AI预测到了阳光：为什么电池仍无法执行计划？

预测正确，不等于指令可执行

企业希望把光伏余电留给后续生产。模型准确预测了发电与需求，计划看似简单：有余电就充电，不足时就放电。但电池可能提前充满，或无法提供要求的功率。本文研究为什么即使预测没有误差，也会发生这种情况。我们沿用四个合成小时，明确储能、计量端功率、损耗和边界，最后给出可以手算复核的平衡式。

摘要。研究离散电池模型：初始储能5 kWh，标称容量10 kWh，工作区间2–9 kWh，充放电功率上限3 kW。四小时净余量依次为3、3、−3、−4 kW，并假定完全已知。双向效率均恒为90%时，不加约束的计划会超过能量和功率上限。可行控制最终约剩2.333 kWh，削减余电约1.556 kWh，并从电网购入1 kWh。这是教学计算，不是电池实测或经济优化结果。

首先区分能量与功率

功率是能量传输速率。3 kW负载持续一小时消耗3 kWh，持续半小时消耗1.5 kWh。kWh容量表示可以存多少能量，而不是取出速度。即使能量充足，若电力电子或控制模型只允许3 kW，也无法满足4 kW峰值。更准确的预测不能修复这种混淆，因为决策模型要求的是不被允许的能力。

Δt表示时段长度，本例为一小时。功率是时段内恒定的平均值，模型看不到内部峰值。s_t是负载供电侧的发电减需求。为正时可尝试充电，为负时需要补足缺口。这里没有光伏或气象模型，四个数都是合成输入。假定完全已知只是为了隔离物理可行性，不是声称真实预测没有不确定性。

模型边界与效率含义

E_t是在时段t开始时内部储能，单位kWh。P_c,t为充电吸收功率，P_d,t为输出的有用功率，两者都在选定外部侧计量，单位kW且非负。η_c、η_d为大于零且不超过一的无量纲常数。外部输入1 kWh只增加η_c kWh内部能量；输出1 kWh则需移除1/η_d kWh内部能量。乘法与除法的区别至关重要：若流入流出都乘90%，平衡中就会凭空创造能量。

该式回答“一小时后剩多少能量”。功率乘小时得到kWh，与E_t量纲一致。初始5 kWh，以3 kW充一小时增加0.9×3×1=2.7 kWh，得到7.7。反之输出3 kWh有用电量，要移除3/0.9≈3.333 kWh内部能量。模型按余量符号选择单一方向，避免同时充放电，并不模拟双向变流器全部可能状态。

标称容量为10 kWh，但只允许2–9，因此可用能量窗口为7 kWh。这是案例假设，不是针对某种化学体系的建议。E/10的百分比表示标称容量的能量比例，不能无条件等同于基于电荷量的电化学荷电状态。电压、温度和可用容量可能改变两者关系。模型守恒的是能量，不描述电芯、电压、电流或老化。

两个计划不可行，原因却不同

第一种朴素策略跟随全部余量并忽略损耗：先存3 kWh，再存3，然后输出3和4。预测能量为5→8→11→8→4 kWh。最终值看似可接受，但第二小时达到11，超过上限9；第四小时要求4 kW，超过上限3。只检查最终能量会同时掩盖两项违规。可行性必须逐时段满足，并同时覆盖功率与能量。

保持指令不变，仅加入效率也不够。考虑正确损耗但无约束的计划得到约5→7.7→10.4→7.067→2.622 kWh。最终能量仍在窗口内，但10.4超过9，最后功率仍为4 kW。修正的是记账，不是控制。对AI预测驱动系统而言，输入估计准确且平衡方程正确，并不能保证动作序列被允许。

构造满足限制的指令

s_t为正时，充电受可用余量、功率上限以及恰好填满剩余空间的输入量共同限制。为负时，放电受缺口、功率上限及最低储备之上可输出的有用能量限制。在激活方向取三者最小值。这是本模型中局部可行的控制，不证明自用率、利润或寿命最优。它不使用电价，也不提前规划未来小时，即使输入已知。

看第三个充电约束：9−E_t是内部可用空间，单位kWh。除以η_c得到填满它所需外部能量，再除以Δt得到kW。放电约束从2 kWh储备以上的内部能量出发，乘η_d得到有用能量，再除以小时。因此最小值的三个参数量纲一致。程序逐步断言能量窗口、最大功率以及不同时充放电。

四个小时，逐步计算

第一小时从5 kWh开始，吸收全部3 kW，到达7.7。第二小时内部空间只剩1.3 kWh，效率0.9时只能吸收1.3/0.9≈1.444 kWh外部能量，即一小时平均1.444 kW。不能仅因为3 kW可用就全部吸收，此时有效约束是空间。剩余约1.556 kWh在模型中记为削减，没有出售或转供其他负载。这一输出的意义取决于模型边界。

第三小时缺口3 kW。从9 kWh出发可以满足功率与储备限制，移除3/0.9≈3.333 kWh，剩约5.667。第四小时缺口4 kW，最低储备之上的能量本可提供约3.3 kWh有用电量，但模型变流器一小时只能输出3。此时有效约束是功率。购入缺少的1 kWh后，最终约2.333 kWh，仍高于下限。这不是总能量不足，而是交付速率受限。

应结合假设阅读表格，而不是把它当作商业性能。第二行余量不变，充电却下降；第四行缺口增加，放电却不增加。这正是控制器的作用。不知道状态和限制，就无法通过“跟随余量”产生这些变化。与不可行计划的比较不证明经济优势，只区分算术轨迹与本模型允许的序列。

看似消失的能量去了哪里

为复核结果，还要累计损耗。充电损耗为(1−η_c)P_cΔt，放电损耗为(1/η_d−1)P_dΔt，即内部移除量与有用输出之差。四小时分别约损失0.444和0.667 kWh，总计1.111。这只是模型的聚合项，没有实测区分电芯、逆变器、线缆或辅助设备。把这些数字归因于某个具体组件将是捏造结果。

左侧是初始储能、正余量时段的净输入和购电，右侧是最终储能、由电池或电网供给的缺口、削减和损耗。正净余量共6 kWh，负净缺口共7；不能把它们叫作总光伏发电与总用电，因为只模拟了两者之差。两侧均为12 kWh。这比只检查最终值更强：遗漏损耗或重复计算流量会导致平衡无法闭合。

η_c=η_d=0.9时乘积为0.81。在没有其他作用且效率相同的条件下，一份外部能量充入后再返回，只有81%成为有用输出，而不是90%。但本序列不是闭合循环，初始5、最终约2.333 kWh。直接用总放电除以总充电，会受到初始储能被消耗的影响，不能正确测量往返效率。

具有可解释阈值的敏感性

保持余量、限制和时长不变，把双向相同效率η在0.8到1之间取五个值重新执行。本范围内第二小时结束都达到9 kWh。最后两小时各输出3 kWh有用能量，需要内部6/η kWh。最低储备以上可用9−2=7，因此条件为6/η≤7，即η≥6/7≈0.857143。超过该阈值后，储备不再限制最后3 kW输出。

η=0.8时，第三小时后剩9−3/0.8=5.25 kWh。最后只能移除3.25 kWh内部能量，输出2.6 kWh，购电增至4−2.6=1.4，最终恰好为下限2。η=0.9时，3 kW功率约束反而比能量约束更严格，购电为1并保留储备。这说明不同干预的作用：增加功率不能修复能量不足，增加能量也不能突破固定功率上限。

更高效率反而使前两小时削减增加，可能令人意外。从5存到9需要4/η kWh外部能量：η=0.8时需5，η=1时只需4，6 kWh可用量分别剩1和2。这不表示低效率更好，它耗散更多，本例还购电更多。单看未储存余电不能评价系统，必须结合最终储备、损耗、购电和提供的服务。

控制证明了什么，没有证明什么

无需穷举序列也能解释可行性。若E_t在窗口内且充电，(9−E_t)/(η_cΔt)限制增加量不超过空间；能量上升不会威胁下限。若放电，(E_t−2)η_d/Δt限制内部移除量不超过可用储备；能量下降不会威胁上限。从5开始，通过归纳可知模型中所有状态均在窗口内。证明依赖正效率、正确符号以及不存在其他未建模动态。

但这并不证明跨时间最优。优化可能为未来保留能量、协调其他负载、允许售电或使用概率预测。必须明确目标函数、全部约束和终端状态处理，否则通过在末尾耗尽储备就可能制造虚假收益。本控制不声称解决该问题，它只是透明基线，用于比较轨迹并识别在既定假设下至少允许的动作。

simulate逐次遍历四个时段，更新状态并记录流量。T个时段需要O(T)次更新，保留全部行需要O(T)内存；若只保留当前状态则可O(1)。这是计算模型的复杂度，不是嵌入式控制器基准。断言逐步检查边界和局部平衡。输入确定性、无需种子；JSON保存Python版本、参数、无约束案例和敏感性结果。

来源、物理局限以及对AI的意义

SAM的官方Battery Dispatch FOM文档区分功率目标、状态限制与转换损耗，并指出实际功率可能低于目标。我们用它理解约束含义，而不是获取本例数字。没有运行SAM，也没有复现其电化学或自动调度。案例百分比和功率是自行设定，未经具体数据、文档与验证，不能用于商业电池。

真实系统还需要允许功率与电压、随负载变化的效率、温度、可用容量、电池管理限制及辅助用电测量。小时平均值可能隐藏违规峰值，老化可能缩小可用空间，预测不确定性可能要求不同储备。这些是被排除的现象，不是实验观察结果。能量模拟不能证明安装安全、合规或经济价值。

开头问题的答案很明确：预测阳光不够，因为预测描述可用量，控制则必须在每个建模时刻选择符合状态、损耗和限制的动作。本例阳光完全已知，两个计划仍失败；约束控制闭合平衡并揭示需要购入或无法储存的能量。AI可帮助预测与决策，却不能取消这些关系。本练习不证明EL-AI拥有储能产品、安装或运营结果。

System Advisor Model — Battery Dispatch FOM: state-of-charge limits, power targets and conversion losses; primary documentation accessed16 October2026.

from experiment import simulate
for eta in [.8,.9,1.]:
    result=simulate(eta=eta)
    print(eta,result['final_kWh'],result['grid_import_kWh'],result['curtailed_kWh'],result['loss_kWh'])

代码、数据与说明 · JSON. 教学计算使用 Python 3.14.0，图使用 Matplotlib 3.11.2。分析由 AI 辅助，不声称经过同行评审或人工审核。原创 ImageGen 封面仅作示意，不记录 EL-AI 人员、场所或实际安装。来源查阅于 2026 年 10 月 16 日。