文｜陳鈺什 鄭穎
電力，作為現代文明的血液，其穩定、經濟、可持續的供應直接關係到社會經濟的命脈。隨著全球能源需求持續攀升、不穩定的可再生能源裝機飆升、分散式電源和需求側變化逐步擴大,以及市場機制日趨複雜，傳統的電力系統運營模式捉襟見肘。
當前，電力系統正面臨多重因素交織疊加的複雜挑戰，電力結構正經歷著從強可控能源向弱可控能源轉變的歷史階段，電力系統的精準預測和管理面臨嚴峻的挑戰。
總結來說，挑戰如下：
一，可再生能源的不穩定性影響逐漸擴大，面臨併網消納難題，並對電網的穩定性、可靠性和靈活性提出要求。如何精準預測可再生能源出力，並調動靈活性資源去抵禦波動性帶來的風險，成為電力系統必須攻克的難題。
二，電力系統越來越複雜，分散式能源、儲能裝置、智慧終端的大量接入，使得電網結構更加分散，執行狀態更加難以預測。傳統的人工排程模式，面對海量即時資料和複雜控制邏輯，顯得力不從心。
三，需求側影響凸顯，工業生產、商業活動、居民生活，不同場景的用電特性差異巨大，且易受宏觀經濟、季節氣候、突發事件等多種因素影響，電網需要做更準確細緻的需求預測，使用者側也需要根據市場訊號調整用電，僅依靠傳統的統計分析和經驗判斷，已難以滿足電網和使用者兩側的精細化預測和調整的要求。
四，市場機制的複雜性和競爭性也與日俱增，市場交易規則日益複雜，市場參與主體更加多元，市場競爭日趨激烈。電力企業需要在瞬息萬變的市場環境中做出最優決策，既要追求利潤最大化，又要時刻警惕市場風險。
應對這一系列挑戰，市場化改革和技術升級都必不可少。人工智慧領域的大模型技術近年來異軍突起，展現出驚人的資料處理和模式識別能力。電力市場作為關乎國計民生的關鍵領域，自然也成為大模型技術競相湧入的熱土。
近日，我們與三家電力AI初創公司進行了深入交流，看看大模型技術能否在電力系統轉型和市場改革中一展拳腳，還是空中樓閣。
曦謀決策（曦謀決策（杭州）智慧科技有限責任公司）成立於2023年，專注於解決大規模數學最佳化問題。在電力領域，曦謀決策的技術核心在於演算法的最佳化能力，節省運營成本。曦謀決策提供分散式時序預測大模型等專業API（應用程式介面）產品，支援企業進行復雜資料處理和即時決策。
清鵬智慧（北京清鵬智慧科技有限公司）成立於2021年，公司專長主要集中在能源AI大模型的研發與應用。公司透過自研的時序/時空大模型架構，專注於複雜系統的全尺度模擬與決策最佳化，在新型電力系統、儲能運營、虛擬電廠等場景中提供智慧化解決方案。
西清能源（北京西清能源科技有限公司）成立於2018年，公司的專長主要集中在能源數字化和儲能安全領域。其核心業務包括儲能電池主動安全管理解決方案、能源網際網路整合管理、零碳園區建設以及能源專案規劃諮詢等。西清能源開發了國內首套超大規模儲能電站主動安全系統，還提供能源閘道器、輕量化EMS等產品。
精準發用電預測：理想很豐滿，現實很骨感？
需求和發電預測被認為是大模型在電力市場最先落地的應用場景之一。理論上，大模型能夠從海量資料中學習複雜的需求模式，實現比傳統方法更精準的預測。
曦謀決策認為，預測是大模型的重要能力，可以實現更精細化的管理，特別是在分散式能源管理方面。清鵬智慧也認為無論是電力需求預測，還是可再生能源場站的功率預測，都蘊藏著巨大的市場機會，而人工智慧技術在應對弱可控能源的挑戰中，將大有可為。
清鵬智慧的實證研究資料顯示，在新能源場站的功率預測中，大模型相較傳統小模型，預測準確率可提升
3% 至 5%，顯示出在特定場景下，大模型能夠展現出更優的效能。
3% 至 5%，顯示出在特定場景下，大模型能夠展現出更優的效能。
然而，大模型預測要推廣還面臨許多挑戰。首先風力、光伏發電出力受天氣條件影響巨大，而天氣預報本身就存在不確定性。即使是高精度的大模型，也難以完全消除天氣預報誤差對發電預測的影響。
誠然，大模型在短期、超短期需求預測方面展現出一定的優勢，尤其是在捕捉非線性關係和複雜模式方面。但是，電力需求預測的本質是預測未來，而未來充滿了不確定性。宏觀經濟波動、極端天氣事件、突發政策變化等，都可能對電力需求產生難以預測的衝擊。即使是再先進的大模型，也難以完全消除預測誤差。更重要的是，電力需求預測模型的擬合精度提升並非越高越好，過分追求預測擬合精度，可能會導致模型過度擬合，泛化能力下降。
泛化能力下降是指機器學習模型在訓練資料上表現良好，但面對新資料或未知場景時預測效能顯著降低的現象。其本質是模型過度依賴訓練資料中的特定模式或噪聲，而未能真正學習到資料背後的普遍規律，導致無法適應現實中的不確定性。例如，模型在訓練中捕捉到某地區歷史電力需求中的偶然性事件（如某次臨時政策刺激）。但在預測未來時，若遇到宏觀經濟波動（如產業結構調整）或極端天氣（如罕見寒潮），這些新資料中的模式與訓練集不同，模型便無法準確預測，出現誤差激增。
資料質量也是制約預測精度的關鍵因素。
曦謀決策坦言，電力行業資料質量參差不齊，壞資料比例可能高達 10%。低質量的資料不僅會降低模型訓練效果，甚至可能導致模型產生錯誤的預測結果。
資料的可獲得性和合規性也是一大挑戰。電力資料的敏感性較高，涉及使用者隱私和商業秘密，資料的共享和使用受到嚴格限制。如何在保證資料安全和隱私的前提下，獲取足夠高質量的訓練資料，是電力企業必須解決的難題。
電力市場交易策略最佳化：錦上添花，還是雪中送炭？
市場交易策略最佳化被認為是大模型在電力市場最具商業價值的應用領域之一。利用大模型進行市場價格預測，制定最優交易策略，能夠幫助電力企業在市場競爭中佔據優勢，提升盈利能力。曦謀決策也將其定位為通用 AI 平臺，並計劃以 SaaS 模式出口報價輔助決策系統。
清鵬能源基於新能源功率預測和負荷預測的結果，預測幾個百分點準確率的提升，意味著電力市場中更好預測電價，帶來收益，在山西電力市場經過半年以上的實證，其大模型取得了日前電價預測準確率提升3%、峰谷預測準確率提升10%以上的成績。
清鵬智慧打造了不同風險偏好的多個AI電力交易Agent（交易智慧體），透過對市場的模擬與不斷的自我博弈提升交易水平，綜合考慮市場供需、風險等多種因素，智慧制定交易策略。
在2024年保險杯AI電力交易大賽上，124支隊伍中，清鵬AI電力交易作為唯一的AI自主決策交易員，最終排名15，超越了近90%以上的人類選手，幾乎與人類專家不相上下，展現了能源大模型在複雜市場環境中的強大適應性和學習能力。以電力交易作為切入點，結合大模型在複雜系統最佳化領域的能力，未來自然而然會延申到儲能執行運營、虛擬電廠、多能互補、算電協同等下游場景。
基於調研和資料，我們總結認為，打造電力AI大模型用於預測場景需要四個步驟：1.多源資料融合與清洗。整合氣象資料（如風速、輻照度、雲量）、場站執行資料（即時功率、裝置狀態）、歷史發電資料、電網排程資料等，並透過智慧資料治理技術（如異常值修正、死數剔除）提升輸入資料質量。
2．複雜氣象建模與時空動態分析。透過百億引數的時序/時空大模型架構，構建多尺度氣象模式，例如：超短期預測（0-4小時），結合即時氣象站資料和數值天氣預報，利用神經網路動態調整模型引數；中長期預測（72小時以上），引入全球環流背景場資料，採用資料同化技術最佳化天氣預報精度。
3．AI求解器與強化學習最佳化。透過離線訓練與微調基座模型相結合。在離線階段，基於歷史資料訓練模型，模擬不同氣候條件下的發電特性。在線上階段，即時接收資料流，透過強化學習動態調整預測策略，適應突發天氣變化。
4．多模型組合與交叉驗證。整合神經網路、聚類分析、物理模型等多種演算法，透過模型權重動態分配（如晴/雨/雪天氣下的差異化模型選擇）提升預測魯棒性，最後實現端到端的最佳化能力。
通常電力大模型所需資料與採集模式 來源：作者採訪整理
然而，電力市場交易的複雜性和不確定性，使得大模型的應用效果充滿變數。清鵬智慧強調，工業場景下大模型的“可用性”是核心考量，特別是在電力交易等高風險場景中，模型的穩定性和可靠性至關重要。
電力市場價格受多種因素影響，包括供需關係、燃料價格、政策變化、天氣因素等。即使是再先進的大模型，也難以完全預測市場價格的波動。更何況，市場交易本身就是一個博弈過程，市場參與者的行為相互影響，市場價格的形成具有高度的隨機性和不確定性。僅僅依靠預測市場價格，難以制定出所謂的“最優交易策略”。
此外，市場交易策略的最佳化，往往只能在現有市場規則下進行“微調”，難以從根本上提升盈利能力。電力企業的盈利能力，更多取決於其發電成本、運營效率、資產規模等自身因素，而非僅僅依靠市場交易策略的最佳化。
更重要的是，過度追求市場交易利潤，可能會導致電力企業忽視安全生產、使用者服務等更重要的方面，甚至可能引發市場操縱等倫理和監管問題。
儘管市場交易充滿不確定性，清鵬智慧依然堅定地將電力交易智慧體（Agent）作為其核心產品形態進行推廣。他們認為，AI
Agent 在電力交易中具有獨特優勢，能夠實現端到端的自動化交易決策，更貼合未來電力市場發展趨勢。
Agent 在電力交易中具有獨特優勢，能夠實現端到端的自動化交易決策，更貼合未來電力市場發展趨勢。
智慧可再生能源管理：看起來很美，用起來很難？
可再生能源管理是大模型在電力市場的另一重要應用方向。利用大模型進行可再生能源發電預測，最佳化儲能排程，似乎能夠有效解決可再生能源的間歇性難題。西清能源也強調了預測和精確控制在電力系統中的重要性。然而，將理論轉化為現實應用，仍然面臨諸多挑戰。
可再生能源發電預測的精度提升，並不一定能轉化為電網執行的穩定性和經濟性提升。過度依賴精確預測，可能會導致排程策略過於激進，反而增加電網執行風險。
其根本矛盾在於：預測精度屬於"事前預判能力"，而電網穩定性需要"事中響應能力+系統冗餘度"。即便將預測時間尺度從1小時縮短到15分鐘，仍需配合即時控制技術才能平衡剩餘的不確定性。因此，單純提升預測精度而不改善系統靈活性和控制策略，難以實現穩定性和經濟性的同步提升。
此外，儲能系統的成本和技術成熟度也是制約可再生能源消納的關鍵因素。雖然儲能技術發展迅速，但目前大規模儲能的經濟性仍然不高，且壽命和安全性仍有待提升。僅僅依靠最佳化排程策略，難以從根本上解決可再生能源消納難題。
更重要的是，可再生能源管理不僅僅是技術問題，更是一個複雜的系統工程，涉及政策支援、市場機制、電網基礎設施建設等多個方面。大模型只是其中的一個工具，其作用被過度誇大可能會掩蓋其他更重要的因素。
電網最佳化執行：紙上談兵，還是未來趨勢？
電網最佳化執行被認為是大模型在電力市場最具潛力的應用領域之一。利用大模型進行即時狀態評估、故障診斷、安全預警和最佳化控制，似乎能夠顯著提升電網執行效率、安全性和韌性。西清能源認為，智慧巡檢和知識管理在電網中有廣泛應用前景。
然而，將大模型應用於複雜、高可靠性要求的電網執行領域，仍然面臨巨大的挑戰。
電網執行最佳化是一個高度複雜、即時性要求極高的任務。電網狀態瞬息萬變，故障發生具有突發性和隨機性。大模型需要在極短的時間內處理海量資料，做出快速、準確的決策。這對模型的計算效率和即時性提出了極高的要求。然而，目前的大模型，尤其是深度學習模型，普遍存在計算複雜度高、推理速度慢的問題，難以滿足電網即時執行的需求。
更重要的是，電網執行安全直接關係到社會穩定和經濟執行，容錯率極低。電力排程員在做出任何決策時，都必須慎之又慎，確保電網安全可靠執行。然而，大模型的決策過程如同“黑箱”，可解釋性較差，難以讓排程員充分信任。
在關鍵決策環節，排程員更傾向於依賴傳統的物理模型和經驗判斷，而非“黑箱”式的大模型，西清能源指出，人工智慧模型替代物理模型在排程控制領域面臨的信任風險。
值得一提的是，具體在電力市場的應用領域，清鵬智慧在技術路徑的選擇上，也經歷了從知識與資料協同驅動到更加側重資料驅動的轉變。他們坦言，儘管早期曾嘗試將人類知識融入模型，但在實踐中發現，資料驅動可能更貼合電力市場應用的實際需求。
儘管學術界普遍倡導資料與知識協同（如並行/序列/反饋等混合模式），但清鵬智慧在電力市場的研究實踐揭示了兩個關鍵限制：其一，電力市場規則迭代迅速（如中國現貨市場試點省份的結算機制每年調整），知識規則的持續更新成本較高；其二，新型電力系統出現大量"無先驗知識"場景（如高比例光伏接入引致的反向潮流），此時資料驅動能更快建立特徵關聯。在非線性強、邊界條件模糊的場景中，資料驅動展現出更優的泛化能力。如果以結果作為衡量標準，“黑箱”化未必就不是未來方向，畢竟大模型透過整合多模態資料所掌握的資訊很有可能比排程員、交易員所掌握的資訊維度更豐富。
初創公司的啟示：審慎樂觀，聚焦價值
曦謀決策、西清能源和清鵬智慧作為電力大模型領域的初創企業，其洞察為我們提供了更貼近市場實踐的視角。
曦謀決策關注分散式能源管理和市場化交易，看到了 6000萬-7000 萬分布式主體精細化管理的巨大市場，以及加快分散式市場化程序的迫切需求。他們坦承，資料質量是電力大模型面臨的最大挑戰，並強調初創公司需要用效果說話。
西清能源則更關注生成式 AI 在電力領域的應用，看到了自然語言處理在規劃報告生成、知識管理方面的優勢，以及多模態模型在智慧巡檢領域的潛力。他們也指出了時間序列預測和模型可解釋性方面的侷限性，並強調物理模型與人工智慧模型結合的重要性。
清鵬智慧則以其對電力交易Agent 的專注和對商業模式的深入思考，為我們展現了電力大模型在市場交易領域的應用潛力與挑戰。資料驅動可能形成新的市場正規化，透過Agent的產品形態服務能夠提供端到端的解決方案，更符合電力市場未來發展方向，但商業模式的構建和可持續性是關鍵。
三家公司的觀點都表明，電力大模型並非萬能，其應用仍處於早期探索階段，面臨諸多挑戰。但與此同時，它們也看到了大模型在特定場景下的應用價值，例如分散式能源管理、市場化交易、智慧巡檢、知識管理等。這啟示我們，在看待電力大模型時，既要避免過度樂觀，也要看到其潛在的價值，並聚焦於解決電力行業面臨的實際問題。
推動電力大模型技術落地應用，需要正視並克服一系列挑戰。
首先，電力行業面臨著資料困境，高質量、大規模、多維度的資料是訓練有效模型的基石，但電力資料普遍存在質量不高、獲取困難、安全敏感等問題，資料質量成為電力大模型落地應用的首要障礙。
其次，技術瓶頸制約著大模型的發展，當前的大模型技術在泛化能力、可解釋性和計算效率等方面仍有提升空間，時間序列預測和模型可解釋性是亟待突破的技術難題。
第三，電力行業高度專業化和規範化，行業壁壘不容忽視，標準缺失、人才匱乏、信任不足等因素制約了大模型在電力行業的推廣應用。
最後，市場機制的特殊性也帶來了挑戰，電力市場的商業模式與傳統網際網路行業存在顯著差異，如何探索清晰的商業模式，實現價值創造，是電力大模型企業必須面對的關鍵問題。
面對以上挑戰，電力行業需要積極探索破局之道，方能充分釋放大模型的潛力。在資料層面，應著力提升資料質量，夯實模型基礎，拓展資料來源，打破資訊孤島，並構築資料安全屏障，保障資料安全與合規利用。
在技術層面，需不斷精進模型技術，提升模型泛化能力以應對複雜場景，增強模型可解釋性以提升應用信任，並提升計算效率以降低應用成本。
在行業層面，應致力於打破行業壁壘，建立行業標準以規範發展路徑，培養複合人才以驅動創新引擎，並建立信任機制以消除應用顧慮，營造開放合作的產業生態。
在市場層面，需積極創新商業模式，聚焦細分場景以打造特色應用，探索多元模式以滿足多樣需求，並強化價值導向以實現互利共贏，構建可持續發展的商業生態。
展望未來，大模型技術為電力市場帶來了前所未有的發展機遇，其價值在於賦能和最佳化電力系統，而非顛覆與革命。電力企業應保持積極開放的心態，審慎前行，聚焦價值，務實創新，將技術與行業認知深度融合，共同推動電力行業的智慧化轉型升級，方能在變革浪潮中抓住機遇，贏得未來。
（陳鈺什為New Energy Nexus中國首席研究員、上海交通大學安泰經管學院博士後，鄭穎為清華蘇州環境創新研究院天工智庫中心特聘研究員；編輯：韓舒淋）
責編 | 楊明慧