一个学生队伍是如何借AI打败100家售电公司的

发布时间：2025-04-05 08:09:52 来源：深度分析网 作者：梦归

首届“保险杯”AI电力交易大赛在紧张激烈的角逐中圆满落下帷幕，两周的赛程如白驹过隙。在团队成员的齐心协力、砥砺前行下，我们团队在124支参赛队伍中排名23，取得了超预期的成绩。回顾这段充满挑战与收获的竞赛时光，我们对电力交易有了更为深刻的领悟，同时也将科研成果在实战中磨砺得更加锋利。与其他参赛团队不同，我们队伍并非来自售电公司，而是由中国人民大学郭伯威副教授团队的三名学生王雨桉、金叶、闫炎组成。郭伯威副教授团队聚焦电力市场和电力改革，在气候变化、市场力研究、政策分析等领域积累了丰富的研究成果，在电力价格预测和售电侧策略研究上，团队以广东市场为例，亦开展了较为丰富的研究。鉴往知来，温故知新。竞赛虽已落幕，但收获与体会永存心间。以此文铭记这段难忘的经历，愿我们团队在未来的科研和职业道路上，不忘初心，砥砺前行。一竞赛背景：山东市场与A工具与本团队更为熟悉的广东电力市场不同，山东电力市场风光占比更高，这使得山东市场呈现更为明显的鸭子曲线特征。据山东电力交易中心披露，截至2024年4月底，山东省发电装机总容量21130.0万千瓦，其中火电11893.2万千瓦，占比55.9%；太阳能发电6111.5万千瓦，占比28.7%；风电2600.4万千瓦，占比12.2%。由于市场需求情况的预测在本竞赛的背景下不那么重要，因此更多分析略去。在价格方面，山东市场的现货价格一般同样呈现鸭子曲线的特征，无论是既往一整年还是往年同月（2023年12月）均呈现类似的特征。考虑到本次竞赛的竞价周期只有一周，而且每日申报的套餐曲线只能三选一，因此，更重要的是判断在连续的一周七天中哪一天是高价日，哪一天是低价日。可以很明显的看出，在一周七天中，周六周日的平均价格会显著的低于工作日，周一的价格则会显著的高于其他日期，周二到周四的相对价格高低受到复杂因素的影响，并不具有很显著的排序特征。略显遗憾的是，风光占比更高的市场特征，使得本团队的既往研究成果“基于供需分析和机器学习模型的价格预测模型”需要经过一定的调整和完善才能匹配山东市场的上述特征。考虑到准备时间有限，此次竞赛我们决定选择基于本次竞赛技术支持方北京清鹏智能科技有限公司提供的AI模型预测结果制定策略。二策略制定与调整1、中长期建仓策略在中长期建仓策略上，团队之前的研究成果可以为每一个时刻制定一个最优仓位，由于具体的公式和推导过程尚未公开发表，在此略去。我们的研究结果认为，中长期仓位应包含用于对冲风险（主要是需求侧风险）的电量头寸和投机的电量头寸。在本次竞赛中，零售商具有相同且完全确定的电力需求，因此对冲头寸退化为真实的需求量；而投机头寸取决于电力价格的估计值、电力价格估计的置信区间、公开的中长期价格、售电企业的风险厌恶系数。其中，电力价格的估计值和置信区间依据清鹏AI模型给出的价格预测值和90%、65%和40%的风险边界确定，中长期价格为369.83元/MWh。最关键的是售电企业的风险厌恶系数如何确定，团队使用真实山东的中长期签约电量电价测算并估计了这一系数，其中位数约为1.41*10^-4，平均值约为2.19*10^-4，其核密度图如下所示。基于此，团队确定了基本中长期报价策略。为了对上述策略在山东市场的情况进行验证，团队以2024年12月1日为例进行了尝试，对比了使用我们的策略的购电成本和其他策略的成本，结果如下为适应本次竞赛，策略上我们做三点调整。（1）使用“风险水平”测算“置信区间”在计算中长期交易量的时候，团队需要电力价格的置信区间用于计算投机头寸，但是AI模型给出的“风险区间”与我们需要的“置信区间”并不完全是一个概念，需要做一个转化。（2）应对不能卖出、固定曲线的套餐由于我们的策略会给出每个时刻的最优中长期量，且可以允许某些时刻的成交量为负，只要求整体的成交量为正即可。但是竞赛规则要求必须使用三种曲线之一的套餐，且只能买入不能卖出。因此，团队首先计算AI预测的日均值和日均的置信区间（方差），接着使用模型计算最优的日均中长期签约量，如果为负，则不签中长期，如果为正，则以此作为日签订量，并且选择套餐一（经测算认为这是最优的）。（3）应对不完全披露的AI预测结果在团队之前的研究中，我们可以做到使用预测模型预测整个考核周期内的全部电力价格（例如：未来一个月），之后制定仓位策略，再判断是否会被考核，如果会则计算最小成本的仓位调整方式。本次竞赛中，AI模型只一次性给出建仓日当天的价格预测，因此，团队选择在前四天，充分相信建仓策略，后三天，通过讨论并相机抉择。基于上述策略，团队的中长期建仓结果如下：事实证明，这种相机抉择十分有赖于决策者的市场经验，这恰恰是团队所欠缺的，也导致了后三天的策略性失误。2、日前市场申报策略在日前报价方面，团队之前的研究成果主要依据自研的AI预测模型，使用类似的公式做仓位设计，这需要对价格方向和价差的绝对值进行预测。本次竞赛中只披露了价差的方向。因此，团队简化了这部分的策略，选择相信技术方AI模型给出的判断，依据价差方向在用电量的基础上做±20%的日前申报，对于具体幅度的选择，依据AI预测模型历史上在该时刻的表现水平敲定（过程略）。对于同一个小时4个时刻的AI预测方向不一致的小时，则按照100%申报。团队使用2024年11月21日至27日的数据做了模拟，各日情况见下表所示，AI的确帮助我们节约了购电成本。三经验与教训在竞赛过程中，团队至少有三点失误。需要说明的是，对于成熟的售电企业来说，模型和策略制定是主要复盘和总结的对象；但是对于我们的团队，或者开始接触实际交易过程不久的队伍，对于可能的人为失误，更应予以重视。1、失误1：相机决策的失误。第一个失误本质还是技术性的。团队的上述策略要求我们在后三天的中长期建仓中相机抉择，此时，前四天的中长期仓位已经购入了7天总用电需求的56%，四天的购入比例为：0%：0%：40%：16%，为了不被考核，团队还需要购入7天总用电需求的24%-64%。团队判断中长期价格会高于每日的现货价格，因此中长期按照80%比例配仓是合理的，事后证明，这个判断准确，因此，需要在第五日、第六日、第七日分配24%的仓位即可。竞赛时，我们自认为十分充分地分析了历史的价格数据，认为第七日是一个相对高价日，第五第六日是相对低价日，因此，应该重仓第七日，制定了三天的购入比例为：4%：4%：16%的策略。然而，实际情况是第五日（340）、第六日（347）价格相差不大，第七日是一个低价日（299）。这就导致了我们的购电成本大幅增加了。我们对历史数据的充分分析，甚至使用了较为负责的机器学习模型，但是仍旧得出了错误的结论，这是因为我们受到了过去基于广东的研究经验的定式思维，没有对气候因素的重要影响引起足够的重视。不考虑日前-实时套利，比较本团队的策略和稳健策略、明智策略的购电成本如下，结果显示：如果我们能预测到第七日的低价，能节约9858元，折合单位购电成本7.11元/MWh；即使做不到这一点，我们选择稳健的均分仓位政策，也能节约4929元，折合单位购电成本3.58元/MWh。2、失误2：一定不能被考核？在最后一个交易日的中长期建仓前，团队已经购买了总需求60%的中长期电量，当看到AI给出的最后一个交易日为低价日后，不假思索的购入了20%的中长期。但是，经过计算发现，此时不购买中长期，接受考核反而成本更低。如果选择不购入这20%的电量，则考核电量约为554.232MWh，考核价格为52.19元/MWh*1.2=62.63元/MWh，不考虑日前实时套利，这部分电量的实际购电成本为第七日真实现货价格299.09元/MWh +考核单价62.63元/MWh=361.72元/MWh，比购买中长期单价369.83元/MWh便宜了8.11元/MWh，总共能节约4494.82元，折合单位购电成本达3.24元/MWh。这次失误的原因是我们天然的锚定了不能被考核的目标，而事实上，有时候即便接受一定的考核，也能节约成本，其条件是“中长期-日前”价差超过预期的考核价格。一般来说，这一条件的出现需要更长的结算周期（如真实的一月而非竞赛的一周）和极端天气导致的高价或低价。3、失误3：对高价日的误判。第四日的高价源于8:00-16:00的异常高价，需要对其原因进行更深层次的剖析。这启发我们接下来要对异常天气预测和异常天气预测导致的价格波动进行进一步研究。如果团队能够预测到第四日的高价，比较几种建仓策略的成本如下表所示，可以发现，一种极其特殊的情况出现了，随着第四日仓量的提升，成本逐渐为负，即便接受考核，成本也会进一步下降，如果交易团队选择极端的提升第四日的中长期仓位，可以实现让购电成本变为负的无穷大。当然，这只是一种本次竞赛交易规则中的极端情况，真实市场不会发生。说明：为简化计算，表中的“成本”的含义是全部交易日均采用套餐二（仓位曲线为水平线）的情况下，与中长期申报量有关的部分成本C。All IN 策略表示在前三日已经建仓的基础上，第四日买入不被考核的最大仓位量（1108.47MWh）；极端策略表示在前三日已经建仓的基础上，第四日买入更多的仓位量并接受考核（以买入1500 MWh为例）4、失误4：对日前偏差回收把握不准确导致额外成本。在比赛的前三个交易日的现货申报中，团队均被回收了收益，累计达到1724.64元，折合单位购电成本达1.24元/MWh。当时，团队错误理解错了规则，以为日前的收益是以小时为单位，按照周期内7天在该时刻的总申报量与真实用电量的偏差进行考核，因此，某些时刻出现了申报0%或申报200%等情况。此次竞赛，不仅是对团队成员的一次历练，更是对未来科研方向的深刻启迪。研究团队将继续深耕电力市场价格预测与策略设计的研究领域，关注市场需求侧行为，探讨AI技术在电力市场的广泛应用及其深远影响。欢迎相关领域的研究者和从业者交流沟通、批评指正。想参与闭门研讨活动和线上产业微信群请注明公司、职位添加微信：shizhicyy视知产研院聚焦科技和新能源微信公号已有100万+高质量粉丝添加微信：ishizh_business加好友请注明合作品牌

特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“号”用户上传并发布，本平台仅提供信息存储服务。

相关文章