作者 | 陈钰什 郑颖

电力大模型的探索仍处早期阶段，在分布式能源管理、电力交易、功率预测、电网运行等领域有应用前景

电力，作为现代文明的血液，其稳定、经济、可持续的供应直接关系到社会经济的命脉。随着全球能源需求持续攀升、不稳定的可再生能源装机飙升、分布式电源和需求侧变化逐步扩大,以及市场机制日趋复杂，传统的电力系统运营模式捉襟见肘。

当前，电力系统正面临多重因素交织叠加的复杂挑战，电力结构正经历着从强可控能源向弱可控能源转变的历史阶段，电力系统的精准预测和管理面临严峻的挑战。

总结来说，挑战如下：

一，可再生能源的不稳定性影响逐渐扩大，面临并网消纳难题，并对电网的稳定性、可靠性和灵活性提出要求。如何精准预测可再生能源出力，并调动灵活性资源去抵御波动性带来的风险，成为电力系统必须攻克的难题。

二，电力系统越来越复杂，分布式能源、储能设备、智能终端的大量接入，使得电网结构更加分散，运行状态更加难以预测。传统的人工调度模式，面对海量实时数据和复杂控制逻辑，显得力不从心。

三，需求侧影响凸显，工业生产、商业活动、居民生活，不同场景的用电特性差异巨大，且易受宏观经济、季节气候、突发事件等多种因素影响，电网需要做更准确细致的需求预测，用户侧也需要根据市场信号调整用电，仅依靠传统的统计分析和经验判断，已难以满足电网和用户两侧的精细化预测和调整的要求。

四，市场机制的复杂性和竞争性也与日俱增，市场交易规则日益复杂，市场参与主体更加多元，市场竞争日趋激烈。电力企业需要在瞬息万变的市场环境中做出最优决策，既要追求利润最大化，又要时刻警惕市场风险。

应对这一系列挑战，市场化改革和技术升级都必不可少。人工智能领域的大模型技术近年来异军突起，展现出惊人的数据处理和模式识别能力。电力市场作为关乎国计民生的关键领域，自然也成为大模型技术竞相涌入的热土。

近日，我们与三家电力AI初创公司进行了深入交流，看看大模型技术能否在电力系统转型和市场改革中一展拳脚，还是空中楼阁。

曦谋决策（曦谋决策（杭州）智能科技有限责任公司）成立于2023年，专注于解决大规模数学优化问题。在电力领域，曦谋决策的技术核心在于算法的优化能力，节省运营成本。曦谋决策提供分布式时序预测大模型等专业API（应用程序接口）产品，支持企业进行复杂数据处理和实时决策。

清鹏智能（北京清鹏智能科技有限公司）成立于2021年，公司专长主要集中在能源AI大模型的研发与应用。公司通过自研的时序/时空大模型架构，专注于复杂系统的全尺度模拟与决策优化，在新型电力系统、储能运营、虚拟电厂等场景中提供智能化解决方案。

西清能源（北京西清能源科技有限公司）成立于2018年，公司的专长主要集中在能源数字化和储能安全领域。其核心业务包括储能电池主动安全管理解决方案、能源互联网集成管理、零碳园区建设以及能源项目规划咨询等。西清能源开发了国内首套超大规模储能电站主动安全系统，还提供能源网关、轻量化EMS等产品。

精准发用电预测：理想很丰满，现实很骨感？

需求和发电预测被认为是大模型在电力市场最先落地的应用场景之一。理论上，大模型能够从海量数据中学习复杂的需求模式，实现比传统方法更精准的预测。

曦谋决策认为，预测是大模型的重要能力，可以实现更精细化的管理，特别是在分布式能源管理方面。清鹏智能也认为无论是电力需求预测，还是可再生能源场站的功率预测，都蕴藏着巨大的市场机会，而人工智能技术在应对弱可控能源的挑战中，将大有可为。

清鹏智能的实证研究数据显示，在新能源场站的功率预测中，大模型相较传统小模型，预测准确率可提升 3% 至 5%，显示出在特定场景下，大模型能够展现出更优的性能。

然而，大模型预测要推广还面临许多挑战。首先风力、光伏发电出力受天气条件影响巨大，而天气预报本身就存在不确定性。即使是高精度的大模型，也难以完全消除天气预报误差对发电预测的影响。

诚然，大模型在短期、超短期需求预测方面展现出一定的优势，尤其是在捕捉非线性关系和复杂模式方面。但是，电力需求预测的本质是预测未来，而未来充满了不确定性。宏观经济波动、极端天气事件、突发政策变化等，都可能对电力需求产生难以预测的冲击。即使是再先进的大模型，也难以完全消除预测误差。更重要的是，电力需求预测模型的拟合精度提升并非越高越好，过分追求预测拟合精度，可能会导致模型过度拟合，泛化能力下降。

泛化能力下降是指机器学习模型在训练数据上表现良好，但面对新数据或未知场景时预测性能显著降低的现象。其本质是模型过度依赖训练数据中的特定模式或噪声，而未能真正学习到数据背后的普遍规律，导致无法适应现实中的不确定性。例如，模型在训练中捕捉到某地区历史电力需求中的偶然性事件（如某次临时政策刺激）。但在预测未来时，若遇到宏观经济波动（如产业结构调整）或极端天气（如罕见寒潮），这些新数据中的模式与训练集不同，模型便无法准确预测，出现误差激增。

数据质量也是制约预测精度的关键因素。

曦谋决策坦言，电力行业数据质量参差不齐，坏数据比例可能高达 10%。低质量的数据不仅会降低模型训练效果，甚至可能导致模型产生错误的预测结果。

数据的可获得性和合规性也是一大挑战。电力数据的敏感性较高，涉及用户隐私和商业秘密，数据的共享和使用受到严格限制。如何在保证数据安全和隐私的前提下，获取足够高质量的训练数据，是电力企业必须解决的难题。

电力市场交易策略优化：锦上添花，还是雪中送炭？

市场交易策略优化被认为是大模型在电力市场最具商业价值的应用领域之一。利用大模型进行市场价格预测，制定最优交易策略，能够帮助电力企业在市场竞争中占据优势，提升盈利能力。曦谋决策也将其定位为通用 AI 平台，并计划以 SaaS 模式出口报价辅助决策系统。

清鹏能源基于新能源功率预测和负荷预测的结果，预测几个百分点准确率的提升，意味着电力市场中更好预测电价，带来收益，在山西电力市场经过半年以上的实证，其大模型取得了日前电价预测准确率提升3%、峰谷预测准确率提升10%以上的成绩。

清鹏智能打造了不同风险偏好的多个AI电力交易Agent（交易智能体），通过对市场的模拟与不断的自我博弈提升交易水平，综合考虑市场供需、风险等多种因素，智能制定交易策略。

在2024年保险杯AI电力交易大赛上，124支队伍中，清鹏AI电力交易作为唯一的AI自主决策交易员，最终排名15，超越了近90%以上的人类选手，几乎与人类专家不相上下，展现了能源大模型在复杂市场环境中的强大适应性和学习能力。以电力交易作为切入点，结合大模型在复杂系统优化领域的能力，未来自然而然会延申到储能运行运营、虚拟电厂、多能互补、算电协同等下游场景。

基于调研和资料，我们总结认为，打造电力AI大模型用于预测场景需要四个步骤：1.多源数据融合与清洗。整合气象数据（如风速、辐照度、云量）、场站运行数据（实时功率、设备状态）、历史发电数据、电网调度数据等，并通过智能数据治理技术（如异常值修正、死数剔除）提升输入数据质量。

2．复杂气象建模与时空动态分析。通过百亿参数的时序/时空大模型架构，构建多尺度气象模式，例如：超短期预测（0-4小时），结合实时气象站数据和数值天气预报，利用神经网络动态调整模型参数；中长期预测（72小时以上），引入全球环流背景场数据，采用资料同化技术优化天气预报精度。

3．AI求解器与强化学习优化。通过离线训练与微调基座模型相结合。在离线阶段，基于历史数据训练模型，模拟不同气候条件下的发电特性。在在线阶段，实时接收数据流，通过强化学习动态调整预测策略，适应突发天气变化。

4．多模型组合与交叉验证。集成神经网络、聚类分析、物理模型等多种算法，通过模型权重动态分配（如晴/雨/雪天气下的差异化模型选择）提升预测鲁棒性，最后实现端到端的优化能力。

通常电力大模型所需数据与采集模式 来源：作者采访整理

然而，电力市场交易的复杂性和不确定性，使得大模型的应用效果充满变数。清鹏智能强调，工业场景下大模型的“可用性”是核心考量，特别是在电力交易等高风险场景中，模型的稳定性和可靠性至关重要。

电力市场价格受多种因素影响，包括供需关系、燃料价格、政策变化、天气因素等。即使是再先进的大模型，也难以完全预测市场价格的波动。更何况，市场交易本身就是一个博弈过程，市场参与者的行为相互影响，市场价格的形成具有高度的随机性和不确定性。仅仅依靠预测市场价格，难以制定出所谓的“最优交易策略”。

此外，市场交易策略的优化，往往只能在现有市场规则下进行“微调”，难以从根本上提升盈利能力。电力企业的盈利能力，更多取决于其发电成本、运营效率、资产规模等自身因素，而非仅仅依靠市场交易策略的优化。

更重要的是，过度追求市场交易利润，可能会导致电力企业忽视安全生产、用户服务等更重要的方面，甚至可能引发市场操纵等伦理和监管问题。

尽管市场交易充满不确定性，清鹏智能依然坚定地将电力交易智能体（Agent）作为其核心产品形态进行推广。他们认为，AI Agent 在电力交易中具有独特优势，能够实现端到端的自动化交易决策，更贴合未来电力市场发展趋势。

智能可再生能源管理：看起来很美，用起来很难？

可再生能源管理是大模型在电力市场的另一重要应用方向。利用大模型进行可再生能源发电预测，优化储能调度，似乎能够有效解决可再生能源的间歇性难题。西清能源也强调了预测和精确控制在电力系统中的重要性。然而，将理论转化为现实应用，仍然面临诸多挑战。

可再生能源发电预测的精度提升，并不一定能转化为电网运行的稳定性和经济性提升。过度依赖精确预测，可能会导致调度策略过于激进，反而增加电网运行风险。

其根本矛盾在于：预测精度属于"事前预判能力"，而电网稳定性需要"事中响应能力+系统冗余度"。即便将预测时间尺度从1小时缩短到15分钟，仍需配合实时控制技术才能平衡剩余的不确定性。因此，单纯提升预测精度而不改善系统灵活性和控制策略，难以实现稳定性和经济性的同步提升。

此外，储能系统的成本和技术成熟度也是制约可再生能源消纳的关键因素。虽然储能技术发展迅速，但目前大规模储能的经济性仍然不高，且寿命和安全性仍有待提升。仅仅依靠优化调度策略，难以从根本上解决可再生能源消纳难题。

更重要的是，可再生能源管理不仅仅是技术问题，更是一个复杂的系统工程，涉及政策支持、市场机制、电网基础设施建设等多个方面。大模型只是其中的一个工具，其作用被过度夸大可能会掩盖其他更重要的因素。

电网优化运行：纸上谈兵，还是未来趋势？

电网优化运行被认为是大模型在电力市场最具潜力的应用领域之一。利用大模型进行实时状态评估、故障诊断、安全预警和优化控制，似乎能够显著提升电网运行效率、安全性和韧性。西清能源认为，智能巡检和知识管理在电网中有广泛应用前景。

然而，将大模型应用于复杂、高可靠性要求的电网运行领域，仍然面临巨大的挑战。

电网运行优化是一个高度复杂、实时性要求极高的任务。电网状态瞬息万变，故障发生具有突发性和随机性。大模型需要在极短的时间内处理海量数据，做出快速、准确的决策。这对模型的计算效率和实时性提出了极高的要求。然而，目前的大模型，尤其是深度学习模型，普遍存在计算复杂度高、推理速度慢的问题，难以满足电网实时运行的需求。

更重要的是，电网运行安全直接关系到社会稳定和经济运行，容错率极低。电力调度员在做出任何决策时，都必须慎之又慎，确保电网安全可靠运行。然而，大模型的决策过程如同“黑箱”，可解释性较差，难以让调度员充分信任。

在关键决策环节，调度员更倾向于依赖传统的物理模型和经验判断，而非“黑箱”式的大模型，西清能源指出，人工智能模型替代物理模型在调度控制领域面临的信任风险。

值得一提的是，具体在电力市场的应用领域，清鹏智能在技术路径的选择上，也经历了从知识与数据协同驱动到更加侧重数据驱动的转变。他们坦言，尽管早期曾尝试将人类知识融入模型，但在实践中发现，数据驱动可能更贴合电力市场应用的实际需求。

尽管学术界普遍倡导数据与知识协同（如并行/串行/反馈等混合模式），但清鹏智能在电力市场的研究实践揭示了两个关键限制：其一，电力市场规则迭代迅速（如中国现货市场试点省份的结算机制每年调整），知识规则的持续更新成本较高；其二，新型电力系统出现大量"无先验知识"场景（如高比例光伏接入引致的反向潮流），此时数据驱动能更快建立特征关联。在非线性强、边界条件模糊的场景中，数据驱动展现出更优的泛化能力。如果以结果作为衡量标准，“黑箱”化未必就不是未来方向，毕竟大模型通过整合多模态数据所掌握的信息很有可能比调度员、交易员所掌握的信息维度更丰富。

初创公司的启示：审慎乐观，聚焦价值

曦谋决策、西清能源和清鹏智能作为电力大模型领域的初创企业，其洞察为我们提供了更贴近市场实践的视角。

曦谋决策关注分布式能源管理和市场化交易，看到了 6000万-7000 万分布式主体精细化管理的巨大市场，以及加快分布式市场化进程的迫切需求。他们坦承，数据质量是电力大模型面临的最大挑战，并强调初创公司需要用效果说话。

西清能源则更关注生成式 AI 在电力领域的应用，看到了自然语言处理在规划报告生成、知识管理方面的优势，以及多模态模型在智能巡检领域的潜力。他们也指出了时间序列预测和模型可解释性方面的局限性，并强调物理模型与人工智能模型结合的重要性。

清鹏智能则以其对电力交易Agent 的专注和对商业模式的深入思考，为我们展现了电力大模型在市场交易领域的应用潜力与挑战。数据驱动可能形成新的市场范式，通过Agent的产品形态服务能够提供端到端的解决方案，更符合电力市场未来发展方向，但商业模式的构建和可持续性是关键。

三家公司的观点都表明，电力大模型并非万能，其应用仍处于早期探索阶段，面临诸多挑战。但与此同时，它们也看到了大模型在特定场景下的应用价值，例如分布式能源管理、市场化交易、智能巡检、知识管理等。这启示我们，在看待电力大模型时，既要避免过度乐观，也要看到其潜在的价值，并聚焦于解决电力行业面临的实际问题。

推动电力大模型技术落地应用，需要正视并克服一系列挑战。

首先，电力行业面临着数据困境，高质量、大规模、多维度的数据是训练有效模型的基石，但电力数据普遍存在质量不高、获取困难、安全敏感等问题，数据质量成为电力大模型落地应用的首要障碍。

其次，技术瓶颈制约着大模型的发展，当前的大模型技术在泛化能力、可解释性和计算效率等方面仍有提升空间，时间序列预测和模型可解释性是亟待突破的技术难题。

第三，电力行业高度专业化和规范化，行业壁垒不容忽视，标准缺失、人才匮乏、信任不足等因素制约了大模型在电力行业的推广应用。

最后，市场机制的特殊性也带来了挑战，电力市场的商业模式与传统互联网行业存在显著差异，如何探索清晰的商业模式，实现价值创造，是电力大模型企业必须面对的关键问题。

面对以上挑战，电力行业需要积极探索破局之道，方能充分释放大模型的潜力。在数据层面，应着力提升数据质量，夯实模型基础，拓展数据来源，打破信息孤岛，并构筑数据安全屏障，保障数据安全与合规利用。

在技术层面，需不断精进模型技术，提升模型泛化能力以应对复杂场景，增强模型可解释性以提升应用信任，并提升计算效率以降低应用成本。

在行业层面，应致力于打破行业壁垒，建立行业标准以规范发展路径，培养复合人才以驱动创新引擎，并建立信任机制以消除应用顾虑，营造开放合作的产业生态。

在市场层面，需积极创新商业模式，聚焦细分场景以打造特色应用，探索多元模式以满足多样需求，并强化价值导向以实现互利共赢，构建可持续发展的商业生态。

展望未来，大模型技术为电力市场带来了前所未有的发展机遇，其价值在于赋能和优化电力系统，而非颠覆与革命。电力企业应保持积极开放的心态，审慎前行，聚焦价值，务实创新，将技术与行业认知深度融合，共同推动电力行业的智能化转型升级，方能在变革浪潮中抓住机遇，赢得未来。

（陈钰什为New Energy Nexus中国首席研究员、上海交通大学安泰经管学院博士后，郑颖为清华苏州环境创新研究院天工智库中心特聘研究员；编辑：韩舒淋）