日前电价预测 × 受约束优化

储能收益优化:从电价预测到每日充放电计划

预测精度与决策价值要分开评估。

周期
—
规模
约 35,000 条 15 分钟观测
角色
三人团队负责人
技术栈
Python · scikit-learn · XGBoost · pandas

三行摘要

问题
每天最多只有一次完整套利机会:先连续充电 2 小时,再连续放电 2 小时。难点不是找到单个最低价和最高价,而是从整条价格曲线中选出合法且稳健的一对窗口。
核心方案
以配置驱动离线训练与推理,把原始市场、气象数据转换为每日价格预测。
结果 / 限制
最终计划采用明确的时间、预测价格、功率三列契约,并分别输出预测质量与决策质量诊断。

故事开头

只有选中合法运行窗口,日内预测才有意义

每天最多只有一次完整套利机会:先连续充电 2 小时,再连续放电 2 小时。难点不是找到单个最低价和最高价,而是从整条价格曲线中选出合法且稳健的一对窗口。

一天被划分为 96 个 15 分钟时段。系统将预测负荷、风电、光伏、联络线、水电、非市场机组与数值天气预报结合,估计次日实时电价曲线,并输出时间、预测价格与储能功率计划。

示意性的 96 点价格曲线,其中较早的 8 点窗口用于充电,较晚的 8 点窗口用于放电。① 充电窗口② 放电窗口
示意,非项目数据:固定随机种子生成。合法动作是先选取连续 8 点充电窗口,再选取更晚的连续 8 点放电窗口。

系统路径

让电价预测和调度相连,但始终可审查

示意系统路径:时间对齐的输入、预测曲线、双重评估与合法调度窗口相连。① 对齐② 预测③ 评估④ 调度
这条路径始终区分:预测 96 点曲线,和从中选择两个合法窗口,是不同的任务。
  1. ① 对齐

    连接完整的市场日与气象预报,并显式保留时区与特征可用性。

  2. ② 预测

    在时间顺序验证中比较价格曲线候选,不让未来派生状态进入验证折。

  3. ③ 评估

    同时观察价格误差,以及充放电选择带来的价值与稳定性。

  4. ④ 调度

    枚举先充后放的合法窗口,并校验时间、预测价格和功率输出。

已实现内容

可检查的输出契约

最终计划以时间、预测价格和功率三列的显式契约输出,使预测诊断与运行决策能够被分别检查。

RMSE 更低

示意对比:RMSE 更低的价格预测选错窗口,而 RMSE 更高的预测选中预期窗口。① 选错窗口

RMSE 更高

示意对比:RMSE 更低的价格预测选错窗口,而 RMSE 更高的预测选中预期窗口。② 选对窗口
示意,非项目数据:固定随机种子生成。预测精度与决策价值要分开评估。

价格曲线反映的是系统,而不是单一发电机

多云天气下,北方草原上的风力发电机组与高压输电线路。云层变化下的大型光伏电站、变电站与输电网络。常规发电场景

风电、光伏与常规发电是价格曲线的背景输入;这些图片为带来源的场景资料,不是项目证据。

来源与边界

项目边界

项目范围:面向简化日内储能任务的离线研究系统。当前策略每天最多选择一组固定 2 小时充电与 2 小时放电窗口;电池效率、退化成本、交易费用、跨日 SOC 与实时市场执行不在本案例范围内。