01
课程导论与市场背景
辅助服务市场定义、风电参与的必要性、国内外市场现状对比。
背景定义
02
电力市场基础
电力商品特性、市场架构（日前/实时/平衡）、电价形成机制。
日前电价
03
辅助服务市场详解
调频、备用、调峰、无功调节、黑启动服务的定义与考核标准。
调频备用
04
风电出力特性
风速概率分布（Weibull）、功率曲线、预测误差分析、爬坡事件。
Weibull爬坡
05
风电不确定性建模
场景生成与削减技术（蒙特卡洛、K-means聚类）、置信区间估计。
蒙特卡洛聚类
06
报价模型理论基础
博弈论基础（纳什均衡）、优化理论（线性/非线性规划）、风险度量（CVaR）。
博弈论CVaR
07
成本函数构建
风电边际成本（近乎零）、机会成本（弃风损失）、惩罚成本（偏差考核）。
边际成本弃风
08
收益函数构建
能量市场收益、辅助服务市场收益、容量市场收益（如适用）。
能量市场容量
09
报价策略模型（一）
基于边际成本的报价策略（理想情况）。
边际成本理想
10
报价策略模型（二）
基于预测信息的报价策略（考虑不确定性）。
预测不确定性
11
报价策略模型（三）
基于博弈论的报价策略（考虑竞争对手）。
博弈论对手
12
报价策略模型（四）
基于强化学习的报价策略（动态优化）。
强化学习Q-learning
13
模型求解方法
解析法（KKT条件）、数值法（粒子群、遗传算法）、商业求解器（Gurobi/Cplex）应用。
KKT粒子群
14
数据准备与预处理
历史风速、电价、出力数据的清洗与特征工程。
清洗特征工程
15
Python实现（一）
环境搭建与数据读取（Pandas/NumPy）。
PandasNumPy
16
Python实现（二）
风电出力场景生成与削减代码实现。
场景生成削减
17
Python实现（三）
成本与收益函数计算代码实现。
成本收益
18
Python实现（四）
基于线性规划的报价优化模型代码实现。
线性规划优化
19
Python实现（五）
基于蒙特卡洛模拟的风险评估代码实现。
蒙特卡洛风险评估
20
Python实现（六）
基于Q-learning的报价策略代码实现。
Q-learning强化学习
21
案例实战（一）
某风电场参与调频市场的报价方案设计。
调频实战
22
案例实战（二）
考虑爬坡约束的备用市场报价方案设计。
爬坡备用
23
案例实战（三）
高渗透率场景下的风储联合报价策略。
风储高渗透
24
模型评估与回测
KPI指标（收益率、命中率、Sharpe比率）、回测框架搭建。
Sharpe回测
25
市场规则解读
中国“两个细则”对风电辅助服务报价的影响。
两个细则规则
26
风险管理
电价波动风险、出力偏差风险、市场力监管风险。
波动监管
27
前沿技术
数字孪生在报价决策中的应用、联邦学习在数据共享中的应用。
数字孪生联邦学习
28
课程总结与知识图谱
核心知识点回顾、常见误区与避坑指南。
知识图谱避坑
29
扩展阅读与工具推荐
经典论文、开源项目（如PyPSA）、行业报告。
PyPSA论文
30
结业项目指导
选题建议、数据获取渠道、报告撰写规范。
项目报告