1. 背景山东光储政策连续调整固定充放电策略失效2026 年下半年山东连续出台两份政策直接改变了光储电站的收益模型。第一份是 8 月发布的配储新政新建光伏配储比例上限从原有水平提高到 50%存量光伏项目也可以直接新增配储。同时源储一体项目被纳入电力现货市场考核出力预测偏差将直接产生考核费用未配储、未做联动调度的电站在电力调度中弃电优先级最高。第二份是 9 月 7 日发布的分时电价优化政策10 月 1 日正式执行。核心变化是低谷和深谷时段大幅扩容光伏大发的 11:00–14:00 被划为深谷时段电价处于低位傍晚尖峰时段电价大幅上浮峰谷价差进一步拉大。这两份政策叠加后电站的收益逻辑发生了根本变化中午低价时段储电、傍晚高价时段放电的套利窗口明确化但套利窗口是动态的 —— 四季度还会根据调峰需求动态调整峰谷时段传统 固定时段充放电 的做法已经无法适应。2. 技术挑战为什么固定策略不行在政策调整前很多电站采用的是经验型固定策略每天固定时间充电、固定时间放电。这种策略在静态峰谷电价下尚可运行但在新政下面临三个技术问题问题一峰谷时段动态变化策略需要自适应。四季度动态调峰意味着峰谷时段不是全年固定的人工按季度手动调整一次策略很容易在政策调整初期错过套利窗口。问题二现货电价实时波动需要短周期预测。电力现货市场的出清价格每 15 分钟滚动一次固定策略无法跟随实时价格波动导致充电价格不是当天最低、放电价格不是当天最高。问题三出力预测偏差产生考核费用。源储一体项目纳入现货考核后次日申报的出力曲线与实际出力偏差过大会产生考核费用。人工编制申报计划的精度和频率都跟不上现货市场的滚动节奏。3. 技术方案AI 智能调度引擎的架构思路应对上述挑战目前行业内的技术方案普遍采用 数据采集 — 预测 — 优化 — 执行 的闭环架构。第一层多源数据接入。将光伏逆变器、储能 PCS、BMS、气象站等多品牌设备的数据统一接入平台解决数据孤岛问题。关键技术点在于协议适配 —— 不同品牌设备的通信协议不同需要通过统一的采集网关将数据转换为标准格式包括实时功率、电池 SOC、组件温度、环境辐照等。第二层电价与出力预测。融合历史现货电价数据、气象预测数据辐照、温度、云量训练预测模型。电价预测需要输出次日 24 小时或 96 点15 分钟粒度的电价曲线出力预测需要输出次日光伏和储能的可用出力曲线。预测精度直接决定后续优化的上限。第三层优化决策。在给定预测电价曲线和预测出力曲线的条件下以 日收益最大化、考核偏差最小化 为目标求解次日 96 个时间点的充放电功率计划。这本质上是一个带约束的优化问题 —— 约束条件包括电池 SOC 上下限、充放电功率限值、充放电效率损耗、现货考核规则等。第四层执行与反馈。将优化结果下发给储能 PCS 执行同时实时监测实际运行数据与预测值对比偏差超过阈值时触发策略重算形成滚动优化闭环。4. 实践中的关键细节在工程落地中有几个细节容易被忽略电池衰减建模。频繁深充深放会加速电池衰减优化目标不能只看当日套利收益还需要把电池循环寿命损耗纳入成本项做全生命周期收益优化。多品牌设备统一计量。不同品牌 PCS 的效率曲线不同如果只按标称功率做计划实际执行时会出现偏差需要基于实测效率曲线做修正。考核费用建模。现货市场的考核规则会随政策调整优化引擎需要能够配置考核参数偏差容忍区间、罚款单价等而不是硬编码。在上述架构基础上鲸能云的光储 EMS 平台将现货电价预测、出力预测和充放电优化整合为一个智能体自动完成 96 点计划编制和滚动修正替代人工日报编制环节。5. 总结山东双政策的核心信号是光储电站的收益差距正在从硬件配置转向运营算法。配储比例提高到 50% 意味着可调度容量变大但能不能用好这些容量取决于预测精度和优化策略。对于技术团队来说数据采集 — 预测 — 优化 — 执行 的闭环架构已经成为标配下一步的竞争点在预测模型精度和全生命周期优化能力。
山东分时电价新政下，光储电站 AI 智能调度方案拆解
1. 背景山东光储政策连续调整固定充放电策略失效2026 年下半年山东连续出台两份政策直接改变了光储电站的收益模型。第一份是 8 月发布的配储新政新建光伏配储比例上限从原有水平提高到 50%存量光伏项目也可以直接新增配储。同时源储一体项目被纳入电力现货市场考核出力预测偏差将直接产生考核费用未配储、未做联动调度的电站在电力调度中弃电优先级最高。第二份是 9 月 7 日发布的分时电价优化政策10 月 1 日正式执行。核心变化是低谷和深谷时段大幅扩容光伏大发的 11:00–14:00 被划为深谷时段电价处于低位傍晚尖峰时段电价大幅上浮峰谷价差进一步拉大。这两份政策叠加后电站的收益逻辑发生了根本变化中午低价时段储电、傍晚高价时段放电的套利窗口明确化但套利窗口是动态的 —— 四季度还会根据调峰需求动态调整峰谷时段传统 固定时段充放电 的做法已经无法适应。2. 技术挑战为什么固定策略不行在政策调整前很多电站采用的是经验型固定策略每天固定时间充电、固定时间放电。这种策略在静态峰谷电价下尚可运行但在新政下面临三个技术问题问题一峰谷时段动态变化策略需要自适应。四季度动态调峰意味着峰谷时段不是全年固定的人工按季度手动调整一次策略很容易在政策调整初期错过套利窗口。问题二现货电价实时波动需要短周期预测。电力现货市场的出清价格每 15 分钟滚动一次固定策略无法跟随实时价格波动导致充电价格不是当天最低、放电价格不是当天最高。问题三出力预测偏差产生考核费用。源储一体项目纳入现货考核后次日申报的出力曲线与实际出力偏差过大会产生考核费用。人工编制申报计划的精度和频率都跟不上现货市场的滚动节奏。3. 技术方案AI 智能调度引擎的架构思路应对上述挑战目前行业内的技术方案普遍采用 数据采集 — 预测 — 优化 — 执行 的闭环架构。第一层多源数据接入。将光伏逆变器、储能 PCS、BMS、气象站等多品牌设备的数据统一接入平台解决数据孤岛问题。关键技术点在于协议适配 —— 不同品牌设备的通信协议不同需要通过统一的采集网关将数据转换为标准格式包括实时功率、电池 SOC、组件温度、环境辐照等。第二层电价与出力预测。融合历史现货电价数据、气象预测数据辐照、温度、云量训练预测模型。电价预测需要输出次日 24 小时或 96 点15 分钟粒度的电价曲线出力预测需要输出次日光伏和储能的可用出力曲线。预测精度直接决定后续优化的上限。第三层优化决策。在给定预测电价曲线和预测出力曲线的条件下以 日收益最大化、考核偏差最小化 为目标求解次日 96 个时间点的充放电功率计划。这本质上是一个带约束的优化问题 —— 约束条件包括电池 SOC 上下限、充放电功率限值、充放电效率损耗、现货考核规则等。第四层执行与反馈。将优化结果下发给储能 PCS 执行同时实时监测实际运行数据与预测值对比偏差超过阈值时触发策略重算形成滚动优化闭环。4. 实践中的关键细节在工程落地中有几个细节容易被忽略电池衰减建模。频繁深充深放会加速电池衰减优化目标不能只看当日套利收益还需要把电池循环寿命损耗纳入成本项做全生命周期收益优化。多品牌设备统一计量。不同品牌 PCS 的效率曲线不同如果只按标称功率做计划实际执行时会出现偏差需要基于实测效率曲线做修正。考核费用建模。现货市场的考核规则会随政策调整优化引擎需要能够配置考核参数偏差容忍区间、罚款单价等而不是硬编码。在上述架构基础上鲸能云的光储 EMS 平台将现货电价预测、出力预测和充放电优化整合为一个智能体自动完成 96 点计划编制和滚动修正替代人工日报编制环节。5. 总结山东双政策的核心信号是光储电站的收益差距正在从硬件配置转向运营算法。配储比例提高到 50% 意味着可调度容量变大但能不能用好这些容量取决于预测精度和优化策略。对于技术团队来说数据采集 — 预测 — 优化 — 执行 的闭环架构已经成为标配下一步的竞争点在预测模型精度和全生命周期优化能力。
