深度 | 现货价格「上蹿下跳」 看AI如何破解价格预测难题

在电力现货交易当中，价格是整个市场的核心信号，也是市场各类主体最关心的数据。对于发电企业、售电公司、电力用户、储能及虚拟电厂企业而言，精准判断电价走势是提升收益、调控风险的关键，尤其是在新能源占比不断提升、现货市场越发活跃的当下。

那么面对波动起伏的价格数据，怎样才能准确判断市场走势，锁定交易先机呢？电力现货的价格虽然受到多重因素影响，但如果理解了价格形成的底层逻辑，价格预测其实有章可循，在充分理解电网运行规律和市场博弈特点的前提下，运用AI技术可以实现精准的价格预测。

为此，路明星光在算法层面深度思考价格的形成机制，发掘各省价格的共性影响因素和特异性影响因素，构建了一套完善的价格预测方法，价格预测准确率较常规时序预测模型优化7-30%。在多省的实际交易中，路明星光的价格预测更是取得了极佳的表现。

在电力交易市场中，出清价格是交易结算的核心价格，出清价格预测的准确率直接对最终收益产生影响。如果想要准确预测各项价格，首先需要理解的就是出清模型和出清价格的产生，了解价格形成的底层逻辑和实际形成时的差异。

简单来说，出清模型的数学逻辑决定了影响出清价格的关键因素；各省由于规则不同，所以出清模型会在此基础进行额外的修改，使得出清价格的产生会存在一些区域性差异；最终在这些基础上，市场主体通过报价，形成实际的价格。

如果深入研究出清模型，那么会发现供需关系、电网结构是影响出清价格的最关键因素。以基础的出清模型DC-OPF（直流最优潮流）为例，可以看到模型的目标是最小化电能量成本，约束有三类：

• 供需平衡约束：不考虑损耗情况下，所有的供给=需求

• 线路容量约束：T是功率转移分布矩阵，是电网物理运行的规律，在这个条件下，各节点发/用功率转移到线路上要在容量范围内

• 发电侧功率约束：发电侧功率在一个上下限内

对这个模型进行求解，可以发现最后每个节点的价格会有两个分量：电能量分量和阻塞分量，分别代表了供需对价格的影响、网络拓扑图对价格的影响。

虽然不同省份的出清模型会在此基础上进行额外的修改，但总体上都会包含这两类对价格影响最大的约束。

各地的这些规则差异，使得不同省份的出清价格会存在两方面的不同：

• 产生模式不同：不同省份基于成本最小化原则采用不同的经济学规律进行干预。如通过高低顺位匹配、通过统一边际出清等。

• 内部影响类别不同：不同省份间计算出清价格时，公式和规则不同；涉及到的其他价格参数也将不同。如安徽仅具备全省维度的日前/实时价格；江苏则分为江南/江北分区，需通过各分区价格综合得出一个全省维度的出清价格。

在各省的规则和出清模型基础上，市场上的主体会通过报价，形成最终的价格。在这当中，企业的操作也会受到两方面的影响，就像经济学中的“两只手”理论一样：

• 一只手：客观经济学规律；如，成本考量，参与商业交易的核心目标之一是可获取收益。正常情况下，这只手在交易内发挥作用。

• 一只手：政策型管控指导；如，企业需满足政策对于企业的特定要求（如特定时段必须保证电力供应、阶段发电量的保证等）。此类情况下，一旦发挥作用，可能直接压过客观经济学的手产生影响，即“管控考量>>经济考量”。

此外，其他因素也可能会对操作产生影响，如操作者的报价习惯、部分场外信息导致的考量变化等。

如果做个总结的话，可以发现价格的形成机制是一个涉及多重因素的复杂博弈。正如前面所说的一样，出清模型决定了供需关系、电网结构是出清价格的关键，在这个基础上各省的规则差异使得价格形成有所不同，最终由市场主体结合经济学规律和政策性指导，通过报价形成的具体价格。

既然知道了价格到底是怎么形成的，那么有什么办法可以做到准确的价格预测呢？

实际上，透过出清模型的底层逻辑，各省的规则差异，以及市场交易主体的不同考量，我们会发现对于价格预测而言，尽管不同省份不可一概而论，但电力交易仍是受客观规律影响，各类价格虽多，但在形成机制上仍存在一定共性。

发掘价格的共性影响因素、特异影响因素，正是价格预测的关键。在路明星光看来，影响价格形成的因素可拆解成三类基础的影响：

• 供需：全市场的供需关系，供给越多价格越低，需求越多价格越高，供给侧又分多种类型的出力（外受/风/光/水/核/煤），根据出清哪些主体会报价报量，以及出清机制，决定了价格怎么形成

• 网络结构：目前电网结构下，由于线路容量会对价格的影响，形成了各个节点的价格

• 市场力：代表市场主体对于价格的期望，一般来说变化不会很频繁，同时对于同一个标的日，不同交易日对价格的期望也有连续性

基于对价格形成机制的深入理解，路明星光构建了一套完整的价格预测方法。整体的预测可分为以下4个步骤：

• 发掘影响价格的各类特征

• 基于特征影响&历史数据搭建单一模型

• 基于初始模型产出进行规则后处理

• 多模型集成动态选优。

这一套价格预测的方法，从价格形成的底层逻辑上考虑了可能影响价格的各类因素，设计了不同模型处理不同数据和特征，让模型“算无遗策”，同时通过市场规则约束AI模型输出的第一轮结果，最后以“优中选优”的方式输出最终预测结果。

在当前趋势下，电力现货价格预测面临两方面挑战，一是新能源逐步成为主体电源，其随机性、波动性、间歇性等特征，使供给侧随机性进一步提高，二是尖峰负荷特征日益凸显，规模持续增大，电力系统灵活性不足。

为了更精准地预测价格，路明星光采取了一系列针对性的措施，包括对求解器、特征工程方面进行了专门的设计，并通过Transformer模型注意力机制和分阶段训练，将价格预测准确率较常规时序预测模型优化7-30%。

具体来说，价格预测的很多基础数据缺失，而通用求解器对数据完整性要求极高，计算复杂度高，需定制化开发，难以平衡“最优性”与“市场规律”。路明星光通过机器学习和深度学习预测出清价，既能精准捕捉市场时序规律，高效挖掘多维度数据关联，又能具备强泛化能力适配复杂场景，可在线学习、动态迭代。

同时，路明星光通过细致的特征工程，将各类数据转化为更适合机器学习模型输入的“有效特征”，将数据更高效地用起来，包括：涵盖电力基础特征和多省份电力数据的特征筛选，电力行业定制特征处理+通用特征处理+深度学习的特征转换，以及充分考虑新能源波动特点的多种特征构造方法。

并且，路明星光采用大模型Transformer注意力机制，自建多个基础模型，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；通过先用合成数据预训练、后用真实数据微调的分阶段训练方法，适配不同市场、不同交易单元。这套方法预测更准确、更稳健，而且工程可落地，支持实时推理。