人工智能在电力市场中的应用

政策背景

• 发改委、能源局发布《国家发展改革委国家能源局关于推进“人工智能+”能源高质量发展的实施意见》（国能发科技【2025】73号文），推动人工智能在能源领域的应用。

人工智能的重大事件回顾

• 关键事件包括：神经网络之父Geoffrey Hinton的《Science》深度学习论文、OpenAI推出ChatGPT、AlphaGo击败李世石、谷歌提出Self-Attention机制和Transformer模型、DeepSeek异军突起。

人工智能的两个核心技术

• 注意力机制（Attention机制）：核心思路是让模型在处理信息时聚焦于输入数据中对当前任务更重要的部分，提高效率和效果。
• Transformer深度学习架构：通过“自注意力（Self-Attention）”机制直接捕捉序列中任意两个元素的关联，同时通过“并行计算”提升效率，核心结构分为“编码器”和“解码器”。

“人工智能+”在电力市场的应用

• AI+气象预测：从单源数据到多源融合，结合WRF物理气象模型和自研气象校准模型，提升预测精度。
• AI+功率预测：
  • 解决思路1：导入场站地形数据和实测数据，用风/光特有预报数据替代基础气象数据。
  • 解决思路2：模型学习，包括极端天气模型和残差优化。
• AI+智慧交易：
  • 负荷预测：从“分用户预测”到“分组聚合+虚拟用户LUMIN”，总体负荷预测偏差率显著降低。
  • 价格预测：
    • 采用大模型Transformer注意力机制，动态调整权重，预测更准确、更稳健。
    • 案例显示，安徽市场价差预测多模型集成效果显著，滚动仓位管理使代理客户批发均价低于市场均价。
    • 特征工程：通过分能量比、分位、极值数等方法捕捉新能源波动对价格的冲击，模型自动学习RNN/Transformer提取关键时段信息。
  • 现货仓位管理：采用量化模型，准确预测全月现货价格趋势，滚动策略精细化管理，均价比市场低3元/MWh。

下一步的工作

• 跟踪和积累不同省份的现货交易数据，优化模型精度。
• 采用“因果学习”方法，从“预测”到“推理”逆向还原决策逻辑与收益函数，实现更具针对性的策略优化。
• 研发电力行业大模型+多任务智能体，构建电力市场高质量知识库，降低幻觉，提升推理能力，提高决策效率。

关于我们

• 致力于为发电和用电两侧的电能量及辅助服务市场提供基于人工智能的电力交易解决方案，推动电力资源灵活消纳，助力新能源高质量发展。
• 团队成员来自国内外头部院校和知名企业，在计算机工程、算法、电力系统优化与市场设计等领域取得成就。
• 已自主研发多种预测模型，建立自动化电力交易框架，将人工智能深度嵌入交易全流程。