第1章：电价时间序列分析

大家好，我是你们这门课的主讲人。做了这么多年电力市场和储能系统，我最大的体会就是——电价预测不准，储能套利就是瞎忙活。今天咱们就从最基础的电价时间序列分析开始聊。

1.1 电价波动特征：它为什么忽高忽低？

我记得刚入行那会儿，看着电价曲线一头雾水。后来慢慢摸清了门道——电价波动主要受三个因素影响：负荷需求、可再生能源出力、机组启停成本。

咱们先看一个典型日的电价曲线：

# 模拟典型日电价数据
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 生成24小时电价数据（单位：元/MWh）
hours = range(24)
# 典型夏季工作日的电价模式
price = [280, 260, 240, 230, 225, 235, 280, 380, 
         450, 480, 490, 470, 430, 420, 440, 480,
         520, 550, 530, 480, 420, 380, 340, 300]

plt.figure(figsize=(12, 5))
plt.plot(hours, price, 'b-o', linewidth=2)
plt.xlabel('小时')
plt.ylabel('电价 (元/MWh)')
plt.title('典型日电价曲线')
plt.grid(True, alpha=0.3)
plt.show()

你看这个曲线，有几个明显的特征：

• 双峰特性：上午10-11点和傍晚18-19点各有一个高峰。我在广东做项目时，下午还有个"午峰"，因为空调负荷太大。
• 谷底平坦：凌晨2-5点电价最低，而且持续时间长。这时候充电最划算。
• 尖峰陡峭：晚高峰电价涨得特别快，有时候半小时能跳涨100元/MWh。

1.2 峰谷价差规律：套利的核心逻辑

说白了，储能套利就是低买高卖。但什么时候算"低"，什么时候算"高"？这需要量化分析。

我习惯用峰谷价差比这个指标：

# 计算峰谷价差
peak_price = max(price[8:20])  # 8:00-20:00的峰值
valley_price = min(price[0:8])  # 0:00-8:00的谷值
spread_ratio = peak_price / valley_price

print(f"峰价: {peak_price} 元/MWh")
print(f"谷价: {valley_price} 元/MWh")
print(f"峰谷价差比: {spread_ratio:.2f}")

# 判断套利空间
if spread_ratio > 2.0:
    print("套利空间充足，建议满充满放")
elif spread_ratio > 1.5:
    print("套利空间一般，需优化充放电策略")
else:
    print("套利空间不足，谨慎操作")

这里有个坑，我曾经踩过——只看峰谷价差还不够。为什么？因为储能系统有充放电效率损失，一般锂电是90%左右。你算账的时候得把效率算进去：

项目	数值	说明
谷时电价	225 元/MWh	凌晨3点充电
峰时电价	550 元/MWh	傍晚19点放电
充放电效率	90%	锂电典型值
实际套利空间	550×0.9 - 225 = 270 元/MWh	扣除效率损失

1.3 季节性模式识别：不同月份，不同玩法

电价不是一成不变的。你想想看，夏天和冬天的用电模式能一样吗？我整理了某省过去三年的数据，发现几个规律：

• 夏季（6-8月）：峰谷价差最大，能达到3-4倍。因为空调负荷推高了峰值电价。这时候储能应该满充满放，一天两充两放。
• 冬季（12-2月）：价差次之，约2-3倍。供暖负荷导致晚高峰延长。建议一充一放，充电时间可以提前到中午。
• 春秋季（3-5月、9-11月）：价差最小，有时不到2倍。这时候要精打细算，甚至可以考虑不操作，避免亏本。

咱们用代码验证一下季节性规律：

# 季节性电价分析
import pandas as pd
import numpy as np

# 模拟一年数据（简化版）
np.random.seed(42)
dates = pd.date_range('2023-01-01', '2023-12-31', freq='D')
# 不同季节的基础电价
base_price = np.zeros(365)
base_price[0:90] = 350    # 冬季
base_price[90:180] = 300  # 春季
base_price[180:270] = 450 # 夏季
base_price[270:365] = 320 # 秋季

# 加入随机波动
price_annual = base_price + np.random.normal(0, 50, 365)

# 计算月均电价
df = pd.DataFrame({'date': dates, 'price': price_annual})
df['month'] = df['date'].dt.month
monthly_avg = df.groupby('month')['price'].mean()

print("月均电价（元/MWh）：")
print(monthly_avg.round(0))

# 识别高电价月份
high_months = monthly_avg[monthly_avg > monthly_avg.mean() + monthly_avg.std()]
print(f"\n高电价月份：{list(high_months.index)}")

1.4 知识体系总览

说了这么多，咱们用一张图把本章的核心逻辑串起来：

这张图把咱们今天讲的内容串起来了。你看，从波动特征到价差规律，再到季节性模式，最终都指向一个目标——找到最优的充放电时机。

嗯，今天就先聊到这儿。记住一句话：电价分析不是算数学题，而是理解背后的物理规律和市场逻辑。下一章咱们会深入具体的预测方法，到时候见。

---

公众号:蓝海资料掘金营，微信deep3321