人工智能在电力市场中的应用

李忠正高级工程师 上海路明星光智能科技有限公司碳中和与电力市场研究院院长 目录 05下一步工作 政策背景 1.政策背景 发改委、能源局/国能发科技【2025】73号文《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》 人工智能重大事件回顾 2.人工智能的重大事件回顾 神经网络之父GeoffreyHinton,《Science》深度学习 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 deepseek 通过将深度学习与知识检案系统有机结合，构建了能够动态取和整合外部知识的智能系统，突破了传统语言模型的参数限制，提升了信息获取与处理效率，降低了对算力的需求。 基于CPT-3.5架构、能够生成高质量的文本回复，在对话交互、文本创作、知识问答等多种自然语言处理任务中表现出色，引发了全球范国内对生成式人工智能应用潜力的深入探讨和广泛应用。 AlphaGo以4:1获胜，表明基于深度学习、蒙特卡洛树披索等技术的人工智能在复杂的策略博奔领城能够超越人类顶尖水平。 打破传统神经网络在调练时容易陷入局部最优解训练时问过长的困境，提出了贪心逐层训练算法，为深度学习的发展定基 抛弃了传统的种经网络结构，完全基于自注意力机制并行处理序列数据，有效解决了长距离依锁问题，为后续大语言模型的研究提供了理论基础。 人工智能的两个核心技术 注意力机制3.人工智能的两个核心技术 Attention机制（注意力机制）的核心思路 是让模型在处理信息时，能够像人类一样，聚焦于输入数据中对当前任务更重要的关联部分，赋予其更高的关注度和权重，忽略无关紧要的信息，从而提高模型的效率和效果。 电力市场特点和核心需求 Attention处理序列数据的优势 由复杂、动态的多维度时序数据组成 动态分配权重，聚焦关键信息 发现不同位置序列的相关性 需要精准筛选关键信息、捕捉动态依赖 捕捉序列顺序本身的蕴含信息 3.人工智能的两个核心技术一Transformer深度学习架构 Transformer的核心思路 用“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”两部分。 可并行处理电力市场的长周期时序数据，速度比传统模型快3-5倍，满足现货市场“高频交易、实时决策”的需求； 可直接计算序列中任意时刻的关联，能完整建模长距离依赖和跨周期规律、突破传统模型容易丢失远距离关联的局限； 支持将数值型、分类型、文本型等多模态数据转化为统一向量多维度捕捉因子耦合关系，避免“因子割裂”导致的预测偏差。 端到端架构，可覆盖“预测-决策一交易”全流程。 “人工智能+”在电力市场的应用 4.1AI+气象预测从单源数据到多源融合 4.1AI+气象预测从单源数据到多源融合 WRF物理气象模型，保证了气象推演的逻辑性自研气象校准模型机器学习模型，通过历史数据学习，保证了泛化性 4.2AI+功率预测 出力限制部分数据修正 导入场站地形数据 导入场站实测数据 用单独的风/光特有预报数据替代基础的气象数据 4.2AI+功率预测 解决思路2模型学习 极端天气模型：极端天气下样本少，出力不一定符合规律，需要结合场站经验 残差优化：单场站越长时间的气象预测越不准，但残差有规律，可以学习并修正 4.2AI+功率预测 4.3AI+智慧交易1负荷预测，“分用户预测”到“分组聚合+虚拟用户LUMIN路明星光 4.3AI+智慧交易1-一负荷预测，“分用户预测”到“分组聚合+虚拟用户LUMIN路明星光 总体负荷预测偏差率 4.3AI+智慧交易2价格预测 关于求解器 通过算法来处理市场中各种约束条件，求解出最优电价、机组发电计划及交易结果 ·需定制化开发 ·难以平衡“最优性”与“市场规律 精准捕捉市场时序规律 出清价格预测结果 ·可在线学习、动态选代 4.3AI+智慧交易2价格预测 将原始数据转化为更适合机器学习模型输入的“有效特征”的过程。 特征工程 特征构造 特征筛选 特征转换 分有能量比、分位，刻民新能源剧股波动对价格的冲击自加关/对性/锋值数，反映新能源出力的发动秘度·数据增强、数据合成 电力行业定制特征处理方法 ·模型自动学习RNN/Transformer：榜提长时间依赖（新能源持续波动一火电滑后响应）春积/注忘力：提取月内关键时段（正午光伏、晚高峰负持） 4.3AI+智慧交易2价格预测 采用大模型Transformer注意力机制 自适应地学习各模型在每个时段的权重 ·动态选择当下最优组合 ·预测更准确，逐时动态权重生成 ·更稳健，对极值鲁棒 ·工程可落地，支持逐时推理 价格预测4.3AI+智慧交易2 即使大部分基础特征变化不大，通过把火电机组和新能源进行特征工程处理，准确地预测出正负电价 4.3AI+智慧交易2价格预测 案例.安徽市场的价差预测 多模型集成 动态调整权重 实时追踪集成策略效果，根据收益及回测动态调整 价差预测+（日前价格预测、实时价格预测、 价差方向预测、置信度预测 4.3AI+智慧交易3现货仓位管理，采用量化模型 4.3AI+智慧交易3滚动仓位管理，采用量化模型 准确预测全月现货价格趋势，滚动策略提前控制仓位，分日分时精细化管理 滚动窗口交易均价比市场低3元/MWh。代理客户批发均价低于360元/兆瓦时，市场均价6月377.91元／兆瓦时、9月385.39元／兆瓦时、10月392.43元／兆瓦时 下一步的工作 5.下一步的工作 跟踪和积累不同省份的现货交易数据，进一步训练和优化模型，继续提升预测的精度 采用“因果学习”方法，从“预测”到“推理”逆向还原背后的决策逻辑与收益函数，识别策略形成的驱动因素，分析策略变动（如报价调整）对利润或市场响应的影响，实现更具针对性的策略优化。 5.下一步的工作 研发电力行业大模型+多任务智能体，通过构建电力市场高质量知识库和针对性模型训练，达到有效降低幻觉，提升推理能力，提高决策效率的效果 任务 任务 给出来来5天安微的日前价格预测 江苏电力市场现行的价格机制和限价机制是？ 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。 总部位于上海，在北京、南京、杭州等地设有研发及业务中心。 公司团队成员毕业国内外头部院校，曾就任于阿里巴巴、腾讯、Googlc、Meta(Taccbook）等知名企业，在计算机工程、算法、电力系统优化与市场设计等领域曾取得巨大成就 ●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。 谢谢 THANK YOU.