a5c0a2ccc9
Makes the repo fully bilingual: every _en.md now has a matching _zh.md sibling with identical section structure. New translations: - primers/technical_newsvendor_zh.md - primers/technical_scuc_sced_zh.md - primers/technical_stochastic_optimization_zh.md - markets/us/field_guide_zh.md - markets/us/forecasting_open_ecosystem_zh.md README: link the new _zh docs and drop the "EN only" / awaiting-translation markers. Translations follow house conventions (CJK bold padding, arabic section-number parity, shared bilingual glossary, _zh cross-doc links). Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>
371 lines
44 KiB
Markdown
371 lines
44 KiB
Markdown
# 美国电力市场：实战指南
|
||
|
||
*报价、交易，以及 AI 带来的影响 —— 汇编自 2026 年 7 月一系列工作研讨。*
|
||
|
||
---
|
||
|
||
## 目录
|
||
|
||
1. [市场如何出清](#1-市场如何出清)
|
||
2. [市场主体如何竞争](#2-市场主体如何竞争)
|
||
3. [真正的优势藏在哪里](#3-真正的优势藏在哪里)
|
||
4. [AI 如何改变格局](#4-ai-如何改变格局)
|
||
5. [搭建一套报价系统](#5-搭建一套报价系统)
|
||
6. [中国：市场结构与落地](#6-中国市场结构与落地)
|
||
7. [开放问题](#7-开放问题)
|
||
8. [参考资料与延伸阅读](#8-参考资料与延伸阅读)
|
||
|
||
---
|
||
|
||
## 1. 市场如何出清
|
||
|
||
整个格局分裂为两个世界： **市场运营机构** （美国七大 ISO/RTO —— PJM、CAISO、ERCOT、MISO、NYISO、SPP、ISO-NE）负责 *出清* 市场，而 **市场主体** （发电商、电池、交易员、对冲基金）向市场 *报价* 。本指南中的一切，都落在这条分界线的某一侧。
|
||
|
||
### 1.1 出清算法（ISO/RTO 侧）
|
||
|
||
其核心是大规模的 **混合整数规划** ，而非机器学习：
|
||
|
||
- **SCUC（安全约束机组组合）** 出清日前市场 —— 一个庞大的 MILP，用商业求解器（Gurobi / CPLEX / Xpress）求解，在网络与可靠性约束下决定机组组合。
|
||
- **SCED（安全约束经济调度）** 在实时市场中每 5 分钟运行一次（LP/QP），产出 **节点边际电价（LMP）** ，并将其分解为能量 + 阻塞 + 损耗。
|
||
- 能量与辅助服务在同一次出清中联合优化。
|
||
|
||
**出清侧的活跃前沿：** 针对非凸性的凸包定价 / 扩展 LMP；应对可再生能源不确定性的随机机组组合与鲁棒机组组合；以及机器学习加速的优化 —— 学习式热启动、有效约束预测、输电约束筛选（由 ARPA-E 电网优化竞赛推动）。
|
||
|
||
### 1.2 两结算体系：日前 vs. 实时
|
||
|
||
七大 ISO 全部采用两结算（日前 + 实时）设计。 **一句话概括：日前是成交量和资金所在，实时是风险所在。**
|
||
|
||
**日前市场（DAM）**
|
||
- 在多数设计中是主市场；美国 ISO 中约 90–95%+ 的物理电量以日前价格进行财务结算
|
||
- 每日通过一次拍卖出清，带完整网络建模
|
||
- 是远期曲线的参考价格；多数套保以此为锚
|
||
- 是经典学术意义上的电价预测（EPF）问题
|
||
|
||
**实时（平衡）市场**
|
||
- 仅结算相对日前头寸的偏差 —— 成交量小，但波动极大
|
||
- 价格可在几分钟内从 $30 冲到 $3,000+/MWh（或深度负值）
|
||
- 对以下场景至关重要：风险管理、电池、快速爬坡的调峰机组、需求响应、日前–实时价差交易者
|
||
- 电池运营商的能量套利收入往往主要来自实时波动
|
||
|
||
预期实时价格锚定日前价格（虚拟报价平均而言会套利二者的差异），但实现的实时价格噪声要大得多。对多数市场主体而言，实用的预测优先级是：（1）日前小时价格，（2）日前–实时价差，（3）日内/实时 —— 若你运营储能或快速响应资产，则此顺序 *反转* 。
|
||
|
||
参与者侧独具美国特色的要素： **虚拟报价** （INC/DEC）、 **FTR/CRR 拍卖** ，以及快速增长的 **电池储能报价** 这一专门领域。
|
||
|
||
---
|
||
|
||
## 2. 市场主体如何竞争
|
||
|
||
### 2.1 电价预测：一切的基础
|
||
|
||
电力无法大规模存储，因此价格反映的是瞬时供需平衡，既可能飙升也可能转负。预测方法可归为三大类，通常混合使用：
|
||
|
||
**基本面（结构）模型** 直接模拟市场本身：负荷预测 vs. 供给曲线（经济调度序位）。关键输入：燃料价格（尤其是天然气，它常常决定边际），可再生能源出力预测，计划内/计划外停运，输电约束，进口/出口。工具：PLEXOS、Aurora、内部的生产成本 / 调度仿真。公用事业公司、大型发电商和 ISO 大量使用。
|
||
|
||
**统计 / 计量经济模型** —— ARIMA/ARIMAX、用于波动率的 GARCH，以及对温度、天然气、负荷的回归。它们利用强烈的季节性（时段、星期、季节），在"正常"条件和短期预测上表现最佳。
|
||
|
||
**机器学习模型** —— 梯度提升树、神经网络（LSTM、基于 Transformer 的模型），在天气、负荷、可再生能源、价格、燃料和停运数据上训练。成熟的团队会预测 **完整分布** ，而不只是均值 —— 赚钱或亏钱都发生在分布的尾部。
|
||
|
||
**实践中：混合。** 用基本面模型给出结构性形态 + 机器学习/统计修正 + 人工交易员判断，尤其针对模型难以处理的事件（寒潮、机组跳闸、异常电网状况）。
|
||
|
||
**通用关键输入：** 天气预报（最大的单一驱动因素）、天然气价格、可再生能源发电预测、停运计划、输电/阻塞状况。
|
||
|
||
**技术前沿。** 基准的演进路径是 **LEAR（正则化线性/LASSO）→ 深度神经网络 → 时序架构（LSTM、Transformer）** 。Transformer 模型如今已用于在波动剧烈的市场（如 ERCOT）中预测日前–实时价差，利用负荷 / 光伏 / 风电预测及时序特征，并配合逐步向前（walk-forward）的再训练。调优良好的线性模型仍出人意料地有竞争力；带在线学习的线性+非线性混合架构是当前的一个前沿。实用的 SOTA 正日益走向 **概率化** —— 分位数回归、分布式深度网络、保形预测 —— 因为决策需要的是完整分布，而不是点预测。
|
||
|
||
### 2.2 策略性报价优化
|
||
|
||
面向价格制定者的两大 SOTA 框架： **双层优化（MPEC 式）** 与 **强化学习** 。深度强化学习（DDPG + 优先经验回放、PPO、SAC）能处理连续的状态/动作空间和非凸的运行特性。但 **随机规划与鲁棒优化仍是主力** ，用于在不确定性下联合优化能量 + 辅助服务报价，并以条件风险价值（CVaR）作为标准的风险叠加。
|
||
|
||
### 2.3 电池储能套利（最热门的领域）
|
||
|
||
- 经典方法：随机动态规划、在价格情景上的模型预测控制（MPC）、将退化成本纳入目标函数。
|
||
- 现代方法：用深度强化学习学习充放电策略； **决策导向学习** （预测以利润为训练目标，而非以准确度为目标 —— 见 §4.4）。
|
||
- 研究前沿：分层 / 多智能体强化学习，在两结算体系下协调日前 + 实时报价，并采用风险调整后的奖励（固定策略在市场机制切换下表现挣扎）。
|
||
- 行业实践：优化商（Habitat Energy、Gridmatic、Tyba、Fluence Mosaic）以商业化方式运行机器学习预测 + 优化技术栈。
|
||
|
||
### 2.4 虚拟报价与金融交易（INC、DEC、FTR）
|
||
|
||
本质上就是量化交易：用梯度提升树（XGBoost/LightGBM）和深度网络在节点粒度上预测日前–实时价差，特征取自天气、负荷/可再生能源预测误差、停运和阻塞模式。组合构建在风险限额下进行；FTR 拍卖还额外引入了阻塞租金的情景优化。
|
||
|
||
### 2.5 新兴方向
|
||
|
||
- **在线 / 无悔学习** —— 报价策略直接从市场结果中更新，并带有次线性的悔值保证。
|
||
- **多智能体强化学习** —— 用于市场仿真和市场力分析的纳什均衡近似。
|
||
- **LLM 增强的交易框架** —— 非常早期，开始出现在文献中。
|
||
- **开源基准** —— Grid2Op、RL2Grid、新的两结算报价环境。
|
||
|
||
### 2.6 行业现实核查
|
||
|
||
真金白银大多仍靠 **强概率预测 + 经典优化（随机 MIP/MPC）+ 人工交易员判断** 赚取。强化学习目前主要在少数几家成熟团队的储能调度中进入生产。深度学习显然已在 *预测* 层胜出； *决策* 层仍由带机器学习输入的优化主导。
|
||
|
||
> **一句话概括前沿：** 深度学习/Transformer 已赢下预测层；强化学习正在争夺优化层，但尚未取代随机优化。
|
||
|
||
两点微妙之处：这两次变革处于 **不同的成熟阶段** —— 深度学习在预测中的接管已经完成（并日益概率化），而强化学习在决策中仍是挑战者，面对的是已部署的随机优化 / MPC。而且 **两层之间的边界正在消融** ：决策导向学习直接以交易利润为目标训练预测，把"先预测后优化"折叠成单一的学习式管线 —— 这可以说是当前最有意思的研究方向（§4.4）。
|
||
|
||
### 2.7 速查表
|
||
|
||
| 层 | 已部署的标准做法 | 研究前沿 |
|
||
|---|---|---|
|
||
| 市场出清（ISO） | MILP SCUC + LP SCED、LMP | 凸包定价、随机机组组合、机器学习加速的优化 |
|
||
| 电价预测 | 概率深度网络、GBT、调优的线性模型 | Transformer、混合+在线学习、保形预测 |
|
||
| 报价/调度决策 | 随机规划、MPC、双层 MPEC | 深度强化学习（DDPG/PPO/SAC）、分层与多智能体强化学习、无悔在线学习 |
|
||
| 预测↔决策接口 | 两阶段先预测后优化 | 决策导向 / 端到端学习 |
|
||
| 储能套利 | MPC + 概率预测 | 决策导向学习（DFL）、风险感知的分层强化学习 |
|
||
| 虚拟报价 / FTR | GBT/DNN 价差模型 + 组合风险限额 | Transformer 价差预测、LLM 增强框架 |
|
||
|
||
---
|
||
|
||
## 3. 真正的优势藏在哪里
|
||
|
||
### 3.1 可持续优势的层级结构
|
||
|
||
任何报价系统都可分解为三个功能层：一个 **数据与预测层** ，将天气、电网和市场数据转化为经过校准的概率分布；一个 **优化层** ，在风险约束下将分布转化为报价曲线和头寸；以及一个 **执行与风险层** ，负责提交报价、监控头寸、结算并强化纪律。
|
||
|
||
这些层的竞争价值并不相等：
|
||
|
||
1. **预测质量与校准** 占主导。两个市场主体在不同预测上运行相同的优化器，其盈亏会大幅分化；而两个市场主体在相同预测上运行不同（但都够格）的优化器，其结果会相当接近。
|
||
2. **执行与风险纪律** 排第二。在拥挤的策略中，那个每个时段都重新优化、从不错过提交窗口、并按自身规则止损的团队，会跑赢不这么做的团队，即便前者没有任何分析上的优势。
|
||
3. **优化器建模** 排第三。底层数学（分位数报价、两阶段随机规划、CVaR 约束、储能 MILP）都已公开、已成为通用品；各团队之间的差异在于工艺，而非理论。
|
||
|
||
对搭建的启示：把最好的工程力量花在预测和回测上，中间层用无聊但久经验证的数学，并把运行可靠性当作一项功能来对待。
|
||
|
||
### 3.2 内幕信息的迷思（PJM / SCUC-SCED）
|
||
|
||
一个自然的担忧：一家掌握 PJM 出清算法内情 —— 或是流入其中的报价内情 —— 的供应商，难道不会碾压所有竞争对手吗？这一担忧在细究之下便烟消云散。
|
||
|
||
**其实并不真正保密的东西。** *算法* 本身：SCUC/SCED 是标准的 MIP/LP 建模，被详尽记录在案（PJM Manual 11/12、OATT、业务实践手册），用 CPLEX/Gurobi 级别的商业求解器求解。有能力的量化团队会依据公开文档搭建"影子 SCED"模型。
|
||
|
||
**真正保密 —— 且受法律围栏保护的东西：**
|
||
|
||
| 项目 | 它是什么 | 为何它具有决定性 |
|
||
|---|---|---|
|
||
| **其他主体的报价/出价** | 仅以脱敏形式发布，约 4 个月滞后 | 日前价格是这些报价的涌现函数 |
|
||
| **网络状态** | 状态估计器的实时视图：潮流、电压、拓扑、约束裕度 | 知道下一个将起约束作用的约束 = 在节点价格分化发生之前就看到它 |
|
||
| **出力降额** | 机组能力的实时下调（例如一台 900 MW 机组降到 600 MW） | 供给比市场所认为的更紧张 → 在价格飙升之前布好头寸；FERC 案件中经典的重大非公开信息（MNPI） |
|
||
| **调度指令** | 5 分钟 SCED 设定值 + 市场之外的运营动作（可靠性组合、手动调度） | 揭示外部模型看不见的决策；可靠性组合会扭曲局部价格 |
|
||
|
||
使用这些是 **联邦犯罪** ，而非供应商的优势：FERC 反操纵规则（EPAct 2005 之后）涵盖基于重大非公开信息的交易；PJM 员工和系统供应商受保密和交易禁令约束；独立市场监测机构（Monitoring Analytics —— 独立于 PJM 之外）和 FERC 执法办公室会筛查异常盈利。已有先例 —— 针对个人基于非公开电网信息交易的执法案件，而 Powhatan/UTC 事件也表明，即便是激进地钻规则空子，FERC 也会追究。
|
||
|
||
**为何完美掌握算法本身也走不了多远。** SCED 在 *给定其输入* 时是确定性的，但这些输入事先无从知晓 —— 连 PJM 也不知道。日前价格取决于尚未提交的报价；实时价格取决于强迫停运、天气误差、联络线交换和起约束作用的约束。价格是成千上万私人决策加上物理随机性所涌现的产物。
|
||
|
||
**真正的差异化在于别处：** 更好的天气集合预报与负荷/可再生能源模型； **预测哪些输电约束将起约束作用** （这是节点市场中真正困难、高价值的问题）；从滞后的公开数据建模报价行为；重建网络拓扑（CEII 模型访问权、FTR 结果、历史影子价格）。
|
||
|
||
**诚实的残余部分：** EMS/市场软件供应商和前 ISO 员工带着合法的"软"内幕知识 —— 运营人员行为、求解器怪癖、市场之外的动作。它有价值、普遍存在，且合法。真正的护城河： *那些懂得七月稀缺日傍晚 6 点控制室实际会如何运作的人。*
|
||
|
||
### 3.3 准确的电价预测真是最有价值的事吗？
|
||
|
||
**不是 —— 对多数市场主体而言，点预测是一项输入，很少是差异化的关键。**
|
||
|
||
**发电商：期权性与风险，而非预测。** 分布的右尾比均值重要得多 —— 一台调峰机组一年的收入靠寥寥数个稀缺小时挣得；问题在于是 3 个还是 30 个稀缺小时，而不是均价上下浮动 $2/MWh。 **电量–价格相关性风险** 主导套保：恰好在价格飙升时被迫退出（冬季风暴"乌里"（Uri）：远期卖出的发电商在机组冻结时以 $9,000/MWh 买回）。而经济学运行在 **价差而非价格** 之上：火花价差（天然气）、暗价差（煤）、顶底价差（电池）。
|
||
|
||
**售电主体 / 大买家：负荷预测胜过电价预测。** 敞口是平方级的 —— 炎热的一天意味着高负荷 *且* 高价格。最有价值的是：你自己的负荷预测、套保比例政策，以及形态风险管理。ERCOT 零售商的破产（Griddy）源于未对冲的结构性敞口，而非糟糕的电价预测。
|
||
|
||
**金融交易者：相对价值、尾部、速度。** 钱在 **价差与阻塞** 里（日前–实时虚拟、UTC、FTR、枢纽到节点的基差）—— 本事在于预测哪些约束会起约束作用。 **校准胜过准确度** ：校准良好的尾部加上恰当的仓位，会跑赢一个更锐利的点预测，并能在爆仓中幸存。 **速度** 很重要：比市场重新定价更快地对机组跳闸、天气模型运行和联络线交换变化作出反应。
|
||
|
||
**可以说比任何预测都更重要的东西：**
|
||
|
||
1. **风险管理与资本纪律** —— 坟场里堆满的是风控失败，而非预测失败（GreenHat 的 FTR 违约，1.8 亿美元+被社会化分摊；"乌里"事件的伤亡者）。 *大致正确且确保有偿付能力* 才是赢家。
|
||
2. **结构性期权性** —— 电池需要一套好的响应 *策略* ，而非一个预测；做市商赚取价差；结构化交易台赚取风险转移的利润。
|
||
3. **理解底层管道** —— 结算规则、附加费用/补足支付、信用机制、FTR 拍卖的怪癖、紧急情况下运营人员的自由裁量。规则知识是持久的；预测优势会衰减。
|
||
4. **天气作为上游输入** —— 许多公司最有价值的单一专有资产就是其天气集合预报的处理能力；电价预测在很大程度上是天气 + 燃料 + 停运的衍生物。
|
||
|
||
> **综合：电价预测是必要的，但护城河低；风险结构化以及对约束/网络的洞察才是真正的差异化因素。** 稀缺的能力是：（a）校准良好的尾部分布，（b）节点级的阻塞洞察，（c）能在判断错误时幸存下来的仓位控制纪律，以及（d）规则/底层管道的专业知识 —— 因此各公司为前控制室运营人员、网络工程师和风险经理支付溢价，其急切程度不亚于对预测人才。 **预测只是入场底注；其他那些才是这场牌局。**
|
||
|
||
---
|
||
|
||
## 4. AI 如何改变格局
|
||
|
||
§3.1 的三层分解是评估当前这波 AI 浪潮的正确视角，因为近来的进展落在各层上极不均匀 —— 而且，很凑巧地，它们恰恰最猛烈地落在最重要的那一层上。
|
||
|
||
| 层 | 优势排名 | AI 影响 | 成熟度 | 采纳姿态 |
|
||
|---|---|---|---|---|
|
||
| 预测 | 第 1 | 阶跃式变化（AI 天气集合预报） | 现已投入运行 | 积极采纳；优势正在衰减 |
|
||
| 执行 / 风险运营 | 第 2 | 影响大但不起眼（LLM 运营） | 具备人工复核即可投产 | 悄悄采纳；优势会复利累积 |
|
||
| 优化器 | 第 3 | 渐进式（决策导向学习） | 研究 → 早期实践 | 试验；保持可审计的结构 |
|
||
|
||
### 4.1 第 1 层 —— 预测：真正的阶跃式变化
|
||
|
||
**AI 天气模型的转变。** 对电力交易而言，最具影响力的 AI 进展不是强化学习或语言模型；而是用学习式大气模型替代（或增强）基于物理的数值天气预报（NWP）。里程碑序列短促而陡峭：华为的 **Pangu-Weather** （Nature，2023 年 7 月）在同行评审测试中展示出比传统集合系统快约 10,000 倍的预报；Google DeepMind 的 **GraphCast** （Science，2023 年 12 月）在约 1,380 个验证目标中的约 90% 上超越了 ECMWF 的旗舰 HRES 确定性模型；ECMWF 于 2024 年将其基于 AI 的 **AIFS** 模型转为运行状态 —— 成为首个将学习式模型投入运行的大型气象机构；微软的 **Aurora** 基础模型（Nature，2025 年 5 月）在超过一百万小时的地球物理数据上预训练，以传统计算成本的一小部分，把这一方法扩展到天气、空气质量和海浪预测；而 DeepMind 的 **GenCast** 则把这一架构族推向了概率集合预报。
|
||
|
||
**学习式大气模型如何工作。** 神经网络接受训练 —— 大多在 ERA5 再分析（约 45 年的逐小时全球大气状态）之上 —— 直接学习"t 时刻的大气 → t+6h 时刻的大气"这一映射，用单次前向传播替代对物理方程的数值积分。架构涵盖三维视觉 Transformer（Pangu）、二十面体网格图神经网络（GraphCast）、图/Transformer 混合体（AIFS）、采样可能未来的扩散模型（GenCast —— 原生概率化），以及预训练的地球物理基础模型（Aurora）。预报以自回归方式滚动展开，这会累积误差，并且 —— 在 MSE 训练下 —— 产生渐进式平滑，从而低估极端值。关键依赖：它们仍然需要来自物理管线的初始条件；数据同化并未被替代。全球分辨率（约 25–31 km）意味着站点级的降尺度/校准更重要，而非更不重要。
|
||
|
||
**为何经济性比排行榜更重要。** 传统 NWP 在超级计算机上对三维网格单元求解微分方程，每天刷新两到四次，每次的成本达数千美元。学习式模型在 GPU 上于数秒到数分钟内运行，在 12–48 小时的日前窗口内达到准确度对等。由此引出三个后果：
|
||
|
||
- **速度 → 概率。** 当一次预报运行只花几秒的 GPU 时间时，生成数十乃至数百个集合成员就变得微不足道。整条下游报价管线消耗的是概率分布 —— 用于日前报价的生产分位数、用于失衡风险的价差分布 —— 因此集合预报的经济性直接转化为校准更好的输入，从而带来更好的报价。这是从"近来的 AI"到报价盈亏之间最清晰的因果路径。
|
||
- **速度 → 新鲜度。** 商业 AI 天气供应商如今宣称每天多达 24 次运行，而传统 NWP 只有 2–4 次。在两结算市场中，更新鲜的预报在日前收盘到实时交割之间最为重要：实时再报价、日内头寸调整，以及风电和光伏组合的失衡管理。
|
||
- **速度 → 迭代（与进入门槛）。** 廉价的重预报驱动回测，而开放的模型权重加上公开的初始条件数据，让任何拥有 GPU 的团队都能获得接近 SOTA 的全球预报 —— 这套基础设施此前需要一个国家气象部门或一份昂贵的供应商合同。
|
||
|
||
**注意事项与失效模式。** 三点注意事项让这一切保持诚实：
|
||
|
||
1. **极端值是薄弱环节。** 以均方误差为目标训练的模型会产生平滑的场，从而系统性地低估陡峭梯度 —— 例如剧烈风暴中的峰值风速。电力市场恰恰在尾部赚钱或亏钱（稀缺事件、爬坡、结冰），因此一个在平均 RMSE 上取胜的模型，对于那些主导年度盈亏的小时来说，仍可能是错误的工具。集合式与生成式方法（GenCast 式）能缓解但无法消除这一点。任何采纳计划都应包含针对你自己资产历史的、尾部专项的验证，而不只是看头条的技巧评分。
|
||
2. **供应商声称需要独立验证。** 商业 AI 天气领域尚年轻，营销味浓。实用的检验是：做一次付费试点，在 *你的* 节点、 *你的* 变量（轮毂高度风速、阵列平面辐照度、温度驱动的负荷）和 *你的* 损失函数上，与你现有的供应商打分对比 —— 最好用下游的交易指标，而不是气象 RMSE。
|
||
3. **优势会衰减。** 这些模型开放或可低价获取，因此仅仅"使用它们"所带来的优势会随采纳扩散而被侵蚀。公开的 AI 抬高了所有人的地板。它无法商品化的，是你把它与什么结合：用于本地校准的专有资产遥测、面向你特定站点的降尺度，以及 —— 最重要的 —— 从天气到 *节点价格* 的转换，而这要经由阻塞。
|
||
|
||
**天气的下游：价格、负荷、阻塞。** 电价预测已从经典时序方法转向梯度提升树，并日益转向 Transformer 和时序基础模型；实际收益最大的地方在于对日前/实时价差的概率（分位数）预测，这正是给可再生能源失衡风险定价的输入。负荷预测受益于同样的架构，外加改进的温度输入。 **阻塞与节点基差预测仍是最难、最未被商品化的问题** —— 学习从系统状况到起约束作用的输电约束之间的映射 —— 而正因为几乎没人能做好它，这里也正是预测层投资保留最持久优势之处。编码电网拓扑的图神经网络是活跃的研究方向；没有任何供应商在卖一套值得拥有的交钥匙方案。
|
||
|
||
*第 1 层综合：尽早且积极地采纳 AI 天气集合预报，独立验证尾部，并把省下的预算再投入公开模型无法提供的两件事 —— 针对你自己遥测的本地校准，以及节点阻塞建模。*
|
||
|
||
### 4.2 第 2 层 —— 执行、运营与风险：LLM 悄然取胜
|
||
|
||
这一层被供应商营销所忽视，而这恰恰是它被低估的原因。它是不起眼的后台工作 —— 但它攻击的是排名第二的优势来源，因为有人工复核输出而模型风险低，且其收益会复利累积。
|
||
|
||
**市场规则智能。** 美国 ISO 的参与受制于数千页的关税、业务实践手册，以及源源不断的市场通知、协议修订和 FERC 备案。搭建报价系统的工程师们一致地把这个 —— 而非数学 —— 认定为最主要的成本。这几乎是一个理想的 LLM 工作负载：对你所交易的每个 ISO 的关税和手册集合建立检索语料；对每日市场通知进行自动分诊，标记出任何触及你报价参数、结算公式或辅助产品定义的内容；以及将协议修订与你的优化器所编码的假设进行变更差异比对。需要工程性防范的失效模式是虚构的规则引用 —— 缓解手段是标准的（以检索为依据的回答、强制引用来源段落、对任何改变系统行为的内容强制人工签字）。
|
||
|
||
**合规文档与套保/投机的边界。** 对任何同时运行物理资产和金融头寸的团队而言，FERC 操纵风险使文档成为头等大事：每一笔物理报价都应能作为"资产利润最大化"独立地站得住脚，并留有记录。LLM 非常适合生成这类记录 —— 从优化器自身的输入和输出（所用的预测分位数、起约束作用的约束、相对中性基线的偏离及其原因）以一致、可审计的语言起草每日报价理由文档。这把交易团队长期投入不足的合规负担，转化为报价运行的一个基本自动化的副产品，并实质性地强化了套保账户与投机账户之间的架构分离（§5.2）。
|
||
|
||
**结算、监控与事件响应。** 影子结算 —— 独立重新计算 ISO 应付给你的金额并对差异提出争议 —— 是高价值、细节繁重的工作，混合了结构化数据与非结构化的规则文本：同样是天然的"LLM + 工具"工作负载（解析结算单、与内部计算核对、起草带规则引用的争议申请）。夜间运营监控（遥测异常、错过的调度指令、提交截止前的预测数据源故障）同样受益于一个具备自主能力的层，它负责分诊、汇总并升级，而不是事事都呼叫人工。
|
||
|
||
**工程速度。** 一个二阶但真实的效应：具备自主能力的编码工具压缩了整个系统的搭建周期 —— ISO API 集成、回测框架、数据管线 —— 这对那些与拥有庞大工程团队的老牌对手竞争的小团队尤其有利。2026 年 SOTA 的报价团队，未必是拥有最奇特模型的那家；往往是那家五名工程师能像二十人一样交付的团队。
|
||
|
||
*第 2 层综合：把 LLM 部署为以检索为依据的分析师和起草者，横跨市场规则、合规、结算和监控，并始终在动作发生点保留人工复核。这种优势安静、可防守，而且 —— 因为竞争对手恰恰在这些职能上投入不足 —— 是持久的。*
|
||
|
||
### 4.3 第 3 层 —— 优化器：设计上就是渐进的，而这没问题
|
||
|
||
优化数学从来都不是瓶颈。面向可再生能源的报童式分位数报价、带 CVaR 的两阶段随机规划，以及面向储能的 MILP/动态规划建模，都已公开、被教授、并可用商业或开源求解器高效求解。它们也是 **可审计的** ：每一笔报价都能追溯到一项预测输入和一条约束，这对内部风险治理和监管辩护都极其重要。任何针对这一层的 AI 提案，都必须同时胜过调优良好的经典方法 *且* 保留可解释性 *且* 界定其失效模式。有两项候选技术值得关注，其成熟度截然不同。
|
||
|
||
### 4.4 决策导向学习：可信的升级
|
||
|
||
传统管线训练预测以最小化统计误差（MSE、弹球损失），然后独立地针对这些预测进行优化 —— 而不考虑预测误差如何传导为决策质量。 **决策导向学习** （DFL，也称价值导向预测或"智能先预测后优化"）把下游优化整合进训练回路，使预测器针对一种悔值式损失进行训练，该损失衡量其预测所诱导的 *决策* 的次优程度。奠基性成果：Donti、Amos 和 Kolter 的基于任务的端到端学习（NeurIPS 2017），以及 Elmachtoub 和 Grigas 的"Smart Predict-then-Optimize"（Management Science 2022）；能源领域的文献已将该框架应用于面向能量和备用市场的日前调度、储能套利与"先预测后报价"框架，以及鲁棒的微电网运行。
|
||
|
||
其核心洞察与报价直接相关： **最准确的预测未必是最有价值的预测。** 一个电价预测可以在改善其平均误差的同时，恰恰在报价决策具有后果的高价格小时上变得更差；文献已反复表明，是某个特定的分位数选择、而非最准确的点预测，才能使交易价值最大化。DFL 把这一直觉形式化并自动化了。关键在于 —— 与端到端强化学习不同 —— 它保留了可审计的优化器：你改变的是预测 *为何而训练* ，而不是由谁来做决策。
|
||
|
||
**投产就绪度：并非普遍就绪 —— 处于后期研究 / 早期采纳。** 已成熟的部分：既有框架（智能先预测后优化、以经验学习、黑盒可微优化器），以及通过凸优化层的隐式微分，已在经济调度和储能套利上得到验证，对于简单的凸问题，在实现利润上持续击败以准确度为目标训练的预测。它尚未跨入广泛生产的原因：
|
||
|
||
1. **通过优化器的微分很脆弱** —— 反向传播没有闭式解；展开（unrolling）有准确度/效率问题；解析方法强加了僵硬的问题形式要求；混合整数/非凸报价需要代理模型、次梯度或扰动估计器（在实践中很脆）。
|
||
2. **不确定性覆盖不全** —— 多数 DFL 只处理目标函数中的不确定性，假设约束参数已知；真实交易处处都是不确定性。
|
||
3. **任务专属性** —— 模型被焊死在一个决策问题上；任何变动（资产规模、市场、报价格式）都迫使重新训练。两阶段管线是模块化的：一份预测可喂给许多决策。
|
||
4. **可解释性 / 风险控制** —— 以利润训练的预测是刻意有偏的，且难以向风险委员会解释；两阶段则让你分别审计预测和决策。
|
||
5. **数据稀缺与机制切换脆弱性** —— 在历史利润上训练的策略，恰恰在市场切换时可能严重退化。
|
||
|
||
近期的评估工作补充了诚实的反面证据：DFL 的收益取决于应用场景，并不总能转化为更高的经济价值，同时通常要求多得多的计算量。采纳障碍在结构上也存在 —— 第三方预测供应商无法针对每个客户的私有损失函数进行训练，而以成本为导向的预测目标缺乏人工复核者所依赖的直观解释（均值、中位数、分位数）。
|
||
|
||
**经验法则：**
|
||
|
||
- **小型凸内层问题 + 简单资产（单个电池、单个市场）：** 对于一支强技术团队，DFL 如今已具备投产可行性。
|
||
- **整数机组组合、多市场联合优化、ISO 报价曲线：** 两阶段概率预测 + 优化仍是已部署的标准，很可能还会持续数年。
|
||
- **务实的折中地带** （许多团队实际的做法）："决策感知"训练 —— 保留两阶段架构，但按经济后果对预测损失加权。收获大部分好处，却几乎没有那些脆弱性。
|
||
|
||
DFL 值得试点， *因为你拥有自己的完整管线* （这是自建相对于外购的一项优势），并应针对一个强分位数预测基线、以实现的交易盈亏（而非预测误差）来评估，且预期它在决策问题不对称之处 —— 储能报价和有失衡敞口的可再生能源报价 —— 回报最大，而非处处均匀受益。
|
||
|
||
### 4.5 强化学习：影子模式，而非生产
|
||
|
||
端到端强化学习 —— 一个直接输出报价曲线的学习式策略 —— 尽管文献浩繁（综述性论文覆盖 150+ 篇），仍绝大多数停留在学术层面。结构性障碍并未松动：以真实市场成本进行现场试错是不可能的，因此策略只能在仿真器中训练，而这些仿真器与真实市场的保真度差距从未被弥合；日前拍卖每年只提供大约 365 个独立样本，是一个残酷的样本效率困境；而一个在稀缺事件中行为失当、又无法解释的策略，既是财务灾难也是监管灾难。
|
||
|
||
强化学习的近亲方法 *确实* 已进入生产的地方很有启发性： **近似/随机动态规划** —— 在序贯决策上的价值函数方法，数学上是强化学习的姊妹 —— 是商业储能优化器内部的标准配置；而学习式策略也可信地部署在 **欧洲的连续日内市场** ，那里每天数千次的下单决策为强化学习提供了它所需的交互密度。
|
||
|
||
对一套美国系统而言，合理的路线图正映射了这一模式：日前拍卖用经典随机优化；强化学习实验限定在实时再报价和日内调整，因为那里决策频繁；在任何资本敞口之前，强制针对生产优化器进行影子模式评估；并且，若强化学习真能凭本事进来，就将其部署为叠加在优化器输出之上的、有界的残差修正，而不是取而代之。
|
||
|
||
### 4.6 供应商的"AI 报价"宣称：实质 vs. 炒作
|
||
|
||
**实质：** 全天候自动报价确实有效，且如今 *可被独立度量* （Modo Energy 的储能优化器排行榜）；机器学习预测确实优于旧方法；仅凭运营上的一致性就能跑赢人工交易台。
|
||
|
||
**炒作套路：** "AI"往往只是把一个标准的 GBM 预测 + LP 优化器包装了一下；提升（uplift）宣称缺乏明确的反事实基准；而仅靠自动化带来的优势会随采纳扩散而被压缩 —— ERCOT 辅助服务的饱和就是明证。
|
||
|
||
**面向任何供应商的尽调问题：** 你在独立基准上排第几？模型架构究竟是什么，你的提升数字背后的反事实是什么？系统在冬季风暴"乌里"（Uri）/ 上一次稀缺事件期间表现如何？收费结构是什么（收入分成 vs. 固定费用）？
|
||
|
||
### 4.7 横切动态
|
||
|
||
**地板抬高；天花板是私有的。** 这里讨论的几乎每一项 AI 进展都是公开或可购买的：开放的天气模型权重、基础时序模型、通用 LLM、已发表的 DFL 方法。它们的扩散压缩了任何单一技术所能提供的优势 —— 这在 ERCOT 电池市场已经显现，那里辅助服务的算法饱和把收入推向了能量套利，并缩小了顶尖与中位运营商之间的差距。持久的差异化迁移到了无法购买之物：专有遥测及其在本地校准中的运用、节点阻塞建模、执行可靠性，以及一套运转良好的风险流程所具备的制度性纪律。
|
||
|
||
**可审计性是一项功能，而非约束。** 监管环境（FERC 操纵原则、ISO 市场监测机构的审视）和内部风险治理，都奖励那些决策能够事后被解释的架构。这是支持"先预测后优化"胜过端到端学习式替代方案的一个真实而常被忽视的论据 —— 也正是为什么最新 AI 中价值最高的应用（天气集合预报、LLM 运营、DFL）恰恰是那些 *强化* 经典架构而非取代它的应用。
|
||
|
||
**独立基准正在改变供应商生态。** 面向储能优化器的第三方排行榜，已用一个共享的参照点取代了供应商自定义的基准，而同样的纪律也应在内部施行：技术栈中的每一次 AI 采纳，都值得配一个反事实（现有方法本会赚到多少？）和一次尾部事件压力测试（这个组件在冬季风暴"乌里"（Uri）或最近一次稀缺事件期间本会如何表现？）。
|
||
|
||
### 4.8 采纳路线图
|
||
|
||
按对投入的预期风险调整回报排序：
|
||
|
||
1. **现在 —— AI 天气集合预报（第 1 层）。** 用一个或多个 AI 天气数据源对比现有供应商做试点，在你的资产和你的交易损失函数上打分，并做明确的尾部验证。集成风险低、盈亏路径直接，且优势正在衰减，回报早行动者。
|
||
2. **现在 —— LLM 运营层（第 2 层）。** 以检索为依据的市场规则助手、自动化的报价理由文档、影子结算分诊，以及具备自主能力的工程工具。在每一个动作发生点都保留人工复核。
|
||
3. **未来两个季度 —— 本地校准与阻塞建模（第 1 层）。** 把天气层省下的钱再投入资产专属的降尺度和节点阻塞预测；这里正是预测优势在商品化中幸存之处。
|
||
4. **未来两个季度 —— DFL 试点（第 3 层）。** 针对一个资产类别（储能或单个风电组合），以实现的报价悔值重新训练生产预测的损失，并针对分位数基线、以交易盈亏（而非预测误差）来评估。
|
||
5. **机会主义地 —— 影子模式下的强化学习（第 3 层）。** 仅限实时再报价；晋升到生产取决于持续的影子模式超额表现和有界动作的部署。
|
||
|
||
贯穿始终的主线：近来的 AI 并未颠覆一套搭建良好的报价系统的架构。它让那套无聊的架构变得更好 —— 输入的分布更锐利、周围的纪律更廉价、内部的目标略微更聪明 —— 而鉴于秘密真正所在之处，这恰恰是搭建者应当想要的结果。
|
||
|
||
---
|
||
|
||
## 5. 搭建一套报价系统
|
||
|
||
### 5.1 面向"可再生能源 + 批发商"报价系统的架构
|
||
|
||
五阶段管线： **数据摄取 → 概率预测 → 报价优化 → 提交 → 结算/监控** ，并带一条反馈回路，用结算结果重新训练模型。
|
||
|
||
关键设计决策：
|
||
|
||
- **预测：** 对出力和负荷做分位数预测（P10–P90），构建在与资产遥测融合的 NWP 集合输入之上；日前 LMP、实时 LMP，以及关键的日前–实时 *价差* 分布。
|
||
- **优化核心：** 对于一个价格接受型的可再生能源资产，最优日前报价是出力分布的一个报童分位数，由预期的日前/实时价格比设定，并包裹在带 CVaR 的两阶段随机规划之中。每资产每日一个可高效求解的 LP（Gurobi/CPLEX/HiGHS）。批发商侧是其镜像：日前 vs. 实时的负荷采购，加上一层套保叠加（远期、FTR）。
|
||
- **运营：** 带规则校验的自动 ISO 提交、影子结算，以及一套认真的回测框架 —— 这是最常被建设不足的组件。
|
||
- **主导真实盈亏的坑：** 负价格与 PTC/REC 驱动的报价下限；节点基差与阻塞（往往是投资回报率最高的预测工作）；PPA/套保结构重塑激励；各 ISO 的规则差异。
|
||
|
||
混合资产的提示：储能同址会把优化器从一个 LP 变成一个序贯问题（见 §2.3）。
|
||
|
||
### 5.2 把套保与投机分离
|
||
|
||
分离出于三个原因而必要：
|
||
|
||
1. **业绩归因** —— 两个账户对"成功"的定义截然相反。
|
||
2. **风险治理** —— 有界的物理敞口 vs. 带杠杆的金融亏损分布（GreenHat 是警世故事）。
|
||
3. **FERC 操纵风险** —— 物理报价必须能独立站得住脚；对物理报价和金融头寸做联合优化，是操纵指控的制造机。
|
||
|
||
但完全分离是不可能的：每一个日前报价分位数 *本身就是* 一种价差观点。解决办法：定义一个 **中性基线报价** （例如 P50 报价 / 100% 日前负荷），把每一次偏离记录为"内嵌 alpha"，并把盈亏分解为基线 + 内嵌观点 + 纯投机账户。在架构上：共享数据、预测和回测；分离优化器、授权、限额和盈亏；保持耦合是单向的 —— 物理优化器绝不读取金融账户的头寸。
|
||
|
||
两个账户以不同方式消费同一套预测技术栈：套保账户需要校准良好的分布中段分位数；投机账户需要尾部和价差偏度。
|
||
|
||
策略性提示：虚拟/FTR 是拥挤的量化市场；在一个运转良好的资产账户内部的内嵌观点 alpha，往往是建模投入更好的初始回报。
|
||
|
||
---
|
||
|
||
## 6. 中国：市场结构与落地
|
||
|
||
### 6.1 市场结构：不同的设计，更弱的保障
|
||
|
||
**市场运营机构并不独立 —— 这是与美国的根本区别。** 省级现货市场由 *电网公司内部* （国家电网、南方电网）的调度中心和交易中心运行。交易中心名义上通过股份制改革实现独立，但调度仍留在电网组织内部。电网公司历史上对结果有商业利益 —— 这里的"内部人"是结构性的，而非假设性的。调度/交易分离自 9 号文（2015）以来一直是改革诉求。
|
||
|
||
**透明度：在改善，但远低于 PJM。** 自 2023 年起已搭建起"1+6"的国家规则框架：市场运营基本规则 + 现货市场（2023）、信息披露（2024）、中长期交易、注册、辅助服务（2025）、计量/结算（2025）。多个省份（山西、广东、山东）公布出清方法；数个省份采用集中式 SCUC/SCED 式出清，部分为节点/分区制。相对 PJM 的差距：无报价级数据（即便是脱敏/滞后的也没有），约束级细节很少，出清模型内部未披露 —— 影子 SCED 重建要难得多。规则常由行政通知频繁修订，且各省差异巨大；限价（上限/下限）很紧，行政干预更常见且记录更少。
|
||
|
||
**法律与执法：尚处萌芽。** 不存在类似 Monitoring Analytics 的独立市场监测机构 —— 监督由交易中心/调度（即电网公司）加上人手单薄的国家能源局派出机构完成。没有成型的电力市场操纵判例体系；一般性法律在现货电力行为上尚未经检验。国企主导的参与和行政式的争议解决，意味着几乎没有"以先例形成威慑"的效果。
|
||
|
||
**综合评估。** PJM 的三大保障（§3.2）在中国都更弱：算法披露不完整、有利于电网关联实体的结构性数据不对称、执法尚在萌芽。现实的信息优势来自 **对电网/调度机构的近水楼台** ，而非流氓供应商。缓解因素：大量的中长期合同覆盖（2024 年约占用电量的 47%）加上限价，意味着现货中每单位信息优势所对应的资金更少，而改革方向明确指向披露和监督。 **值得关注：** 调度是否真正从电网公司中分离出去。全国统一市场目标约为 2029 年；截至 2025 年已有七个省份进入现货全面运行（山西、广东、山东、甘肃、蒙西、湖北、浙江）。
|
||
|
||
### 6.2 面向中国部署的天气数据采购
|
||
|
||
评估过的基线技术栈 —— 以 ECMWF HRES+EPS 为骨干、GFS/GEFS 为次要、CMA 区域模型 + 观测、Himawari/风云卫星辐照、客户测风塔、WRF 降尺度上"先买"—— 在传统意义上是稳健的。建议的改动：
|
||
|
||
1. **加入 AI 天气模型 —— 最明显的遗漏。** AIFS 开放数据加上开源权重模型（GraphCast/Pangu）以接近零的边际成本加密集合预报；中国本土的 AI 天气生态（Pangu、Fuxi、FengWu、CMA 集成）既便宜又是一项合规资产；GPU 成本低廉的模型解锁了那套授权技术栈无法提供的日内刷新节奏。
|
||
2. **第一天就加入 ERA5/再分析** —— 校准模型和回测的训练基底。
|
||
3. **把融合/校准层显式化** ，给它单独的预算行 —— 针对每个站点用地面真值校准的多模型集合，正是钱之所在；来源多样性是校准的燃料。
|
||
4. **指定一套回退层级** （EPS → AIFS 开放 → GFS → 持续性）作为工程要求。
|
||
5. **尽早做双向合规审查：** ECMWF 再分发条款 × 中国关于外国数据商用和本土观测数据出境的法规 —— 这限制了融合层在物理上能在哪里运行。
|
||
6. **加入逆变器/SCADA 数据作为地面真值** （免费、密集、内建了真实的机组行为），外加一条面向客户传感器的质控管线。
|
||
7. **把"自建 WRF"重新表述为"自建降尺度"，方法开放** —— 到需要决策时，学习式降尺度很可能在成本上胜过 WRF。
|
||
8. **在 0–4 小时窗口显式设计"卫星临近预报 → NWP"的融合交接** ，以避免在日内交易时段出现不连续。
|
||
|
||
---
|
||
|
||
## 7. 开放问题
|
||
|
||
从讨论中沿承下来：
|
||
|
||
- **哪个（些）市场？** 美国 ISO vs. 中国省级现货试点 —— 关门时间和结算规则会改变预测刷新的要求。
|
||
- **资产组合？** 光伏/风电/带储能的混合 —— 储能同址会把优化器从一个 LP 变成一个序贯问题。
|
||
- **风险授权？** 对一个独立金融（虚拟/FTR）账户的胃口，vs. 仅在资产账户内部做内嵌 alpha。
|
||
|
||
---
|
||
|
||
## 8. 参考资料与延伸阅读
|
||
|
||
- GraphCast: *Learning skillful medium-range global weather forecasting*, Science (Dec 2023). https://www.science.org/doi/10.1126/science.adi2336
|
||
- Pangu-Weather: *Accurate medium-range global weather forecasting with 3D neural networks*, Nature (Jul 2023). https://www.nature.com/articles/s41586-023-06185-3
|
||
- Aurora: *A foundation model for the Earth system*, Nature (May 2025). https://www.nature.com/articles/s41586-025-09005-y
|
||
- ECMWF AIFS operational status (2024). https://www.ecmwf.int/en/about/media-centre/news/2024/ecmwfs-ai-forecasts-become-operational
|
||
- Donti, Amos, Kolter: *Task-based end-to-end model learning in stochastic optimization*, NeurIPS 2017. https://arxiv.org/abs/1703.04529
|
||
- Elmachtoub & Grigas: *Smart "Predict, then Optimize"*, Management Science (2022). https://arxiv.org/abs/1710.08005
|
||
- Decision-focused learning for energy/reserve market participation. https://www.researchgate.net/publication/383107857
|
||
- Decision-focused predict-then-bid for strategic storage. https://arxiv.org/abs/2505.01551
|
||
- Statistical vs. economic evaluation of electricity-market forecasts (DFL counter-evidence). https://arxiv.org/abs/2511.13616
|
||
- RL in deregulated energy markets: comprehensive review (150+ papers). https://www.sciencedirect.com/science/article/abs/pii/S0306261922014696
|
||
- On-line RL for real-life energy trading (simulator-gap discussion). https://arxiv.org/abs/2303.16266
|
||
- Modo Energy: independent benchmarking of storage optimizers. https://modoenergy.com
|
||
|
||
*编写于 2026 年 7 月。所依据研究中引用的供应商性能宣称，应在采购决策前针对你自己的资产独立验证。*
|