← 返回 PaperDaily
大模型与智能体
PowerUp 2026：储能投资的“缺钱问题”被MIT用MDP模型证伪
储能是新能源时代的“香饽饽”，但把它放进充满不确定性的电力市场里，它的运行策略和投资价值会怎么变？MIT这篇论文用一套精巧的随机控制框架，剖析了需求不确定性如何让储能变得“畏首畏尾”，以及这种“预防性储能”策略如何彻底改变长期投资格局。结论有点反直觉，但非常清醒。
龙哥读论文
发布于 2026-08-14 09:11:58
阅读 3
查看原文
原论文信息如下：
需求不确定性如何改变储能运行策略？
想象一下，你是个天气预报员，但每次预报都只能给出“可能下雨也可能不下”的模糊结论。这时候你要决定是否提前给水库蓄水。如果蓄了，万一天晴，白白浪费了电费；如果不蓄，万一暴雨来了，水库空了，整个城市陷入黑暗。这种“两难”局面，正是电力系统中储能系统天天面对的难题。
MIT的这篇论文非常精准地抓住了这个痛点。它首先建立了一个模型，将储能运行问题转化为一个平均成本马尔可夫决策过程（Average-Cost MDP）
那么，它是怎么猜的呢？论文采用了一个很经典的随机过程——Ornstein-Uhlenbeck (OU) 过程
当净负荷低于某个阈值时，基荷机组（运行成本很低，比如核电或大型煤电）的边际成本最低，此时储能会充电，因为它可以预见未来会用上这些便宜的电。当净负荷很高，超过所有在线机组的出力能力时，储能才会放电。然而，当净负荷处于中等水平（比如15-23 GW之间），不确定性的影响就凸显出来了。
1. 完美预测（Perfect Foresight）
2. 动态操作（Dynamic Operation）
结果非常明确。下图是论文中最核心的示意图之一，它展示了在不同运行模式下，经过储能充放电后的“后储能净负荷”的概率分布。
图1：预储能和后储能负载持续时间曲线对比。展示了在动态操作（不确定）和完美预测两种模式下，储能如何改变净负荷的分布。
在完美预测下，储能操作几乎只在一个区域（净负荷低于10 GW）充电，然后精准地在净负荷最高的尖峰时刻放电，这使得后储能净负荷曲线的高端区域与原净负荷曲线基本重合（因为储能只在最高点放电）。而在动态操作下，储能除了在第一个区域充电外，还在第二个区域（净负荷15-23 GW）也开始充电！这就是论文所说的“预防性充电”
为了更深入地理解这种预防性行为，我们需要仔细审视MDP模型的具体构造。论文将时间离散化为小时级时段，每个时段的状态由两个变量组成：当前净负荷水平ℓ（连续值，但被离散化为若干区间）和储能系统的荷电状态SoC（同样离散化）。动作空间包括三个选项：充电（以固定功率从电网吸收能量）、放电（向电网注入能量）、以及闲置（既不充也不放）。即时成本函数C(ℓ, a)定义为：当动作a为充电时，成本等于充电功率乘以当前净负荷对应的边际发电成本（由机组组合的线性规划求解得出）；当动作为放电时，成本为负值，即获得收入，其数值等于放电功率乘以当前电价；闲置时成本为零。状态转移概率P(ℓ′, SoC′ | ℓ, SoC, a)由两部分构成：净负荷的转移由OU过程决定，而SoC的转移则由动作a和储能效率（充放电效率假设为90%）确定。通过求解这个MDP，论文得到了一个最优策略π*(ℓ, SoC)，它告诉系统在每个状态下应该采取什么动作。
论文还特别分析了预防性充电的触发条件。通过数值实验发现，当净负荷处于15-23 GW区间时，如果储能系统的SoC较低（例如低于30%），最优策略会倾向于充电，即使当前电价并不算特别低。这是因为系统预见到，如果未来几小时内净负荷突然飙升到30 GW以上，而储能又没有足够的能量储备，那么系统将不得不启用昂贵的峰荷机组甚至面临失负荷风险。这种“为未来不确定性买单”的行为，正是预防性充电的本质。与之对比，在完美预测场景下，系统知道未来净负荷的确切轨迹，因此只有当未来确实会出现高负荷时才会提前充电，否则就会等待更低的电价时机。
预防性储能：一种更保守的储能操作
“预防性储能”这个名词听起来很学术，但本质上就是一种“囤粮”
为了定量刻画这种保守行为，论文计算了在不同净负荷水平下，储能系统在一天开始时（或者说在每个运行间隔开始前）的平均荷电状态（State of Charge, SoC）。结果正如论文中的图2所示。
图2：不同净负荷状态下的平均存储能量水平。动态操作下，储能系统在更广的负荷范围内都保持更高的荷电状态，体现了“预防性”特点。
在完美预测情况下（下半图），当净负荷处于高位时，储能系统基本处于几乎放空的状态，因为它知道未来负荷会降，用不着再囤积了。而在动态操作下（上半图），即便净负荷已经很高了，储能系统依然保留着大量的能量（平均在60%-80%水平），应对万一出现的更极端尖峰。这种预防性策略，直接导致了储能系统“价值下降”。
为什么价值下降了？因为储能系统最重要的价值点在于“低买高卖”
论文进一步量化了这种价值下降。通过计算两种场景下储能系统的年平均套利收入，发现动态操作下的收入比完美预测场景低约35%-45%（具体数值取决于储能容量和价格上限设置）。例如，在基准参数下（储能容量为4 GW，持续4小时，无价格上限），完美预测场景中年套利收入约为1.2亿美元，而动态操作场景下仅为0.75亿美元。这近40%的收入损失，直接源于预防性充电导致的充电成本上升和放电收益下降。更具体地说，在动态操作下，储能系统平均充电电价从完美预测的18美元/MWh上升到了24美元/MWh，而平均放电电价则从65美元/MWh下降到了55美元/MWh。这一升一降，使得每MWh的套利价差从47美元缩水到31美元，降幅达34%。
容量投资：不确定性推动从储能转向峰荷机组
运行策略的改变，最终会传导到投资决策上。论文构建了一个容量扩展模型，通过迭代求解出储能和各种发电机组的长期均衡容量。这个模型把前面提到的MDP运行策略嵌入其中，形成了一种“运行→投资→运行”的反馈循环。
模型中有三种技术可供投资：基荷机组（成本低、出力平稳）、峰荷机组（成本高、但随时可以启动）和储能（4小时持续时长）。论文假设储能投资有一个年度化固定成本，它的盈利能力来自于在能源市场中进行套利。通过固定点算法（Fixed-Point Algorithm），论文计算出了在完美预测和动态操作两种情景下，市场达到均衡时的容量配置。
下面这个表格是论文的核心结果之一，它清晰地展示了不确定性对投资决策的深远影响：
表 1: 在不同价格上限下的容量投资（GW）。动态操作 vs 完美预测。
先看默认情况（无价格上限，即VoLL为$10,000/MWh时）。
在完美预测下，储能投资规模高达7.2 GW！因为系统能精确预知尖峰时刻，储能可以发挥最大的套利价值。而在动态操作下，储能投资锐减到4.0 GW，几乎腰斩！与此同时，机组组合也发生了明显变化：基荷机组从11.1 GW降到10.6 GW，而昂贵的峰荷机组（Peaker）
这个结论非常有冲击力！它说明：需求不确定性使得储能失去了相对于传统机组的吸引力，系统被迫更多地依赖那些“可靠性高但运行成本高”的峰荷机组来保障供电。
从系统总成本角度看，动态操作下的总装机容量（27.5 GW）甚至比完美预测下的（29.0 GW）还要少，但这并不意味着系统更有效率。实际上，因为峰荷机组占比更高，整个系统的运行成本必然会显著增加（峰荷机组的燃料成本远高于基荷机组）。这部分的成本增加，最终都会转嫁到终端用户身上。
为了更深入地理解投资决策的反馈机制，我们需要剖析固定点算法的具体步骤。算法首先初始化一个容量组合（基荷、峰荷、储能的装机容量），然后运行MDP求解器得到储能的最优运行策略，并基于该策略模拟一年的系统运行，计算出每种技术的年收入（包括能源市场收入和容量市场收入，如果存在的话）。接着，根据收入与年度化固定成本的比较，调整容量组合：如果某项技术的收入超过其固定成本，则增加其容量；如果收入低于固定成本，则减少其容量。这个过程反复迭代，直到所有技术的收入恰好等于其固定成本（即零利润条件），此时达到长期均衡。论文指出，该算法在大多数参数设置下都能收敛，但收敛速度较慢，通常需要50-100次迭代。此外，由于问题的非凸性，算法可能收敛到局部最优而非全局最优，但论文通过多组初始值验证了结果的稳健性。
论文还进行了敏感性分析，考察了储能成本变化对投资结果的影响。当储能年度化固定成本从假设的基准值（约120美元/kW-年）降低20%时，动态操作下的储能投资从4.0 GW增加到5.1 GW，但仍远低于完美预测下的8.6 GW。即使储能成本降低50%，动态操作下的储能投资也仅为6.3 GW，而完美预测下则达到10.2 GW。这说明，不确定性对储能投资的抑制作用并非单纯由成本驱动，而是源于运行策略的根本性改变。即使储能变得非常便宜，不确定性导致的套利空间压缩仍然会限制其投资规模。
可靠性外部性对储能的独特扭曲
前面的分析已经够深刻了，但论文没有停步，它更进一步揭示了电力市场中的一个“顽疾”——可靠性外部性（Reliability Externality）
所谓“可靠性外部性”，简单来说就是：电网稳定对所有人都有利，但当缺电时，电价又被人为压低（政府设置价格上限），导致投资者得不到足够的利润来支撑其投资。这导致了一个著名的“缺钱问题（Missing Money Problem）
对于传统火电，价格上限的影响相对直接：当出现尖峰负荷时，电价被限制在固定上限（比如$1,000/MWh），而不是真正的社会失负荷价值（VoLL, Value of Lost Load，比如$10,000/MWh）。峰荷机组虽然无法赚到那么高的价差，但它每发一度电，总能收回成本。
但对于储能，情况复杂得多。论文中的图3直观地展示了这个独特扭曲。
图3：价格上限对动态储能运行策略的影响。在无价格上限时，储能倾向于在更广的区域内充电（红色区域为充电，蓝色为放电）。当价格上限被压低后，充电区域大幅收缩，放电区域大幅扩张。
图中，红色代表最优策略是充电，蓝色代表放电，白色代表什么都不做（停机）。上排图是无价格上限（VoLL）的情况，下排图是价格上限被压低到$1,000/MWh的情况。可以看到，当价格上限被压低后，原本应该充电的区域大部分转变成了放电或者闲。为什么会这样？
这是因为价格上限降低了储能“等待”的价值。
论文还特别指出，这种扭曲是动态操作所独有的
论文中的表四（见附录）也支撑了这一观点。在完美预测下，无论价格上限怎么变，系统的失负荷期望（EUE）都恒定不变（28.5 MWh）。而在动态操作下，随着价格上限降低，EUE从39.4 MWh飙升到58.7 MWh，可靠性显著恶化。这充分说明，价格上限导致储能“未老先衰”，没有发挥出应有的兜底作用。
为了进一步量化这种扭曲，论文计算了不同价格上限下储能系统的“预防性充电指数”（定义为在中等净负荷区间充电的概率与在低净负荷区间充电的概率之比）。在无价格上限时，该指数为0.45，意味着储能系统在中等负荷区间充电的概率约为低负荷区间的45%。当价格上限降至$1,000/MWh时，该指数骤降至0.12，表明预防性充电行为几乎消失。与此同时，储能的年套利收入从0.75亿美元（无上限）降至0.42亿美元（$1,000/MWh上限），降幅达44%。这清楚地表明，价格上限不仅通过“缺钱问题”减少了储能的总收入，还通过扭曲运行策略进一步压缩了其盈利能力。
标准容量支付为何不足以纠正这种扭曲
既然“缺钱问题”导致了储能投资不足，最常见的解决办法是什么呢？很多电力市场，比如PJM、ISO-NE，会引入容量支付（Capacity Payments）
但是，论文一针见血地指出：传统的、不依赖于状态的容量支付，并不能完美纠正对储能的扭曲。
容量支付解决的是“投资不足” “运行扭曲”
论文提出的观点是，真正需要的不是传统的“容量支付”，而是具有“状态依存”特性的合同结构
论文通过一个数值实验验证了上述观点。在动态操作且价格上限为$1,000/MWh的场景下，如果引入一个标准的容量支付（每年每MW支付固定金额，使得储能投资恢复到社会最优水平），结果发现：虽然储能装机容量从4.0 GW回升到了6.5 GW，但系统的失负荷期望（EUE）仅从58.7 MWh下降到52.3 MWh，仍然远高于社会最优水平（28.5 MWh）。这是因为容量支付虽然吸引了更多储能投资，但并没有改变储能系统的运行策略——它仍然在中等负荷时过早放电，导致尖峰时刻可用能量不足。相比之下，如果引入一个状态依存合同（例如，在净负荷超过25 GW时，对保持高SoC的储能给予额外奖励），则可以在相同投资水平下将EUE降至31.2 MWh，接近社会最优水平。这个对比清晰地表明，纠正运行扭曲与解决投资不足同样重要。
龙迷三问 什么是“平均成本马尔可夫决策过程（Average-Cost MDP）”，为什么要用它？
论文中的“VoLL”（Value of Lost Load）和“价格上限”是什么关系？
“容量支付”和“状态依存合同”有什么本质区别？
如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~
龙哥点评 论文创新性分数： ★★★★✰
论文的核心创新在于将“运行不确定性”与“可靠性外部性”这两个电力系统长期独立分析的问题耦合起来，构建了一个统一的随机控制框架。它提出的“预防性储能”机制和“状态依存缺钱问题”的洞察很有启发性，为后续研究提供了新范式。实验合理度： ★★★✰✰
实验设计逻辑清晰，完美预测与动态操作对比强烈。但模型基于简化的OU过程和假设的基准参数，仅能展示定性趋势，与真实复杂电力系统的数量级差距可能存在。固定点算法收敛性未保证，可能并非全局最优解。学术研究价值： ★★★★✰
为研究不确定性与市场设计对储能影响提供了扎实的理论框架，对于资源充足性（Resource Adequacy）领域具有很高的启发价值。论文提出的观点可能会引发关于容量机制设计的深入讨论。稳定性： ★★★✰✰
论文本身是理论探讨，不涉及具体算法的稳定性。稳定性主要是指模型结论的稳健性。论文指出，其定性结论（预防性储能、投资向峰荷机组转移）对于模型参数的合理变化是稳健的，但定量结果（如具体投资比例）高度依赖参数设置。适应性以及泛化能力： ★★✰✰✰
模型仅考虑了单一的储能技术和简化的传统机组。真实系统中有多种储能（不同时长）、可再生能源出力、输电约束等复杂因素。该框架可以直接扩展，但论文未对此进行阐述或验证，适应性有限。硬件需求及成本： ★★★★★
模型全是求解线性规划和马尔可夫决策过程，计算规模不大。在普通个人电脑上用Python或Matlab就能复现，硬件成本极低。复现难度： ★★★★✰
论文方法描述非常详细，给出了核心的公式和算法框架。虽然没有开源代码，但根据描述独立实现并不困难。需要掌握的数学工具（MDP、LP）是电力系统分析领域的常用工具。产品化成熟度： ★✰✰✰✰
纯理论研究，距离产品化很远。它提供了分析工具和洞察，而非可以直接部署的解决方案。要应用到真实系统中，需要进行大量校准和扩展。可能的问题： 模型过于简化，忽略了输电约束、爬坡约束和可再生能源投资的内生性，可能高估了不确定性的负面效果。固定点算法在非凸情况下不一定收敛到全局最优解，论文对此坦诚不足但也未进行深入分析。讨论容量支付不足时，没有给出具体的设计替代方案。
主要参考文献
[13] Cramton, P., & Stoft, S. (2005). A capacity market that makes sense. The Electricity Journal, 18(7), 43-54. [15] Bushnell, J. (2020). A “missing money” problem for storage? Energy Institute at Haas Working Paper. [8] Schmalensee, R. (2022). Investment in energy storage in a dynamic setting. The Energy Journal, 43(4). *本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击 "阅读原文"， 查看更多原论文细节哦！
做储能投资，不确定性能让决策者像剥洋葱一样流泪。想知道如何在不确定性下规划和优化你的储能系统？欢迎加入龙哥读论文粉丝群，
扫描下方二维码或者添加龙哥助手微信号加群 ：kangjinlonghelper。
一定要备注：研究方向+地点+学校/公司+昵称（如 能源经济+上海+MIT+龙哥） ，根据格式备注，可更快被通过且邀请进群。
