2. 价格型需求响应：分时电价(TOU)、实时电价(RTP)、尖峰电价(CPP)原理与建模

价格型需求响应，说白了就是「用价格杠杆撬动用户行为」。我做了这么多年电力系统算法，最深的体会是：用户其实不关心电是怎么来的，他们只关心电费贵不贵。你只要把价格信号设计得足够聪明，用户自然会帮你削峰填谷。

这一章，我们重点拆解三种最主流的电价机制：分时电价、实时电价、尖峰电价。这三种机制，我都在实际项目中碰过壁、踩过坑，今天一并分享给你。

2.1 分时电价（TOU）—— 最经典的「三段式」

分时电价，你肯定不陌生。就是把一天切成几个时段：峰、平、谷。每个时段定一个固定电价。用户看到峰时电价贵，自然会把洗衣机挪到谷时用。

2.1.1 数学模型

我个人习惯用下面的公式来描述分时电价下的用户响应：

# 分时电价下的负荷转移模型
def tou_response(original_load, price_peak, price_valley, price_flat, elasticity=-0.2):
    """
    original_load: 原始负荷曲线 (list)
    price_peak/valley/flat: 各时段电价
    elasticity: 需求价格弹性系数（默认-0.2，表示价格涨1%，需求降0.2%）
    """
    # 定义时段划分（假设峰：10-12, 17-21；谷：0-8；平：其余）
    peak_hours = list(range(10,13)) + list(range(17,22))
    valley_hours = list(range(0,9))
    flat_hours = [h for h in range(24) if h not in peak_hours and h not in valley_hours]
    
    new_load = original_load.copy()
    avg_price = (price_peak + price_valley + price_flat) / 3
    
    for h in range(24):
        if h in peak_hours:
            # 价格上升，负荷下降
            delta = elasticity * (price_peak - avg_price) / avg_price
            new_load[h] = original_load[h] * (1 + delta)
        elif h in valley_hours:
            # 价格下降，负荷上升
            delta = elasticity * (price_valley - avg_price) / avg_price
            new_load[h] = original_load[h] * (1 + delta)
        # 平时段基本不变
    
    return new_load

嗯，这里要注意：弹性系数 elasticity 是个负值。我见过不少新手把它设成正数，结果价格越高负荷越大——那不成奢侈品了？

2.1.2 避坑指南

2.2 实时电价（RTP）—— 最灵活，也最「刺激」

实时电价，就是电价每15分钟或每小时变一次，完全跟着批发市场走。用户端的智能设备根据电价自动调整用电行为。说白了，这是把市场风险直接传导给了用户。

我参与过一个大型工业园区的RTP项目，效果确实好——峰时负荷下降了将近30%。但问题也很明显：用户抱怨「电费像过山车」，心理上接受不了。

2.2.1 建模思路

实时电价下，用户的响应模型通常用「价格-负荷弹性矩阵」来描述：

import numpy as np

def rtp_response(load_profile, price_profile, elasticity_matrix):
    """
    load_profile: 原始负荷 (24个点)
    price_profile: 实时电价 (24个点)
    elasticity_matrix: 24x24 的弹性矩阵
        - 对角元：自弹性（当前时段价格对当前时段负荷的影响）
        - 非对角元：交叉弹性（其他时段价格对当前时段负荷的影响）
    """
    n = len(load_profile)
    delta_p = (price_profile - np.mean(price_profile)) / np.mean(price_profile)
    
    # 负荷变化率 = 弹性矩阵 × 价格变化率
    delta_l = elasticity_matrix @ delta_p
    
    new_load = load_profile * (1 + delta_l)
    return new_load

2.3 尖峰电价（CPP）—— 平时温柔，关键时刻「一刀」

尖峰电价，你可以理解为「分时电价的升级版」。平时还是峰平谷三段，但系统预测到明天下午要出现尖峰负荷时，会提前通知用户：明天下午2点到5点，电价翻三倍。

用户可以选择：要么忍着高价，要么提前把空调温度调低两度。我见过最极端的案例——一个水泥厂，接到CPP通知后直接把生产线停了半天，省了十几万电费。

2.3.1 触发条件

尖峰电价不会天天有。通常触发条件是这样的：

触发条件	典型阈值	说明
负荷率	≥ 95% 的变压器容量	系统接近满载时触发
温度	≥ 38°C 且持续3天	热浪天气容易导致空调负荷暴增
备用容量	≤ 5% 的旋转备用	系统安全裕度不足

2.3.2 建模代码

def cpp_trigger(load_forecast, temp_forecast, capacity, reserve_limit=0.05):
    """
    判断是否触发尖峰电价
    返回: (trigger_flag, cpp_hours)
    """
    peak_load = max(load_forecast)
    load_rate = peak_load / capacity
    
    max_temp = max(temp_forecast)
    
    # 条件1：负荷率超过95%
    cond1 = load_rate >= 0.95
    
    # 条件2：温度超过38度
    cond2 = max_temp >= 38
    
    # 条件3：备用容量不足
    reserve = 1 - load_rate
    cond3 = reserve <= reserve_limit
    
    if cond1 and (cond2 or cond3):
        # 找到尖峰时段（负荷最高的3个小时）
        sorted_hours = sorted(range(24), key=lambda i: load_forecast[i], reverse=True)
        cpp_hours = sorted(sorted_hours[:3])
        return True, cpp_hours
    else:
        return False, []

2.4 三种机制的对比与选择

你可能会问：这三种机制到底选哪个？我的建议是看场景：

• 居民用户 → 用TOU：简单易懂，用户不需要装智能设备，靠习惯就能省钱。
• 工商业大用户 → 用RTP：他们有能源管理系统，能自动响应电价变化，省下来的钱足够覆盖设备成本。
• 系统尖峰压力大 → 用CPP：一年也就触发十几次，平时不影响用户体验，关键时刻能救命。

当然，实际项目中往往是混合使用。比如「TOU为主，CPP为辅」——平时用分时电价引导，遇到极端天气再启动尖峰电价。我在浙江的一个园区就是这么做的，效果相当不错。

2.5 知识体系总览

下面这张图，是我梳理的三种电价机制的核心逻辑。你可以把它当作本章的「思维导图」：

三种机制各有千秋，没有绝对的优劣。关键是要根据用户类型、系统条件、市场成熟度来灵活搭配。我个人的经验是：别追求「最先进」，要追求「最合适」。一个让用户看不懂的电价机制，再完美也是白搭。

---

公众号:蓝海资料掘金营，微信deep3321