1. 电力交易员的一天：为什么传统决策方式越来越吃力

我有个朋友在省级电力交易中心做交易员，前几年他跟我描述工作状态时用了一个词——“人肉撮合器”。每天早上八点半到岗，先花四十分钟把前一天的负荷数据、新能源出力预测、联络线计划、检修计划全部拉一遍，然后打开五六个Excel表格开始算第二天的申报曲线。中午之前要完成报价策略，下午还要盯着实时市场的滚动撮合，遇到新能源大发或者机组非计划停运，整个策略就得推倒重来。

这个场景在电力交易领域太典型了。电力交易和股票、期货交易有一个本质区别：电不能大规模经济存储。你发出来的电必须实时被用掉，用不掉就是浪费，不够用就是事故。这意味着电力交易的决策窗口极短，而且约束条件极其复杂——机组出力上下限、爬坡速率、最小启停时间、联络线断面约束、新能源消纳优先级，这些约束互相耦合，人工很难在短时间内找到全局最优解。

更麻烦的是，这几年电力市场的复杂度在指数级上升。新能源装机占比越来越高，光伏和风电的出力预测本身就带有不确定性；现货市场、辅助服务市场、容量市场多市场并行，同一个机组在不同市场的收益要统筹考虑；分时电价、峰谷价差、需求响应这些机制又让用户侧的负荷曲线变得不那么“听话”。一个交易员要同时处理几十个维度的信息，还要在分钟级做出决策，这已经超出了人脑的算力边界。

所以当“AI驱动电力交易”这个概念被提出来的时候，我一点都不意外。智能决策辅助系统要解决的核心问题，不是替代交易员，而是把交易员从信息搬运和基础计算中解放出来，让他们专注于策略判断和风险把控。这篇文章我想从实际落地的角度，把这类系统的技术架构、核心算法、工程实现和踩坑经验完整拆一遍，给正在做或者准备做这块的同行一些参考。

2. 智能决策辅助系统的技术底座：从数据到决策的完整链路

2.1 数据层：电力交易的数据源比你想的杂得多

做电力交易AI，第一步不是选模型，而是搞清楚数据从哪来、长什么样。我梳理过一套典型的电力交易数据源，大概分这么几类：

这些数据的问题在于：格式不统一、时间粒度不一致、质量参差不齐。我见过一个项目，负荷数据是15分钟一个点，新能源预测是1小时一个点，气象数据是3小时一个点，要做联合建模就得先做时间对齐和插值。插值方法的选择本身就有讲究——线性插值会平滑掉负荷的尖峰特征，样条插值可能产生过冲，最后我们用的是分段三次Hermite插值，在保持单调性的同时尽量保留曲线形态。

还有一个容易被忽略的点：数据延迟。调度系统的数据往往有几分钟到十几分钟的延迟，而电力交易的决策窗口可能只有几分钟。如果你的AI系统用的是延迟数据，算出来的策略可能已经过期了。我们的做法是在数据层加一个“新鲜度标记”，每个数据点带一个时间戳，模型推理时根据数据新鲜度动态调整置信度权重。

2.2 特征工程：电力交易里什么特征真正有用

特征工程这块，很多人一上来就搞几百个特征往里塞，结果模型过拟合严重。我的经验是，电力交易场景下真正有预测力的特征就那么几类，关键是把它们构造好。

时序特征是基础。负荷数据要做滞后特征（lag）、滑动窗口统计（均值、方差、极值）、差分特征。这里有个细节：电力负荷有明显的日周期和周周期，所以滞后特征要同时包含“昨天同一时刻”“上周同一时刻”“前几个小时”这几个尺度。我一般会构造lag_24h、lag_168h、lag_1h、lag_2h这几组，再配合滚动窗口的均值和标准差。

交互特征往往被低估。比如“温度×湿度”对负荷的影响不是线性的，高温高湿和高温低湿的负荷曲线完全不同。再比如“新能源出力×负荷水平”，当新能源大发且负荷较低时，火电机组需要深度调峰，这时候的报价策略和常规时段完全不一样。这类交互特征用树模型可以自动捕捉一部分，但显式构造出来效果更稳。

市场特征是电力交易特有的。比如日前市场和实时市场的价差、上一交易日的出清价格、同类型机组的平均报价水平。这些特征反映了市场参与者的集体行为，对策略制定很有参考价值。但要注意，市场特征存在“反身性”——当所有人都用同样的特征做决策时，特征本身的有效性会衰减。所以我会定期做特征有效性监控，发现某个特征的IC值持续下降就及时替换。

2.3 模型选型：为什么我们没有用端到端深度学习

这是被问得最多的问题。很多人觉得AI驱动电力交易就应该搞一个端到端的深度神经网络，输入原始数据直接输出报价曲线。我们试过，效果不好，原因有三个：

第一，可解释性要求。电力交易涉及真金白银，交易员需要理解模型为什么给出这个策略。端到端深度网络是个黑箱，交易员不敢用。我们最后采用的是“预测模型+优化模型”的两段式架构，预测模型用LightGBM做负荷和价格预测，优化模型用混合整数规划做报价策略生成。这样每个环节的输入输出都是可解释的。

第二，约束满足。电力交易的报价策略必须满足机组物理约束和市场规则约束，端到端网络很难保证输出一定满足约束。而优化模型天然支持约束建模，把机组出力上下限、爬坡速率、最小启停时间这些作为硬约束写进去，解出来的策略一定是可行的。

第三，数据量。电力交易的历史数据量其实不大，一个省级市场一年的现货交易数据也就几万条有效样本。这个量级下，深度网络容易过拟合，树模型和传统时序模型反而更稳。

当然，这不是说深度学习没用。我们在新能源出力预测这个子任务上用了LSTM和Transformer，因为气象数据是网格化的，时空特征明显，深度学习有优势。但在交易策略生成这个环节，还是优化模型更靠谱。

3. 核心算法拆解：预测、优化与风险控制的三角关系

3.1 负荷与价格预测：从MAPE到分位数预测

负荷预测是电力交易的基础。传统方法用时间序列模型（ARIMA、SARIMA），现在主流用梯度提升树（LightGBM、XGBoost）或者深度学习（LSTM、TCN）。我们实测下来，LightGBM在负荷预测上性价比最高——训练快、调参简单、特征重要性可解释。

但电力交易需要的不仅仅是点预测，还需要分位数预测。因为报价策略是风险敏感的，交易员需要知道“负荷有90%概率落在哪个区间”，而不是一个单点值。所以我们用LightGBM的分位数回归目标函数，同时输出P10、P50、P90三个分位数。这样在制定报价策略时，可以根据风险偏好选择保守或激进的方案。

价格预测比负荷预测更难，因为价格受市场博弈影响，波动更大。我们的做法是把价格预测拆成两部分：中长期趋势用基本面特征（负荷、新能源、燃料成本）预测，短期波动用市场微观特征（买卖盘不平衡、最近成交价）预测。两部分叠加得到最终价格预测。实测下来，日前价格的预测准确率能做到85%左右（方向准确率），实时价格因为波动太大，方向准确率只有70%左右。

3.2 报价策略优化：混合整数规划怎么建

报价策略优化的本质是一个带约束的优化问题。目标函数通常是收益最大化，约束包括机组物理约束、市场规则约束、风险约束。

我以一个火电机组参与日前现货市场为例，把优化模型的核心结构拆一下：

决策变量：每个时段（通常15分钟或1小时）的申报电量、申报价格。

目标函数：max Σ(出清价格 × 出清电量 - 发电成本)。出清价格和出清电量是市场出清的结果，取决于自己的报价和其他参与者的报价。这里有个博弈问题——你的报价影响出清价格，但你不能控制别人的报价。我们的处理方式是假设其他参与者的报价服从某个分布（从历史数据估计），然后做随机优化。

约束条件：

• 机组出力上下限：P_min ≤ P_t ≤ P_max
• 爬坡约束：-R_down ≤ P_t - P_{t-1} ≤ R_up
• 最小启停时间：如果机组启动，至少运行T_on小时
• 申报单调性：申报价格随申报电量单调递增（防止套利）
• 风险约束：CVaR（条件风险价值）不超过阈值

这个模型用Gurobi或者CPLEX求解，规模不大的话秒级出解。但如果机组数量多、时段多，求解时间会指数上升。我们的优化策略是先用启发式算法（比如遗传算法）找一个初始解，再用MIP做局部精调，这样能在可接受的时间内得到近似最优解。

3.3 风险控制：CVaR在电力交易中的实际用法

电力交易的风险控制不是简单的“止损”，而是要量化“最坏情况下的损失”。我们用的是CVaR（Conditional Value at Risk），通俗说就是“在最坏的5%情况下，平均损失是多少”。

具体做法是：用蒙特卡洛模拟生成大量价格和负荷场景（比如10000个），对每个场景计算报价策略的收益，然后取收益最低的5%场景的平均值作为CVaR。优化模型的目标函数改成“收益最大化 - λ × CVaR”，λ是风险厌恶系数，λ越大策略越保守。

这个方法的优点是直观、可量化，交易员容易理解。缺点是计算量大，10000个场景的蒙特卡洛模拟需要不少算力。我们的优化是用GPU加速场景生成，用并行计算做策略评估，把整体耗时控制在分钟级。

4. 工程落地：从实验室模型到生产系统的距离

4.1 系统架构：为什么我们选了微服务而不是单体

实验室里跑模型和在生产环境跑模型是两码事。实验室里一个Python脚本从头跑到尾，生产环境要考虑高可用、可扩展、可监控。

我们的系统架构是微服务化的，核心服务包括：

• 数据采集服务：对接SCADA、交易平台、气象API，做数据清洗和标准化
• 预测服务：负荷预测、价格预测、新能源预测，每个预测任务独立部署
• 优化服务：报价策略生成，支持多机组、多市场
• 风控服务：实时监控策略风险指标，触发阈值时告警
• API网关：对外提供统一接口，做鉴权和限流

微服务的好处是每个服务可以独立扩容、独立部署、独立升级。比如预测服务在每天早上需要大量算力，可以临时扩容；优化服务在交易时段需要低延迟，可以部署在高性能节点上。

但微服务也带来了复杂性——服务间通信、数据一致性、分布式事务这些问题都要处理。我们的经验是：不要为了微服务而微服务。如果团队规模不大、业务复杂度不高，单体架构加模块化设计可能更合适。我们是因为要同时支持多个省级市场的交易业务，才不得不走微服务路线。

4.2 模型部署：从Jupyter Notebook到Kubernetes

模型部署这块，我们踩过的坑最多。最开始是把模型文件（pickle）直接放到服务器上，用Flask起一个API，每次更新模型就手动替换文件、重启服务。这种方式在模型少的时候还能凑合，模型一多就乱套了——版本管理混乱、回滚困难、无法做A/B测试。

后来我们迁移到了MLflow做模型管理，每个模型有版本号、有训练参数、有评估指标，部署时通过MLflow的API加载指定版本的模型。再后来上了Kubernetes，每个模型服务打包成Docker镜像，用K8s做编排和自动扩缩容。

这里有个关键决策：模型推理是放在CPU还是GPU上。我们的预测模型（LightGBM）在CPU上跑就够快，优化模型（Gurobi）也是CPU密集型，只有深度学习模型（LSTM）需要GPU。所以我们的做法是混合部署——CPU节点跑树模型和优化，GPU节点跑深度学习，通过服务网格做流量调度。

4.3 实时性保障：从秒级到毫秒级的优化

电力交易对实时性要求很高。日前市场的报价截止时间是固定的，但实时市场的滚动撮合是分钟级甚至秒级的。我们的系统在实时市场的延迟要求是：从数据更新到策略输出，全程不超过30秒。

为了达到这个目标，我们做了几件事：

• 数据预取：提前把可能需要的数据加载到内存，减少IO等待
• 模型轻量化：预测模型用LightGBM而不是深度学习，推理速度快一个数量级
• 缓存策略：对重复计算的结果做缓存，比如同样的负荷场景直接返回缓存策略
• 异步处理：非关键路径的操作（如日志记录、监控上报）异步化，不阻塞主流程

实测下来，端到端延迟能控制在15秒左右，满足实时市场的要求。

5. 踩坑实录：那些文档里不会写的教训

5.1 数据泄漏：一个让模型“看起来很美”的陷阱

数据泄漏是电力交易AI里最隐蔽的坑。我们有一次做价格预测，模型在测试集上的准确率高达95%，上线后实际准确率只有60%。排查了很久才发现，特征里有一个“日前出清价格”的字段，这个字段在预测时点其实是不可知的——它是预测目标本身，只是数据表里恰好有这一列。

数据泄漏的常见形式包括：

• 时间泄漏：用了未来才知道的信息做特征
• 目标泄漏：特征里包含了预测目标的信息
• 样本泄漏：训练集和测试集有重叠样本

防范数据泄漏的方法是：严格按时间划分训练集和测试集，特征工程时仔细检查每个特征的可得时间。我们后来加了一个“特征时间戳”机制，每个特征标注它在预测时点是否可得，不可得的特征自动排除。

5.2 市场规则变化：模型刚上线就失效

电力市场规则变化频繁，今天还是“全电量申报”，明天可能改成“部分电量申报”；今天还是“统一出清”，明天可能改成“分区出清”。规则一变，模型的输入输出结构可能就要调整。

我们有一次做了一个报价策略模型，上线第二周市场规则调整，申报方式从“三段式”改成“五段式”，模型直接失效。后来我们的做法是：把市场规则抽象成配置，模型不直接处理规则细节，而是通过配置层做适配。规则变化时只需要改配置，不需要改模型代码。

5.3 交易员的信任问题：AI说东，交易员偏要往西

技术问题好解决，人的问题难解决。我们系统刚上线时，交易员不信任AI的建议，觉得“机器懂什么电力交易”。有一次AI建议低价申报，交易员凭经验改成了高价，结果当天出清价格偏低，高价申报导致没有中标，损失了不少收益。

建立信任的关键是透明和渐进。我们的做法是：

• 初期AI只做“建议”，不做“决策”，交易员可以采纳也可以修改
• 每次AI建议和交易员决策不一致时，系统记录原因，定期复盘
• 逐步展示AI在历史回测中的表现，用数据说话
• 让交易员参与模型的特征选择和参数调整，增强参与感

大概用了三个月，交易员对AI建议的采纳率从30%提升到了75%。

5.4 极端场景：当新能源出力预测完全失准

新能源出力预测在极端天气下会完全失准。我们遇到过一次，天气预报说晴天，结果当天来了沙尘暴，光伏出力从预测的80%骤降到10%。AI系统基于错误的预测给出了激进的报价策略，导致实时市场偏差考核罚款。

这件事之后，我们加了极端场景检测机制：当预测值和实际值的偏差超过阈值时，系统自动切换到保守策略，并通知交易员人工介入。同时，我们在优化模型里增加了“鲁棒性约束”，让策略在预测偏差较大的情况下也不会产生灾难性损失。

6. 效果评估与持续迭代：AI辅助系统到底值不值

6.1 怎么衡量一个电力交易AI系统的价值

衡量AI辅助系统的价值，不能只看“预测准确率”这种技术指标，要看业务指标。我们关注的业务指标包括：

• 收益提升：使用AI辅助后，交易收益相比人工决策提升了多少
• 偏差考核减少：实时市场的偏差考核罚款减少了多少
• 决策效率：交易员制定策略的时间缩短了多少
• 风险控制：CVaR等风险指标是否在可控范围内

实测数据是：收益提升约8%-12%，偏差考核减少约30%，决策时间从平均2小时缩短到30分钟。这个提升幅度在电力交易领域已经相当可观了，因为电力市场的利润率本身就不高，几个百分点的提升就能显著改善电厂的经营状况。

6.2 模型迭代：为什么每周都要重新训练

电力市场的分布是漂移的——负荷模式在变、新能源装机在增加、市场参与者在变、规则在变。模型如果长期不更新，效果会逐渐衰减。我们的做法是每周重新训练一次预测模型，每月重新校准一次优化模型的参数。

重新训练不是简单的“用新数据跑一遍”，而是要监控模型效果，判断是正常波动还是真的衰减了。我们建了一个模型监控看板，跟踪每个模型的预测偏差、特征重要性变化、策略收益变化。当某个指标连续一周下降超过阈值时，触发告警，人工介入分析。

6.3 人机协作的最佳实践：AI做粗筛，人做精调

跑了两年多，我们总结出的人机协作模式是：AI做粗筛，人做精调。AI负责处理海量数据、生成初始策略、做风险扫描；交易员负责审核策略、根据市场直觉做微调、处理极端场景。

这种模式的好处是兼顾了效率和灵活性。AI擅长的是“在大量可能性中快速找到可行解”，人擅长的是“在模糊信息下做判断”。两者结合，比纯人工或纯AI都好。

具体操作上，我们给交易员提供了一个“策略编辑器”，AI生成的策略以可视化曲线展示，交易员可以直接拖拽调整申报曲线，系统实时计算调整后的预期收益和风险指标。这样交易员既能利用AI的算力，又能发挥自己的经验。

7. 下一步：多市场协同与AI Agent的探索

7.1 从单市场到多市场：优化问题的维度爆炸

现在的系统主要针对日前和实时两个市场，下一步要扩展到辅助服务市场、容量市场、绿证市场。多市场协同的优化问题维度会大幅增加——同一个机组在不同市场的申报量要统筹，不同市场的出清时序有先后，市场间的耦合约束很复杂。

我们初步的方案是用分层优化：上层做多市场间的容量分配，下层做每个市场的报价策略。上层用随机规划处理市场间的不确定性，下层用MIP做精细优化。这个方案还在验证阶段，计算复杂度是个挑战。

7.2 AI Agent在电力交易中的可能形态

AI Agent是最近很热的概念，在电力交易场景下，我觉得可能的应用形态是“交易助手Agent”——它不只是被动地响应查询，而是主动监控市场动态、发现交易机会、提醒交易员关注。

比如，Agent可以实时监控新能源出力预测的变化，当发现预测偏差可能导致实时市场价格波动时，主动提醒交易员调整策略。再比如，Agent可以分析历史交易记录，发现交易员的某些决策模式存在系统性偏差，给出改进建议。

但Agent的落地要谨慎。电力交易是高风险场景，Agent的自主决策权限要严格限制，初期只能做“建议”和“提醒”，不能直接下单。而且Agent的决策逻辑要可审计、可追溯，出了问题要能定位原因。

7.3 大模型能做什么：从报告生成到策略解释

大模型在电力交易里最直接的应用是报告生成和策略解释。交易员每天要写交易日报、周报、月报，这些报告有固定格式，但数据填充和文字组织很耗时。用大模型可以自动生成报告初稿，交易员只需要审核和修改。

另一个应用是策略解释。AI生成的报价策略，交易员需要理解“为什么这么报”。大模型可以把优化模型的数学语言翻译成自然语言，比如“因为预测明天下午光伏出力较高，实时价格可能走低，所以建议在日前市场多申报电量，锁定收益”。这种解释能显著提升交易员对AI的信任度。

不过大模型在电力交易里的应用要特别注意数据安全和幻觉问题。交易数据不能随便传给外部大模型，我们用的是本地部署的开源模型。幻觉问题在策略解释场景下尤其危险，如果大模型编造了一个不存在的市场规则来解释策略，交易员可能被误导。我们的做法是让大模型只做“翻译”，不做“推理”，所有事实性内容都从结构化数据中提取，大模型只负责组织语言。

8. 给正在做电力交易AI的同行几句实在话

第一，别一上来就搞大模型。电力交易的核心是预测和优化，这两个任务用传统机器学习方法（LightGBM、MIP）就能做得很好。大模型是锦上添花，不是雪中送炭。先把数据管道打通、把基础模型跑通、把业务流程理顺，再考虑上大模型。

第二，可解释性比精度更重要。在电力交易场景下，一个准确率85%但可解释的模型，比一个准确率90%但黑箱的模型更有价值。交易员需要理解模型为什么给出这个建议，才能信任它、采纳它。

第三，人机协作是长期状态。不要想着用AI完全替代交易员，至少在可预见的未来，电力交易还是需要人的判断。AI的价值是放大交易员的能力，而不是取代他们。设计系统时要把交易员放在中心位置，而不是把AI放在中心位置。

第四，持续迭代比一次性完美更重要。电力市场在变，模型必须跟着变。建立一套模型监控和迭代机制，比一次性做一个“完美”的模型更有价值。我们的系统跑了两年多，模型版本迭代了几十次，每次迭代都是一点点改进，积累下来效果就很明显了。

第五，安全合规是底线。电力交易涉及能源安全和市场公平，AI系统的所有决策都要可审计、可追溯、可解释。不要为了追求效果而牺牲合规性，这条底线不能破。