AI技术在电力市场交易中的创新应用与前瞻挑战

借鉴DeepSeek创始人梁文峰将人工智能引入金融市场进行量化交易的模式，当前一批创新者正积极将AI技术应用于电力市场交易领域。

北京清鹏智能科技有限公司（简称清鹏智能）成立于2021年，孵化于清华大学电子系的人工智能实验室。2022年，公司聚焦能源赛道，专攻电力交易AI智能体的研发。

清鹏智能创始人李中阳向《财经》表示，公司前两年潜心构建算法架构，奠定技术基石。2024年起，产品开始实际部署于电力市场。今年以来，清鹏智能已启动商业化运营。

除清鹏智能这类科技企业外，众多能源公司，包括发电商、售电商及用电企业，均在尝试自主研发电力交易AI产品。这些企业在电力市场盈亏的核心在于准确预测新能源发电量与用电需求，部分公司单日盈亏波动可能超千万元。电力交易员需综合处理多维海量数据以制定交易策略，显然，AI在数据处理能力上远超人类。

近期，国家电网与南方电网均举办了AI预测用电量、AI电力交易等相关竞赛；数百家发电商、售电商及相关科技企业携自家AI大模型踊跃参赛。此外，今年以来各类AI产品已在电力市场实际投入应用。

《财经》调研发现，电力市场AI产品的底层技术涵盖机器学习与深度学习，行业对这类产品的定义尚未统一，但多数产品都集成了时序大模型。时序大模型基于时间维度数据构建，用于分析与预测时序信息。光伏、风电的发电量即为典型时序数据。

政策层面正积极推动AI在能源领域的应用。国家发展改革委与国家能源局于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》，明确要求深化人工智能在电网、新能源等环节的应用。

相比能源领域其他环节，电力交易是AI最能凸显价值的场景。然而，依赖AI进行电力交易决策，既可能扩大收益，也可能加剧亏损。当前电力交易AI模型尚不成熟，企业使用时需保持自主操控能力。

AI浪潮席卷电力市场

“有时一场降雨，可能导致全省电力负荷骤降一半。”一位电力市场人士向《财经》透露。他举例称，今年7月中旬山西一场大雨，使当地电力现货市场电价从几毛钱瞬间飙升至一元以上，全省发电量在十小时内超出电网预测值50%。

这一现象源于电源侧风光新能源占比的提升。截至2025年6月底，中国风光装机容量约占全国总装机容量的45.8%，已超越火电装机占比。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”）等文件出台，新能源发电参与电力市场交易的规模持续扩大。这意味着电力供应侧波动性增强，电价随之起伏。

由于电力交易模式已从政府定量定价主导转向市场交易为主，电源波动不仅给电网带来挑战，也使发电厂与用电企业的收支产生显著波动。

国家能源局数据显示，2025年上半年，全国市场交易电量累计达2.95万亿千瓦时，同比增长4.8%，占全社会用电量比重60.9%，同比提升0.52个百分点。另一方面，越来越多电力交易在更动态的现货市场进行，现货市场已覆盖全国80%以上区域。

电力市场主要包括由中长期交易与现货交易构成的电能量市场，以及调频、备用、爬坡等品种组成的辅助服务市场。其中，中长期交易涵盖多年、年、月、周、多日等周期；现货市场包括日前、日内、实时三个交易节点。鉴于电力难以储存的物理特性、电网对稳定性的高要求及经济多元考量，电力市场规则极为复杂。

电力市场中，供需双方的成本收益曲线可能极为陡峭：同样发一度电，有的电厂盈利，有的亏损；对于电力用户，购电成本可能很高、很低，甚至通过交易获利。

无论是售电的发电厂，还是购电的售电公司与电力用户，交易前均需预测区域整体发电量与用电需求。随后根据自身发电或用电情况，申报发电量或用电量。在此基础上，部分电力市场直接发布结算价格，部分则要求企业先申报售电或用电价格，再确定结算价格。

准确预测是企业获取更大利益的关键。例如，若发电商预计日内用电量将高于发电计划，可在日前交易时报出较低发电量计划；若日内交易因电量短缺价格上涨，该发电商可追加发电量，从而以更高电价获得收益。反之亦然。

然而，为保障电网稳定，各电力交易所均设有偏差考核惩罚机制。发电商日内增减发电量不得超过日前申报量的特定比例，如20%。超出限值将面临罚款。

据《财经》调研，目前参与电力市场的企业已不同程度采用AI工具。尽管行业对适用电力市场的AI技术仍有争议，但共识是AI在电力交易中的使用率将持续上升。

部分能源企业依托现有物联网平台与数据资源，自主研发AI大模型。远景智能副总裁郑颖告诉《财经》，公司早在2016年便推出智能物联操作系统EnOS。基于该数据底座，结合气象观测站等多维基础设施数据，远景正在开发新一代AI大模型，应用于气象预测、电力供需分析、电力市场交易等场景。

郑颖介绍，远景于三四年前启动面向电力市场的AI大模型训练。今年以来，随着政策推动新能源、储能参与电力市场，行业对AI技术的需求明显增强。

李中阳对《财经》称，基于对新能源发电规模增长与电力市场深化改革的预期，清鹏智能于2022年布局电力交易AI智能体。今年以来，政府部门、电网公司、发电企业及售电公司对AI日益重视，公司产品市场逐步打开。

适合电力交易的AI技术探析

据《财经》调研，大型发电、售电公司倾向自研AI交易模型，或采购软硬件构建自有AI产品；中小型公司更偏好直接购买AI服务或产品。

总体而言，适用于电力市场的AI产品仍处探索阶段，企业使用AI有盈有亏。

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，在此基础上，业界目前广泛应用的是时序大模型。多家公司的AI产品以该类大模型为核心或集成该模型。

清华大学软件学院副教授龙明盛在2025时序数据库技术创新大会上指出，时间序列数据是重要工业资产。时序数据与自然语言数据存在两点差异：其一，时序数据本质是多变量序列而非单序列；其二，时序数据呈现更强多样性，包括形态变化、采样频率差异及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有力支撑。

李中阳表示，时序大模型处理带时间维度的数据，而DeepSeek等语言大模型主要处理语料。两者模型架构相似，但时序大模型参数更少，更专注于特定工业场景，如清鹏智能聚焦电力交易。

李中阳认为，从用电量与电价预测、设备健康评估，到可再生能源发电量预估，电力行业关键任务高度依赖时序数据建模。这类任务不仅需精准捕捉多时间尺度历史关联，还需深度融合气象、市场、运行工况等多源异构信息，并在毫秒至小时级分辨率上实现高精度预测与快速决策。语言大模型因缺乏原生长时序依赖捕捉机制与跨模态特征融合能力，在实际应用中常面临预测精度不足、稳定性较差的问题。因此，电力市场交易适用的AI技术首推时序大模型。

AI大模型发展初期，数据规模与质量决定模型起点。郑颖认为，除数据基础外，推动大模型能力提升的关键在于实际场景中的持续验证与迭代优化。同时拥有海量一手数据与丰富应用场景的企业，模型迭代更快、竞争力更强，反之则难以立足。

曦谋决策（杭州）智能科技有限责任公司（简称曦谋决策）成立于2023年，随后推出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接口，还支持无编程经验的电力交易员、科研人员及企业用户快速开发电力交易智能体。

曦谋决策总经理辛焱向《财经》表示，训练大模型需充足数据，这是模型迭代优化的前提。但数据堆积不会自动转化为竞争力，要使大模型真正适用于电力市场，必须进行系统性工程设计。

以时序预测大模型为例，它不仅依赖气象预测，还涉及新能源发电量预测与电价预测等多个环节。气象大模型可提供气象预测，但需转化为电力调度与交易的决策依据。例如，高精度1×1公里气象预测提供海量格点信息后，需据此预测全省新能源发电量变化，这是一个复杂系统工程。

辛焱认为，能否完成该系统工程是团队综合实力的体现。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，将不确定性转化为决策方案。唯有融合数据优势、系统化建模能力与决策优化机制，AI大模型才能真正发挥作用，成为电力市场必备工具。

与面向消费者应用不同，企业采购AI大模型旨在辅助电力交易，因此高度关注AI的实际效果。《财经》采访的多家公司均表示，其AI产品已帮助用户获得收益。李中阳举例称，在山西电力市场，清鹏电力交易智能体助力风光场站实现度电收益分别增加2分和0.5分。目前清鹏智能正与头部售电公司开展交易托管合作。

然而，并非所有使用AI的企业都能显著提升收益。不同AI产品及使用策略会导致收益差异，甚至可能亏损。在近期国家电网旗下公司组织的AI电力交易大赛中，124支参赛队伍的平均购电成本为351.90元/兆瓦时，排名靠前与靠后队伍每度电采购成本差距超1毛钱。

郑颖指出，AI在电力交易等决策场景中相对人类具有优势，但这一优势需在长周期内体现。正如基金经理业绩不能以单日或单周表现评价，AI电力交易模型的成效也需在半年至一年时间维度中评估，方能反映真实水平。

AI的优势在于处理超大规模复杂运算与预测，但由于电力市场规则繁多，相关边界仍需人为设定。例如，如何设定电力交易风险偏好，是激进追求高回报还是稳健降低风险？换言之，人为因素对AI使用后的收益有重要影响。

New Energy Nexus中国首席研究员陈钰什提醒，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，过度追求精度可能导致模型过拟合，泛化能力下降。

泛化能力下降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，未能真正学习数据底层规律，导致无法适应现实不确定性。

例如，模型在训练中捕捉到某地区历史电力需求中的偶然事件（如临时政策刺激）。但在预测未来时，若遇宏观经济波动（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，模型便无法准确预测，误差激增。