【南方能源观察】在电力现货交易中，AI可以发挥哪些作用？

宝音太 内蒙古华电电力销售有限公司

近年来，能源绿色转型与电力市场化改革同步深化。这一双重变革使得电力交易端面对的数据密度和决策频率呈现指数级上升趋势。2025年8月发布的《国务院关于深入实施“人工智能+”行动意见》(国发〔2025〕11号)提出，推动人工智能与经济社会各行业各领域深度融合。在这一背景下，AI在电力行业的应用正从单点预测逐渐走向辅助交易全流程，覆盖预测、策略生成、风险提示与复盘评估等环节。

从市场运行看，电价波动的原因比过去更复杂。新能源出力的随机性带来供给侧波动，负荷侧受气温、产业景气度和用户侧响应影响也更难预测。跨省跨区交易规模扩大后，网架断面和检修安排会通过阻塞与分摊机制传导到结算结果。交易员面对的不再是单一价格曲线，而是规则、网架、资源结构共同塑造的多维空间。AI可在这样的复杂环境中提供可复用的分析框架，让决策更快、更稳、更可复盘。

现货交易的收益并不只来自一次申报是否成交。很多地区实行偏差考核与事后结算，申报策略与实际发电执行之间的匹配程度，往往比单次成交价更能决定最终收益。AI只有把预测、申报、执行与结算打通，并在复盘中给出可操作的改进点，才能真正进入交易员的工作流中。

电力现货交易强调分时段、分节点的价格发现与资源优化配置。对发电企业和售电主体而言，交易窗口更短，市场信息更新更快，偏差考核和结算规则更精细。AI介入交易链条，通常从数据采集和清洗开始，向“前”支撑事前研判，向“中”支撑事中申报与临近调整，向“后”支撑事后复盘与模型迭代。围绕这一链条，现阶段电力现货交易中，较成熟的AI应用主要集中在以下方面：

1.负荷与发电预测。现货报价往往以日前为主、日内为辅，短时间尺度的预测误差会直接放大为偏差考核和机会成本。以新能源为例，点预测只能给出一个数值，难以覆盖天气不确定性。更可取的做法是同时输出分位数预测或场景集，给出不同置信水平下的出力区间，便于交易员在申报曲线中留出弹性空间。AI通常将时序模型与气象特征融合，结合风速、辐照度、云量等外生变量，再用校正层消化站内设备状态、限电信息与历史偏差。例如，中国华电集团开发的“华电智”大模型应用在水风光预测与区域一体化调度时，采取多模型协同与在线校正路径，以减少不同气象条件下的漂移，预测结果也更容易与交易决策衔接。

2.市场价格预测与分析。现货价格不只是供需关系的结果，还受网架约束、机组组合、燃料与碳成本、检修安排、政策性边界条件等共同影响。对于新能源装机多的省份，在高负荷时段可能因断面受限形成局部高价，低负荷时段又可能因新能源出力集中出现低价甚至接近下限的情形。在构建价格预测模型时，必须引入能够反映市场供需本质的特征变量，一是系统负荷预测值；二是外送通道裕度；三是燃料成本指数。在算法实现路径上，输入网架拓扑特征，通过GNN（图神经网络）学习断面约束对节点边际价格的传导路径，可识别阻塞风险。

3.智能交易策略优化。交易策略落到操作层面，往往表现为申报电量和申报价格曲线的组合。对发电侧而言，机组爬坡、最小开停时间、燃料约束、热电耦合以及中长期合约持仓都会限制可行策略空间。对售电侧而言，负荷不确定性、合同条款、偏差考核以及用户侧可调资源决定了对冲空间。强化学习适合处理多阶段决策，但在电力市场中不能简单依赖试错，需要将规则和安全边界固化为约束，常见做法是引入约束强化学习或将优化模型作为策略生成的外壳，AI负责在可行域内寻找更优解。

4.市场运营与风险管理。交易风险常见于三类：一是来自信息不对称与响应滞后，例如，极端天气导致负荷突变或新能源出力骤降；二是来自规则细节与执行差异，如偏差考核口径、分摊返还与阻塞盈余结算条款理解偏差；三是来自合规与信用风险。AI在这一环节的价值更像守门员，持续监测关键指标并提示异常。知识图谱与语义检索可用于规则解读与条款定位，减少交易员在文件间反复翻找的时间。异常检测模型可以对报价行为、成交价格、负荷曲线与结算差额做联动监测，提前提示偏差放大风险。在山西等地的电力交易服务实践中，智能问答与报告生成显著缓解了平台咨询压力，也让交易主体更快获取规则解读与洞察数据的价值。

AI在电力交易中的位置更像第二驾驶员，它擅长把零散数据拼成结构化信号，在大量历史样本中寻找规律，也擅长在规则边界内批量生成候选方案。在电力企业引入AI后，交易员的价值在于判断边界条件是否成立，是否存在政策变动、重大检修、突发天气、区域限电等不可从数据中直接读出的因素，还要对风险偏好、合同约束与企业经营目标做平衡。例如，AI模型依据同期历史上的价格弹性，可能会建议在某个时段全额压低报价以争取发电量，但交易员可能知道该电厂即将进行环保改造，或者集团层面有保供电的任务，需要控制运行小时数。这种基于非结构化信息和战略目标的判断，是AI难以替代的。

随着工具成熟度和AI使用熟练度提升，交易员的工作重心会从手工取数和经验估算，转向模型校验、情景推演与策略选择。一是检查模型的输入数据是否准确，逻辑是否符合当前市场状态；二是利用AI工具模拟不同边界条件下的市场出清结果，评估极端情况下的风险敞口；三是在AI提供的多个候选策略（如“激进型”“稳健型”“保本型”）中，根据当前的市场情绪和企业风险偏好做出最终决定。

目前，多数企业仍处在“人机协同”的磨合期。AI模型预测准确并不等于策略可用，市场规则的细节和执行差异会把小误差放大成实际损益。更稳妥的做法是把模型结果纳入复盘体系，每日对预测偏差、成交价差、偏差考核和结算差额进行归因，明确哪些误差来自数据，哪些来自规则变化，哪些来自人为判断。

电力交易牵涉能源安全、价格稳定与市场公平，AI应用需要与监管规则保持一致，也要与电网运行约束相匹配。数据层面，交易数据、设备数据、气象数据来源分散，口径不一，缺失和延迟常见，模型训练很容易受到噪声影响。在模型层面，规则调整、限价区间变化、考核口径调整都会带来分布漂移，导致模型在短时间内失效。在系统层面，交易系统与生产系统需要隔离，权限和审计必须到位，避免模型越权调用或数据泄露。在组织层面，交易员、调度员、模型工程师之间需要形成共同语言，既要懂规则，又要懂模型，才能让AI建议真正落地。

人工智能正在改变交易的节奏和方法。现货交易中，AI把高频数据变成更可用的信号，帮助提高预测质量和申报效率，也让复盘更具针对性。中长期交易中，AI可以在多情景下评估合同组合的风险收益，为谈判与锁价提供量化依据。对大型发电集团而言，AI更像一套底座能力，既能服务新能源出力预测和集控调度，也能服务营销交易的策略研判和经营分析。未来几年，随着现货市场进一步扩大，辅助服务、容量机制、绿电绿证等要素的价格信号更为清晰，交易工作将更依赖模型和工具，也更需要经验与规则理解。只要坚持数据治理、模型治理与业务治理同步推进，AI在电力交易中的价值会逐步从提效走向增收，并在企业稳健经营中形成长期能力。

编辑 黄燕华

审核 姜黎