电价应该看天气预报：语境化定价与需求响应的最优解（arXiv 论文解读）

深度 · tech · 2026-10-12 · NewdPower 研究 · 阅读约 45 分钟 · 万字深度+行业分析

一、论文信息卡与导读：需求响应的另一半

本站十月初解读过一篇论文：德国团队发现，当每个家庭都按自己的最优策略对分时电价做出响应时，分散决策会踩踏出 478% 的配变过载。那篇文章回答的是"用户侧如何响应价格"；今天这篇要解读的论文回答另一半问题——价格本身应该由谁来定、怎么定。两篇论文放在一起，恰好构成需求响应的一对镜像。

论文要解决的问题一句话可以说完：分时电价的时段表是提前几个月甚至几年划定的静态曲线，而系统的真实条件——天气、光照、星期几——每天都在变。用一条固定的价格曲线去管理一个天天变化的系统，等于拿着去年的地图找今天的路。论文的答案是把天气预报、日出日落时刻、星期效应这些"语境"喂给一个带约束的神经网络，让每天的价签都为当天的系统条件定制。验证结果在三个美国城市的一整个夏季里，削峰效果在绝大多数天为正，且各城夏季平均电价曲线的形态与平均气温曲线高度相似——算法自己学会了"热的时候电该贵"。

二、为什么固定分时定价会失效：鸭子曲线的反面

论文开篇给了一组背景数字，它们共同构成动态定价的必要性论证。美国风电与太阳能发电占比从 2005 年的不足 1% 升至 2025 年的 17%，计入小型分布式光伏后为 19%（美国能源信息署口径）。供应侧越不可控，价格信号越重要：2024 年加州 CAISO 弃光约 3000 吉瓦时——中午发出来的电没有对应的消纳能力，这部分损失本质上是没有价格信号把需求"搬"到中午去。与此同时，数据中心等新增大负荷给系统带来增长压力，美国能源部 2024 年预计数据中心用电量到 2028 年将翻倍至三倍；居民部门约占美国零售售电量的三分之一，而空调、热水器、电动车充电这些居民负荷天然具有时间上的可移动性。

论文用一张图直接演示固定价表的失效方式：作者比较了晴天与阴天各自的最优价格曲线，再把"阴天最优价"套用到晴天——净负荷曲线立刻呈现出典型的鸭子曲线（中午净需求深谷、傍晚陡峭爬坡）。结论很直白：不存在一条对每天都最优的固定价格曲线；语境（当天是晴是阴）不同，最优价格曲线本身就不同。这个演示虽然只用两个场景，但它的含义直达中国当下的分时电价改革：目录分时曲线按季节划分、峰谷时段一年一动，与光伏渗透率快速抬升后的日内形态变化之间的错位，正在变成系统性的错配——这正是动态定价在国内被反复讨论的原因。

鸭子曲线的经济学代价需要具体化。中午的净需求深谷意味着两件事同时发生：一是有低价甚至负价时段的电没有被需求接住，二是傍晚净需求两三个小时内陡峭爬升、把快速调节资源的价格抬起来。美国加州 2024 年约 3000 吉瓦时的弃光属于前者；属于后者的则是傍晚爬坡期的容量与调节成本。固定分时价表对这两个问题的响应是错位的——峰谷时段表按历史负荷划定，中午深谷对应的可能还是平段甚至峰段，傍晚爬坡的关键三小时又未必都在尖峰里。国内高光伏渗透省份已经出现同构现象：山东在午间光伏大发时段出现深谷电价与现货负价（公开报道口径），其分时电价改革方向正是把午间时段向谷段调整。论文的贡献在于给出一个替代目录调整的思路：与其每年人工改时段表，不如让价签随当天的语境自动生成——时段表的更新频率从"年"提高到"日"。

三、问题建模：Stackelberg 博弈与无差异集

论文的建模从一个反直觉的概念开始：无差异集（indifference set）。它不问"电价涨了用户会少用多少电"，而是问一个更精确的问题：用户有一组"服务等价"的用电曲线——比如空调在下午两点预冷、或六点回家后再制冷，室内温度都不越出舒适区间，两种方案对用户无差异；电动车只要在明早八点前充满，几点充也无所谓。无差异集 R 就是所有满足用户目标（温度带、充电截止电量等）的日负荷曲线的集合。需求响应不是"少用电"，而是"在无差异集内换一条更便宜的曲线用电"。

这个建模选择带来一个重要的数学性质：家庭在价格 p 下的选择是 q_i(p) ∈ argmin { p·q_i : q_i ∈ R_i }，把价格整体乘以任意正数 α，最优解集合不变——价格影响的是"何时用电"，不改变"用多少电"的服务目标。论文把这个尺度不变性用到了极致：算法只学习价格的相对形态（哪几个小时贵、哪几个小时便宜），绝对水平 λ 可以独立选取以满足零售电价约束或收入中性目标，两者互不干扰。对监管者而言这是一个友好的性质——算法不会替你决定"电价总水平"，只决定"结构"。

与传统弹性系数法的对照能凸显无差异集的实用优势。教科书式的动态定价依赖需求价格弹性：给定弹性矩阵，最优价格是一个弹性与边际成本的函数。但弹性是统计量，需要大量价格变动的观测才能估计，且在用户异质、天气依赖强的场景下弹性本身就在漂移——用一个漂移的统计量做定价，等于用均值管理方差。无差异集绕开了这个困境：它不估计弹性，只要求家庭侧存在一个"服务等价曲线的集合"，运营者对集合的具体形状无需知情，因为学习所需的全部信息（净需求曲线）在运行中自动流出。代价是它对家庭侧自动化有要求——没有 HEMS 或等效的本地优化器，无差异集只是理论构造。这也是为什么论文把全 HEMS 渗透作为仿真前提，而现实市场里这正是最大的落地门槛。

博弈结构是标准的 Stackelberg 主从博弈：电网运营者先行，发布未来 24 小时的价格曲线；家庭跟随，在各自无差异集内选成本最小曲线。运营者的目标是控制净需求曲线（总需求减去可再生出力）的风险指标 ρ——可以是 ℓ1 范数（总净需求量）、ℓ∞ 范数（峰值）或它们的组合。论文交替天气实验的目标使用 ρ(q) = ||q||_K，K = I + λDᵀD 的加权范数，D 是一阶差分矩阵——同时惩罚净需求的总量与逐时波动，这正对应"削峰"与"压爬坡"两个系统诉求。

表中三类设备构成了论文仿真的全部家庭资产组合，家庭层面的无差异集等于三类设备可行集的闵可夫斯基和。这组设备构成里有一个取舍：照明不可动，空调和电池可动，这意味着算法可调度的资源池恰好是"建筑+储能"的典型柔性负荷——与国内虚拟电厂聚合商手里的空调群控、用户侧储能、有序充电三类资源几乎一一对应。

四、均值场对偶：从双层优化到凹规划

双层优化的难点众所周知：价格只通过家庭响应间接影响系统目标，目标函数在价格上未必凸，直接寻优困难。论文引用的前置成果（Mehrabi 等 2024）给出了均值场极限下的对偶改写：当用户数趋于无穷时，最优价格可以刻画为 p* ∈ argmax_{p∈P} [ H(p) − q0ᵀp ]，其中 H(p) 是代表性用户的期望电费支出（对价格凹），q0 是人均可再生出力，P 是风险函数 ρ 的对偶集。这一改写把一个双层博弈变成了凹最大化问题——运营者可以放心地做凸优化。语境化版本只需在期望上再条件化一次：对每个语境 X，最优价 p*(X) 是条件期望下同一个凹问题的解。数学上干净，工程上的含义是：定价问题变成了一个可学习的统计问题——学一个从语境到价格的映射，而不是每天现场解一个双层博弈。

这个闭环里藏着一个对隐私敏感者重要的细节：更新定价模型所需的梯度信息只依赖聚合的用电曲线与可再生出力，运营者不需要知道任何一户人家的温度设定、电池容量或作息。对照国内"电力数据不出户"的合规要求，这种"只见森林、不见树木"的学习接口在制度上阻力更小。

五、原型混合网络：可行性由构造保证

学习从语境到价格的映射，最大的工程障碍是约束：价格必须落在对偶集 P 里（由风险函数诱导的凸集，例如加权范数下的椭球），踩出边界就不是"次优"而是"非法"。论文比较了四种把神经网络输出约束在可行集内的技术路线，结论是三种常规做法都有硬伤：投影层法在参数过多时表现不稳，内点法在约束边界附近震荡，近端梯度法依赖较弱的对偶刻画、表现居中。

论文的解法可以概括为一句话：不在输出端"纠正"非法价格，而是让非法价格根本无法被表达。具体做法是维护 K 个价格原型 z_1 到 z_K——每个原型都先验地放在可行集 P 内；网络 π_θ 只负责输出一组非负权重（softmax 到单纯形上）；最终价格是原型的凸组合 Zπ_θ(X)。凸集内点的凸组合仍在凸集内，可行性由构造保证，任何训练误差都不会把价格推出合法边界。理论上论文证明了这条路线的万有逼近性质：任何从语境到可行价格的（可测）映射都能被足够多的原型与隐层单元任意逼近——分段常数逼近在语境空间上不断加密的经典思路在这里复活。

这个架构还有一个解释性红利：K 个原型就是 K 张"价签模板"。在交替天气实验中，算法用 K=2 的配置自发学出了两张价签模板（对应高温低辐照与低温高辐照两类天气型），网络只负责判断今天是哪一类。当系统条件连续变化时，凸组合给出模板之间的平滑插值。对运行人员而言，这比一个黑箱神经网络可审计得多——把网络学到的原型打印出来，就能看到它对"晴天应该怎么定价"的全部理解。

六、一阶学习：净需求曲线就是梯度

算法的第三个支柱是把"学习"做成了在线的、一阶的。定理 2.1 给出的核心等式可以口语化为：目标函数对网络参数的梯度，恰好等于"雅可比矩阵乘以原型矩阵转置，再乘上观测到的净需求"。也就是说，每天收盘时运营者算出的那一条净需求曲线（聚合用电减人均可再生出力），本身就是明天改进价格所需的全部一阶信息。不需要零阶试探（改动一点价格看效果），不需要对冲噪声的重复实验，梯度是免费的。更新原型时把新点投影回可行集，投影有闭式解，其中的标量用二分法求解，每步代价可控。

把算法 1 的日流程逐条落到运行手册上，一共三段九步。日前段：读取当日语境预测（气温、辐照、星期、节假日），把当前 K 个价格原型按列排成矩阵 Z_t，网络 π_θt 对语境输出一组权重，价格向量 p_t = Z_t·π_θt(X̂_t) 就此发布。运行段：各户 HEMS 在无差异集内选成本最小曲线并执行；运营者在日终观测聚合用电 q̄_t 与人均可再生出力 q_0,t，两者之差就是净需求。学习段：用定理 2.1 的一阶等式更新网络权重 θ，再对每个原型做投影更新——更新量与该原型当日被赋予的权重成正比，被频繁选中的原型改进快。三段循环往复，论文在 90 天训练期上评估学到的价格策略。这里有个值得注意的分工：网络 θ 负责"识别今天像哪一天"，原型 Z 负责"每一类天该怎么定价"——识别与定价解耦，各自的学习信号频率也不同（原型更新可以比网络更保守），为工程上的分层调参留了空间。

把三个支柱合起来看这个方法的完整画像：均值场对偶把双层博弈变成凹规划（可学习），原型凸组合把合法性焊死在结构里（可部署），一阶反馈把学习成本压到观测一条曲线（可运行）。三个性质同时成立，是这篇论文区别于既有动态定价文献的地方——既有方法或需要模拟反事实消费，或需要入户的建筑物理模型，或需要足够的价格探索来学需求曲线，论文的方案都不要。

七、仿真验证：486户馈线上的九十天

验证平台是一个按北美城郊馈线构造的仿真系统：SMART-DS 数据集的典型郊区馈线，486 户家庭全部配备 HEMS；潮流与发电成本用 OpenDSS 求解；气象用 Open-Meteo 的历史实测与历史预报数据（这点值得肯定——预报误差被保留在闭环里，而不是假设完美预测）。第一组实验构造了理想化的交替天气：奇数天高温低辐照、偶数天低温高辐照。纯反馈算法（不看语境、只按昨日净需求调价）训练 90 天后收敛到一条"两头讨好"的平均价签——对任何一天都不是最优；带语境的原型软分类器则分别给出两张价签，削峰指标（PDS，定义为本日峰值相对固定电价的削减百分比）持续高于纯反馈基准。这组实验把"语境有没有用"的因果链演示得干净利落。

第二组实验在丹佛 2022 年 6-8 月的真实气象序列上对比四种约束化方法：投影层与内点法的高波动甚至负削峰（价格帮了倒忙、峰值不减反增）、近端梯度的居中表现、软分类器作为唯一全程稳定正削峰的方法。方法对比有两条值得工程注意的细节。其一，四种方法用的是可微的 ℓ2 范数风险函数——因为投影层与内点法需要可微的约束曲面；论文的软分类器对风险函数没有这个要求，非光滑的峰值惩罚（ℓ∞）同样适用，这在实际部署里是选择空间，峰值与波动可以分开处理。其二，负削峰是约束处理不当时的结构性风险：算法给出的价格形态会系统性激励错误的响应方向，削峰变成增峰。这条经验与第一组实验合起来构成选型逻辑——工程上应优先选择"结构性合法"的方法，而非事后纠偏的方法。第三组实验放到下一章的城市对比。三组实验的层次是：机制有效（交替天气）、工程方案选型（四种方法）、真实气候泛化（三城市）。

八、三城案例：亚特兰大为何最优

案例研究选了三个气候截然不同的美国城市：旧金山（地中海气候，夏季温和）、亚特兰大（湿润副热带，多云高温）、凤凰城（热沙漠，持续高温强辐照）。整个夏季的逐日削峰结果有两个规律。其一，三城的削峰在绝大多数天数为正——学习到的定价规则系统性地优于固定电价。其二，城市之间的差异极大：亚特兰大平均削峰最高，旧金山最低，凤凰城居中。论文给出的解释完全落在无差异集框架内：旧金山夏季温和，空调需求本来就不多，可搬移的柔性负荷池小；凤凰城空调需求巨大，但极端高温下舒适约束成为硬边界——再高的价格也不能让室温越界，柔性同样受限；亚特兰大恰好落在中间，空调需求可观且温度在约束边界内摆动，柔性资源最丰富。这个结论对部署者是个冷静的提醒：动态定价的价值不取决于电价算法多聪明，而取决于用户侧柔性资源的存量与可动性。

另一条证据链同样有说服力：三个城市学习到的平均价格曲线，日内形态与各自的平均气温曲线高度相似——温度抬升的时段，价格形态相应抬升；温和气候里价格曲线更平。算法在没人教它"热该贵"的情况下，从九十天的反馈里自己学到了。对照国内的经验数据：按行业公开研究的常用口径（本文引述，非论文数据），夏季空调负荷在中心城市尖峰中的占比约为三分之一量级，亚特兰大式的"中等但多变的空调需求"正是长三角与华中的典型夏季画像——论文三城中对中国市场最有参考价值的，恰是那个削峰最高的城市。

凤凰城的负结果同样有信息量。它的空调需求巨大，但削峰反而不如亚特兰大，原因是极端高温下室内温度约束成为硬边界——无差异集在极端天气下显著收缩，价格信号再精确也无多少曲线可换。这提示了一个部署上的分类法：把城市（或台区）按"空调需求规模"与"极端度"分成四象限，语境化定价的适用区在"需求大、极端少"的象限；对"需求大、极端频繁"的区域，正确工具不是价格而是资源（储能、需求侧硬备用），对"需求小"的区域，部署成本根本收不回。论文没有做这个分类，但从它的三城数据推出这个分类是直接的——这也是把论文读"厚"再读"薄"的正确姿势。

九、工程推演：落地中国市场的路径

论文的场景是美国的零售电力市场，把它平移到中国需要三处关键改装（以下均为本文推演，非论文内容）。第一处是定价主体：美国场景里运营者直接对居民零售定价，中国的居民电价受管制、工商业进入市场，语境化定价的现实主体是售电公司或负荷聚合商——面向工商业用户设计"现货联动的零售套餐"，或面向可调资源池发布"响应邀约价格"。第二处是价格载体：论文输出的是逐小时价签，中国现成的载体包括分时节点电价传导（代理购电价的分时结构）、现货市场试点的日前出清价、以及需求响应的邀约补偿；语境化算法可以嵌在"聚合商如何报价/如何设计套餐档位"这一层。第三处是资源池：论文的空调加户储组合，对应中国的空调群控、用户侧储能、有序充电、楼宇柔性——虚拟电厂的既有盘子。三处改装的共同点是：算法不挑战管制价格，只在市场化的那一层价格里工作。

落地时序上可以给一个三步推演：第一步（当前可做），在需求响应邀约场景里用语境化方法替代"固定补偿标准+人工判断时段"，按天生成邀约价格与时段组合，考核指标从响应量改为削峰效率；第二步（现货成熟区域），售电公司推出现货联动的工商业零售套餐，套餐价格结构由算法按语境生成、总水平受监管约束，正好利用论文的尺度不变性；第三步（虚拟电厂规模化后），聚合商把定价能力作为对上游现货市场的报价策略与对下游资源的分摊策略，语境化算法同时服务两头。国内需求侧的政策锚点已经存在：2023年新版《电力需求侧管理办法》要求 2025 年需求响应能力达到最大用电负荷的 3% 至 5%。按 2026 年 8 月全国最大负荷 15.6 亿千瓦的站内基准折算，这个目标对应 4680 万至 7800 万千瓦的可调容量——价格信号的质量，直接决定这部分容量被调用时的效率。

中美制度差异清单里有两项直接约束论文方法的移植方式。第一项是居民电价管制：美国的定价主体可以触及居民零售价，中国居民与农业电价由目录管制，语境化定价在中国只能生长于工商业零售与响应激励这两个市场化价格层——这不是缺陷反而是约束更清晰的部署环境，算法的合法性边界（价格结构可变、总水平受监管）恰好落在论文尺度不变性设计的能力范围内。第二项是代理购电的存在：中国有相当比例的工商业用户仍通过电网代理购电结算，这一层的价格是"被动跟随"的；随着代理购电规模逐步缩减、用户进入市场或选择零售套餐，语境化定价的可用空间同步打开。两个差异合起来给出一个中国式路径判断：语境化定价的第一批客户不是千家万户的居民，而是签了现货联动套餐的工商业用户与被聚合的响应资源池。

十、产业链与利润池 + 竞争格局：硬件红海与软件蓝海

把这篇论文放进产业链，它的位置在"算法层"，而算法层的天花板由"感知层"和"响应层"决定。整条链可以拆为四段：感知层（智能电表、物联表、传感器，负责分钟级计量）、通信层（HPLC/双模、无线专网，负责把量测传回来）、算法层（定价、预测、调度优化，论文所在的位置）、响应资源层（空调群控、储能、充电桩，真正移负荷的资产）。利润池的分布极不均匀（以下产业链拆分为本文分析框架）：感知层是百亿量级的硬件红海——国家电网 2024 年智能电表招标总量 8939 万台、中标总金额 249.2 亿元，2025 年全年招标金额 256.39 亿元、同比增长 3.0%，而单价仍在下行（2025 年第一批 A 级单相表中标单价环比下降 8.5%）；通信层随表计走；算法层当前市场规模很小、但毛利结构差异很大；响应资源层是资产最重的环节。

竞争格局的量化结论要分两个市场说。感知层：2025 年第一批国网计量设备招标中，前七家中标份额分别为许继电气 7.0%、国电南瑞 4.0%、威胜 3.1%、东方电子 2.7%、炬华科技 2.6%、三星医疗 2.5%、华立科技 2.5%，CR3=14.1%、CR5=19.4%、CR7=24.4%，中标人数量 72 家——这是一个典型的高度分散市场，价格持续下行，规模效应薄。算法层：定价与聚合优化软件尚未形成可统计的市场份额，入围者包括售电信息化厂商、虚拟电厂平台公司与电网系研究院所，格局未定；可以参照的对照系是电网侧高集中品类——特高压换流阀历史批次 CR3 约 70%-83%（本站整理口径）。两个世界之间的落差就是机会结构：硬件分散、软件未定，谁能把论文这一类算法与既有的表计-通信-资源底盘组合起来，谁就在定义一个新环节。利润池判断（本文推演）：短期利润仍在响应资源投资（储能、充电桩）与工程集成，算法层以项目制切入；中期（现货全覆盖后）算法层从成本项变成收入项——定价质量直接决定聚合商的购售价差与响应收益分成；长期看感知层硬件被"四可"要求（可观可测可调可控）撑住基本盘，但增长弹性最小。

十一、市场规模三档情景 + 上游风险

需求响应与负荷聚合服务的市场规模，按政策目标与价格水平做三档推演（均为本文推演口径，非官方预测）。锚点：2025 年需求响应能力目标为最大负荷的 3%-5%；2026 年 8 月全国最大负荷 15.6 亿千瓦（站内基准）。

三档算术核验：5000万千瓦×30小时=15亿千瓦时×2元=30亿元；7800万千瓦×50小时=39亿千瓦时×2.5元=97.5亿元；1亿千瓦×80小时=80亿千瓦时×3元=240亿元。软件服务市场对应 3 亿、10 亿、36 亿元——即便高档情景，纯算法层也只是几十亿元量级的生意，真正的经济价值在它撬动的 240 亿响应激励池与更下游的资产投资。这符合平台型环节的一般特征：份额不大，但位置在咽喉上。

上游风险集中在四点。其一，表计元器件与通信：语境化定价需要分钟级量测的底座，2025 年 1 月《分布式光伏发电开发建设管理办法》把"四可"（可观可测可调可控）写进并网标准，分布式光伏用户 15 分钟级负荷数据全采集是硬要求（该办法配套标准口径），采集密度不足的区域算法无从谈起。其二，气象数据质量：论文自己把预报误差列为重要噪声源——预报错了，价签就发错，且错误会在闭环里被放大（错误价格引发错误响应，错误响应又被当作学习信号）。其三，用户数据合规：聚合口径学习规避了入户数据，但零售套餐与响应邀约仍需用户授权链路，数据出域的边界随监管演进。其四，政策依赖：激励单价与调用小时数都是政策变量，需求响应补偿标准的退坡或现货价格上限的调整都会直接改写市场规模——三档情景表的最大不确定性不在算法，在制度。

十二、边界与局限

论文的边界需要如实列出。其一，消费侧模型假设家庭是价格接受者、无策略性行为，且全部配备 HEMS——486 户全 HEMS 的渗透率远超当前任何市场。其二，均值场对偶在有限用户数下是近似，小馈线上的适用性论文未做敏感性分析。其三，仿真馈线是北美城郊场景，未覆盖中国高密度城市配网与工商业负荷结构。其四，电网风险函数限于一类正齐次凸函数，成本函数未含机组启停等非凸因素，也未对输电约束建模（OpenDSS 用于潮流计算而非网络约束定价）。其五，学习假设分布平稳——气候与负荷模式的长期漂移（含电动化、热泵普及）会侵蚀学到的价格规则，论文未讨论再学习机制。其六，与同步化风险的交互：本站此前解读的德国论文显示分散响应对价格信号的同步踩踏会放大局部峰值；本文的均值场框架在聚合层面刻画响应，若 HEMS 同质化严重，聚合响应的形态会变化，算法通过日度反馈可以追踪但未必及时。解读本文的中国落地推演（第九至十一章）均为本文观点，非论文内容；市场规模、CR、利润池均标注了口径。本文为技术产业研究，观点仅供参考，不构成投资建议。

两个边界值得再展开半段。全 HEMS 假设的现实对应物是"响应资源覆盖率"——486 户全部可调，而中国可调节负荷在居民侧的覆盖率几乎为零、在工商业侧也才起步；若覆盖率只有两成，削峰上限按比例折减，论文数字只能读作"资源池全开条件下的理论上限"。分布平稳假设的现实对应物是"电动化与热泵化的十年曲线"——当电动车与热泵在几年内把居民负荷结构改写一遍，学到的价签会系统性过时，运行上需要滚动再训练窗口（例如每季度重放近三年数据再热启动），这属于工程化要补的作业，论文止步于学术边界之前。

十三、结论与观察指标

三个判断。第一，这篇论文把"动态定价"从经济学命题翻译成了可部署的学习系统：凹规划保证可解、原型凸组合保证合法、一阶反馈保证可运行，三件套齐了。第二，三城实验给出一个常被忽略的结论——定价算法的价值上限由用户侧柔性资源决定，旧金山的温和与凤凰城的极端同样让算法无米下锅；对中国市场的含义是先盘点资源池再谈算法，亚特兰大型城市值得优先试点。第三，落地中国的最短路径在售电公司与聚合商侧而非电网侧，语境化算法嵌入零售套餐与响应邀约这两层市场化价格，制度阻力最小、见效最快。

观察指标清单：现货连续运行省份的零售套餐现货联动条款覆盖率；需求响应补偿标准的市场化定价试点（邀约价从固定标准转向按日生成）；虚拟电厂聚合商的报价策略中预测变量的丰富度（是否引入辐照、星期效应等语境特征）；智能电表采集粒度向分钟级升级的招标节奏；HEMS 与有序充电终端的渗透率。五个指标分别对应定价载体、补偿机制、算法采纳、数据底座与资源池——论文里的那套方法有没有在中国落地，看这五条就够了。

来源：Shang, Mehrabi, Zhou, Saleh, Bernstein, Wager, Learning to Price Electricity for Optimal Demand Response, arXiv:2610.00755v2（2026年10月，论文原文为唯一内容依据，解读为本文独立撰写）；美国能源信息署（EIA）与 CAISO 数据经论文转引；国家电网计量设备招标公开中标统计（2024-2025年）；《分布式光伏发电开发建设管理办法》（2025年1月）；《电力需求侧管理办法》（2023年）；全国最大负荷为本站数据基准（2026年8月）。市场规模、利润池、CR 与落地推演为本文口径，已在文中逐处标注。

观点仅供参考，不构成投资建议。