储能电站收益优化过程总结

m0_74279351

525人浏览 · 2026-05-08 20:53:02

m0_74279351 · 2026-05-08 20:53:02 发布

项目背景

比赛任务：预测蒙西电网次日96个时间点（15分钟分辨率）的实时电价，并制定储能充放电策略最大化日收益
储能参数：容量8000，充放电功率±1000，每次连续8个时间点，初始SOC=0

技术方案

模型：LightGBM + sklearn GradientBoostingRegressor 融合
超参搜索：Optuna TPE 采样器，Walk-forward 3折交叉验证
后处理：动态振幅增强（围绕均值放大预测波动）
充放电策略：前缀和 O(n) 算法，每天选最优充电/放电时段
特征数量：108个（含气象、时间、滞后、交互、误差特征）

尝试过程

第一阶段：基础优化

序号	尝试内容	结果	结论
1	安装 Optuna（之前未安装，超参搜索未生效）	RMSE 0.592->0.592，收益提升	关键发现：之前所有调参都白费，Optuna根本没跑
2	添加 CDD/HDD 温度特征	MAE 0.458->0.456，日收益 14896->15193	小幅提升
3	添加特征交互项（cdd_x_wind, netload_x_renew 等）	日收益 15193->15327	小幅提升

第二阶段：模型融合

序号	尝试内容	结果	结论
4	添加 GBR 融合模型 + 权重自动搜索	RMSE 0.563，日收益 17167	显著提升，GBR 权重=1.0，纯GBR优于LGB
5	n_estimators 1000->5000	本地RMSE更好，云端分数反而下降	过拟合，树太多不适合

第三阶段：振幅增强

序号	尝试内容	结果	结论
6	振幅范围 (1.0, 1.5) -> (1.0, 2.5)	本地日收益 17167->28801	大幅提升
7	振幅范围扩大到 (1.0, 3.0)	本地日收益 33361，但云端分数下降	过拟合，3.0 对云端测试集过大
8	各向同性回归校准（isotonic regression）	日收益 28801->8946	失败，验证集和测试集分布不同

第四阶段：提交实验

序号	尝试内容	云端分数	结论
9	基线提交	4827.06	起点
10	Optuna 随机种子 + amplitude 2.5（运气好）	5176	最佳运气分
11	seed=42 固定种子 x3 次	4953.60 x3	三次完全相同，确定性种子导致 Optuna 结果一致
12	去掉 Optuna 种子（随机探索）	4953.60	Optuna 40轮收敛到相似参数

第五阶段：深度调优

序号	尝试内容	结果	结论
13	5个种子对比（42/123/2024/777/888）	RMSE 完全相同，利润微小差异	LGB 模型对种子不敏感，差异仅来自 GBR 随机性
14	删除误差特征（测试集恒为0）	RMSE 0.562->0.596，日收益 34735->32835	失败，误差特征虽测试集为0，但训练时学到了有用模式
15	振幅 2.5->3.5	日收益 34735->48629，云端 4953->5251	有效，振幅是最直接的提升手段
16	振幅 3.5->4.0 + 种子 42->888	日收益 55560，云端 5279	当前最佳

关键发现

振幅是最大杠杆：振幅从 2.5 -> 3.5 -> 4.0，云端分数持续上升（5176 -> 5251 -> 5279）
本地指标 != 云端分数：RMSE 变差但分数更高，说明预测的相对排序（谁高谁低）比绝对精度更重要
Optuna 随机性是主要变量：同一代码不同运行结果差异大，多跑几次是性价比最高的策略
GBR 是主力模型：融合权重始终选 GBR=100%，LGB=0%
误差特征有价值：虽测试集为0，但训练时学到的误差-价格关系能迁移到测试集
确定性种子=相同结果：seed=42 每次输出完全一样，需要换种子才能获得不同结果

当前最优配置

RANDOM_SEED = 888
amplitude search_range = (1.0, 4.0)
Optuna n_trials = 40
LGB n_estimators = 1000（early stopping ~17轮）
GBR n_estimators = 200（固定参数）
特征数量 = 108
融合权重 = 纯GBR（LGB=0, GBR=1）