转化为决策方案。只有把数据优势、系统化建模能力与决策优化机制结合起来，AI 大模型才能真正发挥作用，成为电力市场中不可或缺的工具。
与面向 C 端的应用不同，企业采购 AI 大模型是为了辅助自己做电力交易，因此非常关注 AI 带来的实际效果。《财 · 经》采访的多家公司都表示，自己的 AI 产品已帮助用户获得收益。李中阳举例说，在山西电力市场，清鹏电力交易智能体助力风光场站分别实现度电收益增加 2 分和 0.5 分。目前清鹏智能正在与头部售电公司进行交易托管合作。
但是，并非所有运用 AI 的企业都会显著提高收益。不同的 AI 产品以及不同的使用策略都会导致收益差异，还有可能出现亏损。在近期国家电网旗下公司组织的 AI 电力交易大赛中，124 个参赛队伍的平均购电成本为 351.90 元 /MWh（兆瓦时），名次较高的队伍和名次较低的队伍，每度电采购成本的差距超过 1 毛钱。
郑颖认为，AI 在电力交易等决策场景中比人类有优势，但这个优势需在长周期内才能显现。正如基金经理的业绩不能以单日或单周表现评判。AI 电力交易模型的成效，也需在半年至一年的时间维度中评估，才能反映其真实水平。
AI 的优势是做超大规模的复杂运算和预测，但由于电力市场规则较多，相关的边界还需人为设定。比如，如何设定电力交易的风险倾向，是更激进地追求高回报，还是追求平稳降低风险？也就是说，人为因素对使用 AI 后的收益有重要影响。
New Energy Nexus 中国首席研究员陈钰什提醒说，再先进的大模型，也难以完全消除预测误差。电力需求预测模型的拟合精度并非越高越好，过分追求精度，可能会导致模型过度拟合，泛化能力下降。
泛化能力下降是指机器学习模型在训练数据上表现良好，但面对新数据或未知场景时预测性能显著降低的现象。其本质是模型过度依赖训练数据中的特定模式或噪声，而未能真正学习到数据背后的规律，导致无法适应现实中的不确定性。
例如，模型在训练中捕捉到某地区历史电力需求中的偶然性事件（如某次临时政策刺激）。但在预测未来时，若遇到宏观经济波动（如产业结构调整）或极端天气（如罕见寒潮），这些新数据与训练集不同最专业的股票配资，模型便无法准确预测，出现误差激增。
隆盛策略提示：文章来自网络，不代表本站观点。
