本系列前作见：思考 | 电力现货市场的量化交易 (数据篇)
电力市场是一个特别适合AI化的场景，因为每一天都基于海量数据进行数据驱动的决策，决策的反馈也可以很快，以日前交易为例，今天的决策，后天就能看到结果。
然而，很多朋友对AI用于电力交易有很高的预期，认为AI可以每天自动化的算出最佳策略，并去进行交易，实现躺平的收益。虽然这确实是理论上能实现的最终状态，但今日今时仍然有很多问题没有解决，今天，我们来看看目前AI在电力市场的应用。
我们到底想要一个什么样AI？
经常，我们会遇到一个问题，即「AI如何跟电力交易结合」。但需要谨慎的是，我们一定不能为了AI而AI。电力交易是一个十分讲究落地的事情。毕竟，能落地和不能落地，能直接体现在结算单上，基本没有模糊空间。
大家心中想象的AI交易，其实不一定是AI交易，可能是人类可以躺平的自动化交易，「自动化」和「AI」可以是一件事，也可以是两件事，大多数时候是两件事。
所以我们想要的是一个强大的AI交易系统，或者多个强大的AI Agent，能够帮助我们在交易的各个环节完成自动化和智能化，以实现自动化交易并且的盈利的。
但是想归想，我们还是需要进一步分析，哪些环节是需要AI的，哪些环节是AI可以辅助的，哪些环节AI其实没有任何意义。我们把我们的每一个交易决策拆解为以下几个部分
从源头开始：AI气象大模型
电力交易AI的典型场景，就是气象大模型。气象预测的质量会显著影响竞价空间和价格预测的质量。自从2022年NVidia发布FourcastNet开始，气象大模型就开始证明其能够通过纯数据驱动的方式，取得比机理模型更好的结果。
半个多世纪以来，大量的优秀人类科学家投入研究大气物理变化，通过超算去解各种偏微分方程，最后被发展没几年的AI模型超越，不得不感谢AI技术的进步。
黄仁勋多次介绍FourcastNet发展出来的Earth-2气象预测系统
3年以来，大量优秀的开源大模型涌现出来，例如Deepmind的Graphcast，SHLAB的Fengwu，微软的Aurora，ECMWF的AIFS，等等。和大众普遍认知的LLM或者Deepseek不同，气象大模型是一种image-to-image的模型，输入全球气象观测数据，输出全球气象预测数据，尽管都是基于transformer的底层结构，但在训练数据，训练框架和训练资源都与LLM显著不同，可以说是另一种“大”模型，只会干一件事情就是做气象预测。
3年以来，气象大模型的发展迅速，预测精度不断提升，以Fengwu为例，对价格预测有意义的有效预测时长能到10日左右。但是无论是传统的机理模型，还是AI模型，并不能解决气象系统的混沌性。因此，在月度交易等长周期预测中，仍然无法给出可采纳结果。但是交易上本着「手上有个数据总比没有好」的心态，也依然可以用长周期预测作为参考。
价格预测：AI or not？
价格预测的局限性主要来自两个方面：
对当地市场能源结构的理解
对多源气象数据的掌握
从交易出发，我们需要首先明白现货价格是如何形成的。先不考虑竞价空间，报价机制，交易情绪等影响，暂时认为价格单纯由供需关系决定。从需求侧来讲，即全网负荷和节点负荷（在电网健壮区域，如山东，仅需考虑全网负荷），而从供给侧来讲，需要理解当地能源结构构成。气象对于供需两侧的影响主要来自于四点
风速影响风电出力
辐照影响光伏出力
降雨和气温(融雪)影响水电出力
气温影响负荷
以山东为例，我们需要理解山东有100GW的新能源装机，相当于美国全国的1/3，装机占比约50%。因此，我们可以认为山东的供给侧主要由风光波动决定，有兴趣也可以研究山东出现负电价时候的风速和辐照，大概率是个大风艳阳天。所以只要预测好山东的风光，大概率也可以预测好山东的价格
但是同样的逻辑，就不能复用到广东，因为广东新能源占比仅约20%，此外，广东本地用电供小于求，1/3的电力来自西电东送，也就是云南和贵州的水电。所以，云南是否降雨，会影响广东的价格。但影响不像风光那么直接，也取决于降雨的空间分布（动态），和径流式/蓄水式水电站空间分布（相对固定）。
因此，我们应该首先理解当地能源构成，才有做价格预测的可能性。当然，这个理解也可以靠AI问答来获取。
进一步，从气象预测到供需预测，再到价格预测，影响精度提升的主要瓶颈并不是模型，而是气象预测的质量。因此，这个环节可以用任何模型来做，小如LightGBM，大如Time-LLM，同样的数据集下，最终得到的误差没有本质区别，这个环节没有必要迷信大模型，应主要追求能用就行。
量化策略：取决于交易品种
部分品种是适合用AI的，部分品种则没有必要。以售电侧日前交易为例，策略十分简单，取决于对价差的预测。如果日前策略环节完全相信日前的价差预测的话，那么在山东不是报0.8就是报1.2，做出这个策略可以说非常简单。
但反而为什么日前策略不一定能做好，一方面是价差预测肯定不会100%准确，误差归根到底又到了价格预测和气象预测上；另一方面零售用户的负荷不一定预测得准，这个环节跟技术几乎没有关系，全看售电公司的大用户在改变生产计划之前愿不愿意提前说一声（平时关系到不到位）。
而新能源的日前交易就不一样了，比售电侧多了自己场站的功率需要预测，站内系统仅从满足两个细则考核出发，不一定精益求精，需要在站外重新做一次功率预测，那又回到源头气象预测的准确性了。
部分中长期品种非常适合AI Agent，因为涉及到的优化问题比较复杂。比如蒙西售电侧的日融合交易，因蒙西的售电业态和国网/南网区有一定区别，售电公司把代理用户的收益进行全局优化时，往往涉及到复杂的动态规划问题，这些问题的求解，可以用代码固定下来，但对于没有开发团队的售电公司来讲，用LLM做一个AI Agent无疑是最高效的方式。
披露数据与交易执行：自动化而非AI
与交易中心系统打过交道的交易员都非常清楚我们在说什么，获取披露数据，放入数据库，进行计算，更多依赖的是自动化；日滚动的盯盘，摘挂牌的盯盘，也都是自动化。这部分目前与AI没有什么关系，当然，自动化工具的代码可以让Deepseek来写。
AI知识库：有没有可能指导交易？
交易规则通常动辄数百页，并且持续迭代与更新，部分数据属于私有化数据，公网的大模型是不掌握的。这个时候RAG技术就变得非常重要，能够让底层大模型变得非常懂私有领域的知识。
但是，如果想要实现「训练AI阅读规则+自动化的策略实现」，目前仍然存在工程挑战，挑战主要在于披露数据，私有数据和策略打通，以及非结构化的市场数据（如市场传言，双边协商等信息，是无法被结构化的）。
不过，从了解规则的入门角度，或者培训的角度，还是非常实用的，以下是「大地量化」AI知识库的一个样例。
最终的技术天花板
以上介绍了AI在电力交易中的诸多可能性，从局限性角度出发，当量化策略已经没有了提升空间，自动化部分也应做尽做后，那么制约收益的最大来源仍然是价格预测和气象预测的精度。而提升气象预测精度的最前沿，就是AI气象大模型。从电力交易角度，气象预测提升的天花板是无限高的。至少，要实现月度的分时预测达到90%准确，气象技术乐观估计也至少得发展好几年时间了，更不用提年度和多年度了，但这也是技术进步需要的必然投入。
------全文结束-----
注册大地量化免费版
飞书扫码加入大地量化用户社群
---推荐阅读----
---OpenET开放注册：https://openet.terraqt.com
---大地量化免费版注册：https://tq.terraqt.com