01 — Кейс · ML Нейросети

Торговля накопителем энергии по прогнозу цен

Накопитель на 20 МВт и 40 МВт·ч торговал на оптовом рынке по простому правилу: заряжаться ночью, отдавать в пик. Мы заменили это правило системой, которая прогнозирует цены на сутки-полтора вперёд, строит сотни сценариев и подбирает заявки с учётом риска и износа батареи. Проект занял 8 месяцев. За 4 месяца реальной торговли маржа на МВт·ч выросла на 12%.

8 месяцев
Обновлено:
Смотреть кейс
срок проекта
8 месяцев
функциональных модулей
5
этапов разработки
5
ключевых технологий
5
Торговля накопителем энергии по прогнозу цен

02 — Контекст

Задача проекта

Исходная ситуация, ограничения и проблемы, которые должна была решить новая система.

Накопитель мощностью 20 МВт и ёмкостью 40 МВт·ч работает на двух площадках оптового рынка: на рынке на сутки вперёд (РСВ) и на балансирующем рынке. Он делает до двух циклов заряда и разряда в сутки. Заявки подавались по эвристике «заряжай ночью, отдавай в пик».

Правило простое, но цены каждый день складываются по-своему. В часы с околонулевыми ценами терялась маржа: часы с ценой ниже 300 ₽/МВт·ч использовались лишь в каждом пятом случае. Отклонения от заявленного графика оборачивались штрафами. Батарея изнашивалась быстрее, чем закладывали в план.

Задача была в том, чтобы торговать по прогнозу, а не по расписанию, и учитывать сразу три вещи: цену, риск ошибки прогноза и стоимость износа батареи.

  1. Упущенные дешёвые часы

    Фиксированное правило не смотрит на цены конкретного дня. Часы с ценой ниже 300 ₽/МВт·ч шли в дело только в 20% случаев, и каждый пропущенный дешёвый заряд уменьшал маржу.

  2. Штрафы за отклонение

    Фактический график расходился с заявленным, и за это рынок штрафовал. Эвристика не учитывала, насколько надёжен прогноз и что будет, если он ошибётся.

  3. Износ сверх плана

    Батарея деградировала быстрее плановой нормы. 9% времени накопитель работал за пределами окна заряда 10–90%, а цена износа в решениях о торговле никак не учитывалась.

  1. Прогноз цен в виде диапазона

    Модель на LightGBM с квантильной регрессией прогнозирует цены на 24–36 часов вперёд. Простыми словами, она выдаёт на каждый час не одну цифру, а диапазон возможных цен с вероятностями. Из этих диапазонов собирается 400 сценариев того, как может пройти завтрашний день на рынке.

  2. Заявки, которые выдерживают ошибку прогноза

    План заряда и разряда подбирается сразу на всех сценариях как задача смешанного целочисленного программирования (MILP). Ограничение CVaR следит за худшими исходами: в самых неудачных сценариях потери не должны выходить за заданный предел. Поэтому система не ставит всё на один прогноз и выбирает заявки, выгодные в среднем и безопасные в плохой день.

  3. Износ батареи как цена цикла

    Модель деградации оценивает, сколько ёмкости съедает цикл, в зависимости от числа циклов, глубины разряда и температуры. Эта оценка входит в целевую функцию оптимизации как стоимость цикла. Если разница цен не покрывает износ, система не гоняет батарею ради неё. Так ёмкость не тратится на сделки, которые её не стоят.

  4. Балансирующий рынок и торговый шлюз

    Кроме рынка на сутки вперёд, накопитель работает на балансирующем рынке с резервом. Система интегрирована с торговым шлюзом.

  5. Среда симуляции

    В среде симуляции тестировали политику обучения с подкреплением (RL) для внутричасовых корректировок. Её отключили: прирост не окупал риск.

04 — Архитектура

Технологический стек

Технологии выбраны под нагрузку, интеграции и дальнейшее развитие продукта.

Зачем в проекте · 01 / 05

Python

На нём написаны прогноз, генерация сценариев, оптимизация, симулятор и связь с торговым шлюзом. Один язык на весь контур упрощает сопровождение.

Ещё в проекте
  • CVaR

05 — Процесс

Как шла разработка

Последовательность работ от исследования задачи до запуска и проверки результата.

  1. Прогноз цен и сценарии

    Построили квантильный прогноз цен на 24–36 часов и генерацию 400 сценариев по нему.

  2. Модель деградации

    Описали износ батареи через число циклов, глубину разряда и температуру и превратили его в стоимость цикла для оптимизатора.

  3. Оптимизация и бэктест

    Собрали стохастическую оптимизацию с CVaR-ограничением и прогнали её на исторических данных. Бэктест показал прирост маржи на 21%, но это расчёт на истории, а не результат торговли.

  4. Симулятор и проверка RL

    В среде симуляции испытали RL-политику для внутричасовых корректировок. Прирост не окупал риск, и её отключили.

  5. Выход в торговлю

    Интегрировали систему с торговым шлюзом и перевели накопитель на новые заявки. От старта до промышленной эксплуатации прошло 8 месяцев, затем результаты измеряли 4 месяца реальной торговли.

06 — Итог

Результаты

Что создано в рамках проекта: рабочий контур, реализованные возможности и подтверждённые факты.

маржи на МВт·ч, замер за 4 месяца торговли
+12%
штрафов за отклонение от графика, замер
−25%
времени вне окна заряда 10–90%, замер
9% → 2%

За 4 месяца реальной торговли маржа на МВт·ч выросла на 12%. Часы с ценой ниже 300 ₽/МВт·ч накопитель теперь использует более чем вдвое чаще, штрафы за отклонение от графика снизились на четверть, а за пределами окна заряда 10–90% он работает 2% времени вместо 9%.

Бэктест на исторических данных обещал больше, +21%. Разрыв появился из-за двух причин: собственные заявки накопителя влияют на цену, а в дни ремонтов сетей прогноз отклоняется сильнее. Износ за 4 месяца достоверно не измерить: система управления батареей (BMS) оценивает остаточную ёмкость с точностью ±1%. По модели деградация укладывается в план, но это оценка, а не замер.

Четыре месяца не покрывают паводок и зимний пик, поэтому годовую маржу из этих данных экстраполировать нельзя. Экономика проекта также сильно зависит от регуляторной модели участия накопителей в рынке.

FAQ

Вопросы о проекте

Обсудим похожий проект?

Расскажите о задачах вашего бизнеса — предложим архитектуру и оценим сроки

Предиктивная аналитика