AI在电力市场的崛起与挑战

正如DeepSeek创始人梁文峰将AI（人工智能）引入金融市场进行量化交易，电力市场也迎来了AI的革新。

成立于2021年的北京清鹏智能科技有限公司（以下简称“清鹏智能”），源自清华大学电子系的一个AI实验室。2022年，清鹏智能专注于能源领域，特别是电力交易的AI智能体（Agent）。

清鹏智能的创始人李中阳对《财经》表示，公司前两年的重心在于构建算法框架，为技术打下坚实基础。自2024年开始，产品逐步应用于电力市场，且今年开始商业化运营。

除了清鹏智能这样的科技公司，众多能源企业，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。这些企业在电力市场的盈亏关键在于预测新能源的发电量和用电量。一些公司每日的盈亏波动可能超过千万元。显然，AI在处理数据方面的能力远超人类。

国家电网公司和南方电网公司近期举办了AI预测用电量、AI电力交易等相关比赛，吸引了数百家发电商、售电商和科技企业的参与。这些比赛促进了AI产品在电力市场的实践。

《财经》的采访显示，电力市场AI产品的核心技术包括机器学习和深度学习，业内对此类产品尚无统一描述，但大多包含时序大模型。时序大模型基于时间维度数据构建，可分析和预测时序数据，如光伏和风电的发电量。

政策层面也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发布了《关于推进“人工智能+”能源高质量发展的实施意见》，要求深化AI在电网和新能源领域的应用。

尽管电力交易是AI能发挥最大作用的场景，但依赖AI进行交易决策也可能放大盈利或亏损。目前，电力交易相关的AI模型尚未成熟，企业必须具备自主操控能力。

AI涌入电力市场

“有时一场雨就能让一个省的负荷瞬间减半。”一位电力市场人士告诉《财经》。他举例说，今年7月中旬山西的一场大雨导致山西电力现货市场的电价从几毛钱飙升至一元多，发电量在十小时内比电网预测量高出50%。

这种现象源于电源侧风光新能源比重的提升。截至2025年6月底，中国风光装机容量占总装机量的45.8%，超过火电装机占比。随着新能源发电进入电力市场交易规模的不断扩大，电力供应侧的波动性增加，电价也随之波动。

由于电力交易模式已从政府定价转变为市场交易为主，电源波动不仅影响电网稳定，也导致发电厂和用电企业的收支大幅波动。

据国家能源局统计，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%，占全社会用电量的60.9%。此外，越来越多的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%以上的地区。

电力市场包括中长期交易和现货交易组成的电能量市场，以及辅助服务市场。其中，中长期交易涵盖多个周期；现货市场包括日前、日内和实时交易节点。鉴于电力的特性和电网稳定性要求，电力市场规则复杂。

在电力市场里，供需双方的成本收益曲线可能异常陡峭：同样发一度电，有的发电厂会盈利，有的则会亏损；对于电力用户，有的买电成本高，有的成本低甚至能赚钱。

不论是卖电的发电厂还是买电的售电公司和电力用户，在交易前都会预测当地发电量和用电需求。在此基础上申报发电或用电量。部分市场直接发布结算价格；另一些市场则要求企业先申报价格再发布结算价格。

准确预测有助于企业获取更大利益。例如，如果发电商认为日内用电量会高于发电计划，在日前交易时可报出较低的发电量计划；若日内交易因电量短缺而价格上涨，则增加发电量以获取更高电价。反之亦然。

然而，为保障电网稳定性各交易所会制定偏差考核惩罚机制。例如发电商日内发电量增减不得超过日前申报量的20%，否则需缴纳罚款。

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AI工具尽管业界对适用技术有争议但共识是AI在电力交易中的使用率将逐渐提升。

一些能源企业依托物联网平台与数据资源自研AI大模型。远景智能副总裁郑颖表示公司早在2016年推出智能物联操作系统EnOS。基于这一数据底座结合气象观测站数据正在研发新一代AI大模型该模型将应用于气象预测、供需分析等多个场景。

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》表示基于对新能源发电规模持续增长和电力市场改革的预期清鹏智能于2022年投入电力交易AI智能体。今年以来政府部门、电网公司等都愈发重视AI产品市场逐渐打开。

何种AI适用于电力交易？

据《财经》调研大型发电、售电公司倾向于自研或购买部分软硬件组建自己的AI产品；中小型公司更愿意直接购买服务或产品。

整体而言适用于电力市场的AI产品仍处于探索阶段使用公司各有盈亏。

底层技术包括深度学习、机器学习等其中时序大模型较为广泛。多家公司以此类大模型为主或包含此类模型。

清华大学软件学院副教授龙明盛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点差异：一是时序数据是多变量序列而非单序列；二是时序数据展现出更强的多样性包括形态变化等特性。这为工业数智化转型提供支撑。

李中阳表示时序大模型处理时间维度数据而DeepSeek等语言大模型处理语料。两者架构相似但时序大模型参数量少更聚焦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到设备健康状态评估电力行业关键任务高度依赖时序数据建模。