谈国平做工业用户用能优化的人，这两年被问得最多的一个问题就是：手里没有储能资产，还能不能享受储能带来的电价红利？过去答案很尴尬，要么自己掏钱建一个电站，要么找售电公司签一个“类储能”的套餐，但结算都不透明。直到共享储能模式跑起来，“工业用户+共享储能电站”的组合才真正变成可以落地的方案。而要让这个组合真正省钱，核心工作就是做“日前优化经济调度”——也就是在知道次日电价曲线和负荷预测的前提下，把共享储能什么时候充电、什么时候放电、充多少放多少，提前算成一张可执行的计划表。这篇文章我主要聊聊这个调度问题怎么建模型、怎么求解、实际算例能省多少钱，以及我在做类似项目时踩过的坑，给正在做智慧能源、储能运营或企业能源管理系统的朋友一个可参考的路径。
1. 共享储能为什么值得工业用户重新算一次账
1.1 工业用户电费账单里的三项成本
先看工业用户每月交的电费，其实不止是“用了多少度电多少钱”这么简单。国内大工业用户普遍执行两部制电价，账单大致由三块组成：第一块是容量电费，按变压器容量或者最大需量计算，相当于给电网的“占座费”，哪怕这个月没怎么用电，这笔钱也跑不掉；第二块是电量电费，才是真正按峰平谷时段和用电量计算的那部分；第三块是力调电费，跟功率因数挂钩，如果无功补偿做得好，还有奖励，做不好就要罚款。
这里面的“钱坑”在于：容量电费如果按最大需量计费，那么一个月里哪怕只有15分钟负荷冲高，整月都按这个峰值来收费。而电量电费又叠加峰谷价差，尖峰时段电价可能是谷段的三到四倍。对很多连续生产的工厂来说，生产计划不能随便砍，那就只能眼睁睁看着负荷高峰和电价高峰重叠。自建储能当然可以削峰填谷，但一次性投入太大，而且电池衰减、运维、安全这些事全都自己扛，很多工厂算完账之后只能放弃。
共享储能恰好解决这个痛点。电站由第三方投资建设，工业用户不需要出建设成本，只需要按次或者包月购买充放电服务。相当于从“自己养发电机组”变成“租电网侧的虚拟电池”，固定成本变成了运营成本，资产负债表的压力小了很多。但这种方式也带来一个新问题：共享储能容量是公共资源，用户必须提前申报自己第二天想用多少电、什么时间充放，电站运营方才能汇总后统一调度。这就把“日前优化调度”推到了前台。
1.2 共享储能和自建储能的调度逻辑差异
自建储能的调度逻辑是“我的电池我做主”，控制器直接下发指令，功率调节可以做到秒级甚至毫秒级。共享储能则不一样，用户在日前申报计划之后，实际执行时还要考虑站内多用户同时段的功率分配、线路约束、电站剩余可用容量，所以它的调度一定是分层的：最上层是“每个用户应该申报什么样的充放电计划”，最下层才是电站内部的功率分配。
对用户侧来说，日前调度只需要做好一件事：结合自己的负荷预测和电价信息，算出自己“理想中最优”的充放电曲线。这条曲线里的每个时段功率，就是向共享储能运营商提交的“需求订单”。运营商把所有用户的订单收齐之后，再做多用户协调，如果大家都要在同一时段放电，可能每个人的实际分配功率都会被打折。所以工业用户在日前申报时，不能用蛮力，不能简单地“低谷充满、高峰放完”，必须把不确定性留出余量。
关于这个余量怎么留，我后面在建模部分会具体说。这里要强调一个容易被忽视的点：共享储能模式下的用户侧优化，本质上是带“服务约束”的博弈。你报的计划越激进，万一被电站削峰限功率，损失越大；报得太保守，又抢不到低价充电份额。所以很多成熟项目，用户侧日前优化不是纯模型求解，还要加上对电站历史执行偏差的修正。理解了这一层，才能理解为什么优化目标不能只盯着电费最小化。
1.3 为什么优化窗口必须放在“日前”
有人会问：既然储能控制可以做到实时，为什么非得提前一天做计划？直接装一个实时控制器，盯着电价和负荷随时充放不行吗？理论上当然可以，但在共享储能模式下，资源是有限的，电站必须提前知道第二天的容量分配才能确定整站出力计划。更现实的原因是，现货市场或代理购电的分时电价，通常在日前才发布，电价倒挂、峰谷时段变化，都需要一个“预判+申报”的窗口。
所以“日前优化”不是技术落后，而是市场规则和商业模式共同作用的结果。它给工业用户带来的真正价值，是把“事后买单”变成“事前规划”。过去电价高的时候负荷高，只能硬扛；现在有了日前调度，可以在知道电价曲线的24小时内，主动安排储能在谷段蓄电、峰段放电，甚至配合可平移负荷把部分生产挪到低价时段。这种跨时段的经济优化，是实时控制做不到的，因为实时控制永远只看当下，看不到明天凌晨的谷电有多便宜。
做日前调度，本质上是在做一个“带约束的决策”：不是追求每个瞬间最优，而是追求全天综合成本最优。这也是为什么下面要用数学规划而不是简单规则去解决。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 日前经济调度的核心问题怎么变成数学问题
2.1 目标函数：从“省电费”到“最大化净收益”
把实际问题转化成数学模型，第一步就是明确要优化什么。工业用户接共享储能之后，经济收益来源主要分两块：一块是峰谷套利，低充高放直接赚价差；另一块是需量管理，储能放电把15分钟最大需量压下来，从而降低整月的容量电费。如果工厂还参与了需求响应，那储能还能在响应时段放电赚钱，这块收益弹性也不小。
把这些收益都折算到一天的时间尺度上，目标函数可以写成：
- 最小化：当日从电网购电费用 + 储能服务费 - 需量管理带来的容量电费分摊收益 - 需求响应收益
但这里有一个常见误区：容量电费是按月结算的，不是按天算的。所以很多实际项目并不把“需量”直接塞进单日目标里，而是先做全月模拟或者给定一个最大需量目标，再把目标折算成日内的功率上限约束。比如你这个月合同需量是5000kW，那日内负荷加充电功率就不能超过4950kW，留50kW的安全余量，这样就把一个月度指标变成了一个逐时约束。
对于非专业读者，我建议直接用“运行成本最小化”理解：把储能看作一个可以帮你把购电行为从高峰挪到低谷的工具，目标是当天花在电费加储能服务费上的总钱最少。数学模型上，这就是一个典型的混合整数线性规划，决策变量包括储能在每个时段的充电功率、放电功率、是否处于充电状态的0-1变量，以及用户从电网购电的功率。
2.2 约束条件：储能不是橡皮泥，想怎么捏就怎么捏
很多第一次做储能调度的人，模型目标函数建得很好，但一跑结果就出问题，根子大多出在约束条件上。储能电池的运行约束必须老实交代清楚，不然求解器就会“钻空子”造出一个物理上不可能的计划。
第一类约束是荷电状态（SOC）的递推关系，通俗讲就是“电池里有多少电”是连续变化的，不能跳变。SOC在每个时段末的值，等于上一个时段的值，加上这个时段的充电量乘以充电效率，再减去放电量除以放电效率，还要考虑电池自放电率。如果用1小时为一个时段，且忽略自放电，递推公式非常简单，但实际模型里，充电和放电不能同时进行，因为同时充放等于自己跟自己打架，白白浪费效率。
第二类约束是充放电功率限幅。电站给用户分配的共享容量是有上限的，比如合同约定最大充电功率500kW，最大放电功率800kW。那么每个时段实际充电功率不能超过500kW乘以一个0-1状态变量，放电功率不能超过800kW乘以（1减去这个状态变量），这两个约束加在一起，才能保证同一时段最多只有一种工作状态。
第三类约束是能量上下限。为了避免电池过充过放，SOC一般被限制在10%到90%之间，具体数值要看电池的化学特性和厂家的建议。有些项目为了让电池寿命更长，还会加一个日循环次数限制，比如一天之内等效满充满放不超过两次。这类约束看起来简单，但如果没有它，模型很可能会让电池做高频次小幅充放，实际运行中会加速容量衰减。
此外还有电力平衡约束：工厂负荷加上充电功率，必须等于电网购电功率加上放电功率。这里有个细节要注意，储能放电是直接抵消负荷，还是先上网再卖给用户？如果是用户侧共享储能，通常按“净计量”处理，也就是放电功率直接在用户关口表内侧消纳，不参与上网交易。这会影响功率平衡公式的方向，建模时一定要先和电站运营方确认。
2.3 负荷预测和电价数据，直接决定模型的上限
模型再精细，喂进去的数据不准，算出来的计划一样废。日前优化需要的输入数据主要有两类：一是用户次日96点或24点的负荷预测，二是次日分时电价曲线。负荷预测我们一般用企业历史用电数据加生产计划去估计。如果企业生产节奏稳定，比如三班倒连续生产，负荷预测相对简单，主要看有没有检修、启停机计划；如果生产受订单影响波动大，就一定要把预测误差考虑进去。
电价数据则要分清用户类型。很多一般工商业用户还在执行代理购电价格，峰平谷时段相对固定，只需要查电力公司公布的目录电价，并按季节调整。而进入现货试点的地区，日前电价曲线每天都会变化，尖峰时段可能出现在傍晚，也可能出现在晚上，谷电也可能在午间光伏大发时段。这时日前调度就真正显露出价值了，因为规则固定的峰谷电价用简单的两充两放策略就能应对，但现货波动的价格必须用优化模型才能抓住套利窗口。
我的经验是，电价数据的时段颗粒度不要只看峰平谷三段，最好拿到24点甚至96点的曲线。算例中如果只有三段电价，优化解比较粗糙，因为储能不能精确在“峰段的最后一个小时”开始放电，往往会造成放不完或者提前放完的问题。这一点在做实际项目时特别重要，我后面算例里会再展开。
3. 建模工具与求解器选型，少走弯路
3.1 为什么不用启发式规则，而用数学规划
先回应很多工程师的第一反应：这个调度问题，写个规则不就行了吗？比如“电价低于某个值就充，高于某个值就放”，或者直接人工预设两充两放。这种做法在电价曲线简单、负荷稳定时确实够用，而且计算速度极快。一旦电价曲线变成现货那样的24点高波动，负荷也有明显的不确定性，启发式规则就很难回答“凌晨1点的低价该充多少，是充满还是充一半留容量给凌晨4点更低价”这种问题。
数学规划则不一样。它把整个24小时的决策放在一起找全局最优，不会只顾眼前某个时段的价差。特别是混合整数线性规划，商业求解器已经非常成熟，一万个变量以内的模型求解时间通常只有几秒。对日前调度来说，这已经完全够用，所以不推荐再把问题搞复杂去上强化学习或者智能算法，性价比不高。
当然，如果你做的是上百个用户聚合的共享储能电站调度，变量数量和约束规模会爆炸，那时候可以用拉格朗日松弛或者Benders分解把问题拆开。但这是电站运营方要面对的复杂度，单个工业用户做日前申报，MILP就够了。
3.2 模型实现：MATLAB+Yalmip 还是 Python？
工具选型上，行业里两套主流方案都有人用。如果你平时做电力系统分析，大概率熟悉MATLAB，加上Yalmip工具箱后建模非常直观，Yalmip会把优化问题转换成求解器需要的标准形式，自己不用手写约束矩阵。求解器一般接Gurobi或者CPLEX，虽然要商业授权，但学生版和试用版都能跑小规模问题。我自己习惯用这套组合做验证，因为调试方便，约束写错了报错信息清楚。
如果你不想依赖MATLAB，Python生态也不差。可以像我另一套方案那样用OR-Tools或者PuLP来建MILP模型，求解器可以选开源的CBC，也可以选商业的Gurobi，通过gurobipy直接调。Python的好处是数据预处理和结果可视化方便，毕竟负荷预测、电价读取通常都用pandas处理，能在一个语言里闭环会省事很多。
我目前的首选方案是：探索阶段用Python+gurobipy建全天96点模型，然后做经济性测算；如果只是给客户演示，会先用Yalmip搭一个简化版。说实话，工具不是瓶颈，关键是建模的人要把约束条件吃透。下面给一段核心伪代码，逻辑通用，你换成任何建模语言都能照搬。
3.3 核心调度模型代码，改参数就能跑
假设我们以1小时为步长，一共24个时段。电价数据放在数组price里，负荷预测放在数组load里。储能参数包括额定容量E_max、充电功率上限P_ch_max、放电功率上限P_dis_max、充电效率eta_ch和放电效率eta_dis。
决策变量：
- P_ch[t]：第t时段充电功率，非负；
- P_dis[t]：第t时段放电功率，非负；
- u_ch[t]：0-1变量，1表示充电，0表示不充；
- u_dis[t]：0-1变量，1表示放电；
- SOC[t]：第t时段结束时的荷电状态；
- P_grid[t]：第t时段从电网购电功率，非负。
目标函数是全天购电费用最小值：
min sum_t price[t] * P_grid[t] * 1h
约束条件中，最核心的代码如下：
python复制# 同一时段不能同时充放电
for t in range(24):
model.addConstr(P_ch[t] <= P_ch_max * u_ch[t])
model.addConstr(P_dis[t] <= P_dis_max * u_dis[t])
model.addConstr(u_ch[t] + u_dis[t] <= 1)
# 功率平衡：负荷 + 充电 = 购电 + 放电
for t in range(24):
model.addConstr(load[t] + P_ch[t] == P_grid[t] + P_dis[t])
# SOC递推
SOC_init = 0.2 * E_max # 假设初始SOC 20%
SOC_min = 0.1 * E_max
SOC_max = 0.9 * E_max
for t in range(24):
if t == 0:
model.addConstr(SOC[t] == SOC_init + eta_ch * P_ch[t] - P_dis[t] / eta_dis)
else:
model.addConstr(SOC[t] == SOC[t-1] + eta_ch * P_ch[t] - P_dis[t] / eta_dis)
model.addConstr(SOC[t] >= SOC_min)
model.addConstr(SOC[t] <= SOC_max)
# 一天结束后SOC回到初始值附近，便于第二天循环
model.addConstr(SOC[23] >= SOC_init - 0.01 * E_max)
model.addConstr(SOC[23] <= SOC_init + 0.01 * E_max)
这里有一个容易被忽略的点：我默认负荷和储能在同一个关口表后面，储能放电功率不反送电网。如果load[t]小于P_dis[t]，功率平衡约束会迫使P_ch[t]或P_grid[t]出现负值，而P_grid[t]被定义为非负，就会直接报不可行。所以实际建模前，要先判断用户负荷低谷是否可能低于储能放电功率，如果可能，需要加上“放电功率小于负荷”的约束，或者允许向电网反送电（如果政策允许）。
另外我建议把储能服务费加入目标函数。共享储能不是免费的，简单按放电电量收费的话，每放一度电要交M元服务费，那目标函数的P_dis[t]前面就要加一项-M*P_dis[t]，优化器会在峰谷价差和服务费之间自行权衡，这样算出来的放电计划更接近真实可执行的结果。
4. 算例：一个工业园区用户，共享储能1MW/2MWh，一天能省多少
4.1 原始数据：负荷、分时电价、储能参数
理论讲完，用一组实际数据走一遍流程。假设某工业用户全天负荷呈现典型的双峰特征：上午9点到11点半有一个高峰，下午14点到18点有第二个高峰，夜间负荷相对低，但也没有完全停机，最低负荷大概在800kW左右。
次日分时电价执行一般工商业峰谷电价，尖峰时段是10:00-11:00和14:00-15:00，电价1.08元/kWh；高峰时段是8:00-10:00、18:00-21:00，电价0.88元/kWh；平段是6:00-8:00、11:00-14:00、15:00-18:00、21:00-22:00，电价0.58元/kWh；谷段是22:00-次日6:00，电价0.28元/kWh。
共享储能参数按常见配置取：额定容量2MWh，功率1MW，也就是说理论上1小时可以充满1MWh，2小时可以充满2MWh；充电效率0.95，放电效率0.95；最大最小SOC分别设为90%和10%；储能服务费按放电量收取0.1元/kWh，充电不收费。初始SOC设为20%，要求日末SOC回到20%附近。
为了方便计算，24小时负荷曲线我就不逐条列，直接说结果会更清晰。
4.2 最优充放电计划长什么样
优化出的计划大致是：凌晨1点到5点之间，把储能从20%充到90%，这里有4个小时可以充，因为充电功率1MW，而电池需要净充约1.6MWh，考虑效率大约需要充电电量1.7MWh，安排在凌晨2点到4点之间就能完成；上午10点尖峰时段放电1小时，以1MW功率放电，把SOC从90%放到约43%；午间平段电价偏低，不充电，等14点第二个尖峰时段再放电到SOC接近20%。
两次放电都会精准落在尖峰时段，而不是高峰时段。原因很简单：两个尖峰时段的价差收益最大，而在平段和谷段的充电成本几乎一样低，所以控制器会把放电集中在价格最高的那两个小时。如果在更细的96点模型中，放电开始和结束时间甚至可能是10:15到11:00这样的非整点区间，但用小时粒度调度已经能抓到大部分收益。
功率曲线里还能看到，放电功率正好等于1MW上限，说明1MW的功率设计在这个负荷规模下是够用的。如果哪天负荷特别低，放电计划会被强制压低，因为不能让储能放电超过负荷。
4.3 收益与费用分成：到底谁赚了
逐时测算的结果如下：没有储能时，用户全天购电费用约4.82万元，其中包含了高峰和尖峰时段的高价电量；接入共享储能并执行日前优化后，全天购电费用降到约4.51万元，节省了约3100元。扣除储能服务费，按两次放电合计约1.5MWh计算，服务费约150元，实际净节省约2950元。一个月按22个生产日算，节省约6.5万元，一年就是78万元。
这个数字看起来可观，但要注意几点前提：第一，这个用户的负荷峰谷差大，尖峰时段负载高，储能放电能就地消纳；第二，本地峰谷价差超过0.8元/kWh，这决定了套利空间；第三，储能每天可以做到两充两放，而且充放电的效率损失不大。如果换成峰谷价差只有0.4元的地区，单日收益会大幅缩水，可能只有800到1000元。
关于费用分成，目前市场上常见的模式是：用户按放电量付服务费，电站运营商从中获得收入。也有一些项目把初始投资和运营成本打包，折算成每月的固定容量费，这样的话日前优化模型里目标函数要加一项固定成本，优化目标会从“净节省电费”变成“在覆盖容量费的前提下尽量多套利”。我给客户做测算时，一般都会做两个版本：保守版不含需量管理收益，乐观版把容量电费的降低也算进去，后者往往才是项目落地的真正推手。
5. 设计调度计划时最容易踩的坑
5.1 同时充放电：看起来在跑，结果全是在空转
我第一次跑模型的时候就犯过这个错误。当时图省事，没有加“同一时段不能同时充放电”的0-1约束，只靠目标函数的电价差去优化，结果求解器给出的计划居然出现了同时充放电的时段，而且目标函数还挺“好看”。原因是模型发现了bug：充电和放电在同一个节点，如果各自走一遍效率损失，系统总购电成本会增加而不是减少，按理说目标函数会自动惩罚同时充放。但当我加入某些特殊约束，比如功率平衡里P_grid = load + P_ch - P_dis而P_dis又有收益项时，求解器可能会通过“充电1MW、放电0.9MW”这种匪夷所思的操作去满足某些边界条件，同时制造虚假的收益。
所以不要以为目标函数会自动避免同时充放电，0-1约束一定要显式加上。加了之后模型求解时间会变长一点，但这是值得的。如果你用连续变量和Big-M法把充放电状态松弛掉，也要小心M值不能取得太大，否则会带来数值稳定性问题，导致求解器报“数值困难”或者干脆给出次优解。
5.2 SOC递推里的效率陷阱：充电95%和放电95%不是一回事
效率处理是第二个高频坑。很多人图省事，把充放电效率合成一个总效率0.9，充电和放电都用这个值，结果算出来的调度计划常常高估可用电量。举个简单例子，2MWh电池，用1MWh的电充进去，按90%的总效率，能放出来0.9MWh；但如果按充电95%、放电95%计算，实际放出来是1×0.95×0.95=0.9025MWh，差别看似不大。随着循环次数增加和电池老化，这个误差会被放大，而且效率还会随着充放电倍率变化，不是固定常数。
所以在日前优化里，至少要把充电效率和放电效率分开建模，具体数值可以按厂家提供的实测曲线取，而不是只看铭牌。如果电站数据允许，最好还按“充电功率越大效率越低”做分段线性化，这样模型会更贴近实际。不过对于1MW/2MWh这种小规模共享储能，固定效率已经够用，不必把模型搞得过于复杂。
5.3 周期耦合：日末SOC不设约束，第二天直接傻眼
共享储能是每天循环使用的，不是只运行一天。如果日末SOC不约束回初始值，优化器很可能为了贪当天最后几个小时的高价，把电池放到SOC下限，第二天早上需要充电时却发现电量不够用。这在单日算例里看不出问题，因为只看一天目标，模型根本不在乎第二天。
解决办法是在模型里加日末SOC的上下限约束，一般让它回到初始值附近，差个±5%都是合理的。如果希望系统更灵活，也可以把“日末等于初始值”改成“日末大于等于某个低值，比如30%”，这样第二天的第一步充电不会太吃力。实际上，在连续多日滚动优化里，日末SOC应该作为一个决策变量，由第二天的预测电价和负荷决定，但从单日模型起步时，先加日末回初始值是最稳妥的做法。
5.4 数据颗粒度太粗，白白错过套利窗口
最后一个坑是数据粒度。很多地区发布的峰谷电价只有三段或者四段，看起来调度计划只要在谷段充电、尖峰段放电就行。但实际结算常常是15分钟一个点，如果模型也是24点，那模型里“一小时放电1MW”在实际执行时可能被拆成四个15分钟点，其中前两个点落在平段、后两个点落在尖峰段，实际收益和模型算的差距很大。
如果条件允许，我建议电价和负荷都按96点处理，SOC递推也按15分钟步长。变量从24点变成96点，规模只是原来的四倍，MILP求解器完全扛得住，但优化出的充放电计划会精准很多。尤其是参与现货市场的地区，价格每15分钟变一次，调度计划如果不按这个粒度做，基本等于盲人摸象。
6. 再往前走一步：调度之外还能怎么玩
6.1 和多需量管理结合，别只盯着峰谷套利
很多工业用户接入共享储能的第一直觉都是削峰填谷，这没错，但只算峰谷套利往往会低估储能的收益。最大需量电费按“月最大15分钟平均需量”计算，如果用户在某个尖峰时段原本要从电网取电9000kW，储能放1MW之后，关口最大需量降到8000kW，那么整月的容量电费都可能按下调后的档位收。这一项省的钱，可能比峰谷价差还多。
要把需量管理纳入日前调度，就得给模型增加一条约束：每个时段电网购电功率不超过一个目标值P_limit，这个目标值由容量电费和实际负荷水平共同决定。这样优化器会在“降低峰值需量”和“在谷段充电”之间做权衡，有时会牺牲一点谷段充电量，换来的却是整月容量电费的大幅下降，综合算下来更划算。
6.2 多用户共享储能的容量申报博弈
如果是多个工业用户共享同一座电站，单用户独立做日前优化还不够，因为电站总功率有限，大家都想在尖峰时段放电时，实际分到手的功率会变小。这种情况下，单用户模型需要增加一个“可用共享容量”参数，而这个参数最好基于历史实际分配比例来设定。
从电站运营方视角看，多用户的容量分配是一个上层的资源优化问题，可以按用户申报的用电紧迫度和电费节省效果做二次分配。从用户侧视角看，最务实的做法是：不要一次申报把全部容量占满，留10%-20%的余量给现货市场的不确定性，同时把自己的申报曲线尽量和同园区其他用户的负荷曲线错开，这样可以减少被调控的概率。
6.3 从日前到日内：滚动修正让执行更稳
日前计划做得再漂亮，实际执行时也会遇到负荷预测偏差、电站临时降功率等意外。所以成熟的项目都是“日前申报+日内修正”的嵌套结构。日内修正常用模型预测控制，每15分钟或1小时滚动一次，根据最新的负荷和电价刷新剩余时段的计划。
我和团队在实际落地时，通常保持日前计划为基准，但在日内增加一道逻辑：如果发现实际负荷比预测低15%以上，就主动暂停下一时段的充电，防止SOC过高；如果负荷突然拉高，就允许临时申请放电。这种动态修正虽然不改变日前申报的整体框架，但能让执行偏差控制在5%以内，对最终账单的影响非常大。
我个人在实际操作中的体会是，共享储能调度项目能不能赚钱，五成靠建模精度，五成靠数据质量和运营细节。模型算法其实市场已经非常成熟，真正拉开差距的是对用户负荷特性的理解，对电价结算规则的吃透，以及对储能电池本体特性的敬畏。如果你正准备做类似项目，建议先拿一个月的实际负荷和电价数据做回测，确认单日净收益能覆盖服务费再谈扩容。一步一脚印，比一上来就追求复杂算法要靠谱得多。