想象你是一座城市的水务调度员。城市里散布着十几个大水塔，夜里的电费便宜，你总趁半夜把水塔悄悄蓄满；白天居民做饭、工厂开工，水龙头一开，水塔哗啦啦放水。但事情远没有这么简单——你得预判明天几点用水最猛，得算准水塔蓄太满会不会溢出、抽太干会不会烧了水泵，还得协调东城和西城的水塔，别让一座满到溢出来、另一座却见了底。万一遇到水管爆裂这种突发状况，你必须在几秒钟内重新调整所有水塔的阀门。在这座城市里，“水”就是电网里的电，那些水塔就是储能站里一排排巨大的电池，而你手边那个能预判、能算账、能秒级反应的智能仪表盘，就是AI——它让“凭感觉调度”变成了“靠模型调度”。

岗位关联

储能管理是智能电网从“发多少用多少”走向“发—存—用协同”的关键一环。学完你不仅能看懂AI调度电池的决策逻辑，还能用Python亲手搭一个储能调度模拟器——这是电力AI、能源互联网方向从业者的基本功。

目录
  1. 可视化演示
  2. 负荷预测——先知道明天用多少水
  3. 充放电策略——水塔何时蓄、何时放
  4. 经济优化——低买高卖的经济账
  5. 安全约束——水塔不能满溢也不能抽干
  6. 协调控制——一群水塔的团队协作
  7. 实时控制——突发状况的秒级反应
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示24小时储能充放电调度时序与电池SOC状态变化曲线，支持模式切换查看负荷峰谷套利策略与电池荷电状态管理。

本节配有交互动效（进入视口后自动加载，约 3KB）。

24小时储能充放电调度时序 谷时充电：凌晨0-6点电价低谷时电池充电储能 峰时放电：早晚高峰18-22点电池放电缓解电网压力 平段待机：中午时段维持SOC不变等待调度指令 profit = (P_peak - P_valley) * capacity 峰谷价差套利实现储能经济价值。

负荷预测——先知道明天用多少水

梁师傅是水务调度员，管着城市十几个水塔。每天下班前他必做一件事：翻出过去七天的用水记录，再看看明天的天气预报，估摸明天几点是做饭高峰、几点工厂开工。他得靠这个决定夜里几点开始抽水蓄塔。要是估少了，早高峰住户拧开水龙头发现水压不够；估多了，水白白溢出来，电费也打了水漂。

电网调度员和梁师傅一模一样，只是“水”换成了“电”。储能站里的大电池何时充电、何时放电，万事开头第一步永远是负荷预测——预判未来一段时间电网的用电需求。预测不靠拍脑袋，而是借助历史负荷数据训练模型，捕捉时序特征：早高峰、晚高峰、周末低谷、节假日异常。

工程中最简单也常用的模型是指数平滑：把刚刚发生的实际负荷和上一轮的预测值按权重混合，得到下一时段的预测：

上面的公式其实是在回答一个问题：新发生的实测数据，到底有多“值得相信”？

梁师傅心里明白，无论怎么算，明天总会有意外，所以他的调度表永远留两成余量。负荷预测也一样，真正交给调度策略的不是一个孤零零的点，而是一个误差区间——知道“可能偏大也可能偏小”，储能调度才能为偏差留出缓冲。

L^t+1=α⋅Lt+(1−α)⋅L^t\displaystyle \hat{L}_{t+1} = \alpha \cdot L_t + (1 - \alpha) \cdot \hat{L}_t
  1. 当前实测负荷 $L_t$电网此刻刚记录到的真实用电功率，代表“刚刚发生了什么”，是最新鲜的信息。
    LtL_t
  2. 上一轮预测值 $\hat{L}_t$昨天此刻模型给出的预测结果，它承载了历史数据积累的惯性规律。
    L^t\hat{L}_t
  3. 平滑系数 $\alpha$取值在 0 到 1 之间，决定新鲜实测与历史惯性谁说了算，越大越追新数据。
    α∈(0,1)\alpha \in (0,1)
  4. 加权融合两者按权重叠加，得到下一时段预测值，既跟随变化又不至于被单点噪声带偏。
    L^t+1=α⋅Lt+(1−α)⋅L^t\hat{L}_{t+1} = \alpha \cdot L_t + (1 - \alpha) \cdot \hat{L}_t

充放电策略——水塔何时蓄、何时放

梁师傅的决策简单说就一句话：凌晨电价低、用水少，把水塔蓄满；傍晚用水涌入，水塔放水。储能电池的充放电策略本质相同，核心是决定每个时刻电池处于什么状态：充电、放电，还是待机。

这个决策的“手感”可以用一个公式建立起来。定义电池的出力为 $P_{\mathrm{ess}}(t)$，规定它为正表示放电、为负表示充电。那么电网从电厂取用的净功率，就等于负荷减去电池出力：

当梁师傅打开水塔放水阀门，管道压力立刻顶上来——放电相当于电池替代了部分电厂出力；当他把阀门拧到抽水方向，就是在给明天的自己攒家底。策略制定的关键信号是电价联动：把未来几小时的负荷预测和电价曲线并排看，电价低、负荷也低的时段安排充电，电价高、负荷也高的时段安排放电。什么时候动、动多大力气，还要受下一节要讲的功率上下限约束：电池不是水龙头，想开多大开多大，它有额定功率天花板，也有不响应微小波动的“死区”。

Pgrid(t)=L(t)−Pess(t)\displaystyle P_{\mathrm{grid}}(t) = L(t) - P_{\mathrm{ess}}(t)
  1. 负荷需求 $L(t)$t 时刻电网用户的总用电功率，是一个外生变量，调度只能响应它。
    L(t)L(t)
  2. 电池出力 $P_{\mathrm{ess}}(t)$储能系统的功率，为正放电、为负充电，这是调度员的“操纵杆”。
    Pess(t)P_{\mathrm{ess}}(t)
  3. 电网净功率 $P_{\mathrm{grid}}(t)$扣除电池贡献后，电网实际要向电厂购买/分配的功率。
    Pgrid(t)P_{\mathrm{grid}}(t)

经济优化——低买高卖的经济账

梁师傅心里有本账：夜里水费半价，他专挑半价时段把水塔抽满，白天原价放水，月底水电费省一大截。储能站更是如此，峰谷电价差就是天然的套利空间——低谷充电、高峰放电，一进一出赚取价差。把一天内每个时段的价差收益累加，就得到总套利收益：

但梁师傅不会为了省水费把水泵开到满负荷连轴转——水泵转一次磨损一次，换一台很贵。电池也一样，每多一次充放循环，寿命就损耗一点。所以真正的目标是综合收益最大化：套利收益 − 寿命损耗成本。调度算法通常把损耗建模成与放电深度、循环次数相关的惩罚项，让AI主动避免“为了小利频繁深度充放”。动态定价机制则在交易市场中进一步细化：不但看峰谷，还看实时供需价格波动，提前锁定更划算的充电窗口。省钱不是看单笔赚了多少，而是看月底总账剩多少。

R=∑t=1Tp(t)⋅Pess(t)⋅Δt\displaystyle R = \sum_{t=1}^{T} p(t) \cdot P_{\mathrm{ess}}(t) \cdot \Delta t
  1. 实时电价 $p(t)$t 时刻的电力价格，低谷低、高峰高，是套利的信号灯。
    p(t)p(t)
  2. 电池出力 $P_{\mathrm{ess}}(t)$充电为负（花钱买电），放电为正（卖电/替代购电），方向决定收益符号。
    Pess(t)P_{\mathrm{ess}}(t)
  3. 时间间隔 $\Delta t$每个调度时段的长度，功率乘以时间才是电量，再乘以价才得到钱。
    Δt\Delta t
  4. 全天累加求和把所有时段的收益加起来，得到一天的总套利收益。
    R=∑t=1Tp(t)⋅Pess(t)⋅ΔtR = \sum_{t=1}^{T} p(t) \cdot P_{\mathrm{ess}}(t) \cdot \Delta t

安全约束——水塔不能满溢也不能抽干

每个水塔的池壁都画着两道红线：最高水位线和最低水位线。蓄得太满，水会漫顶溢出；抽得太干，水泵空转烧毁。电池的世界里，这两道红线就是SOC 上下限（SOC 为荷电状态，即剩余电量占容量的百分比）：

光看 SOC 还不够，温度监控同样关键：电池在高温下充放电会加速内部副反应，调度算法收到温度越限信号后要主动降功率。衰减管理把电池看作会老化的资产——同样的充放电循环，深度越大、温度越高，老化越快，所以算法会在健康度下降后动态收紧可用的 SOC 窗口。梁师傅会在雨季主动把水塔水位多留出十厘米，给暴雨留缓冲；AI 也会在电池健康度降低后自动调低充放功率上限，宁可少赚点，也要保安全。

SOCmin⁡≤SOC(t)≤SOCmax⁡\displaystyle SOC_{\min} \le SOC(t) \le SOC_{\max}
  1. 荷电状态 $SOC(t)$t 时刻电池剩余电量与额定容量的比值，0 表示空、1 表示满。
    SOC(t)SOC(t)
  2. 下限 $SOC_{\min}$防止过度放电的保护线，通常取 0.1～0.2，低于此值会加剧电极材料衰减。
    SOCmin⁡SOC_{\min}
  3. 上限 $SOC_{\max}$防止过度充电的保护线，通常取 0.9～0.95，充电超过此值有热失控起火风险。
    SOCmax⁡SOC_{\max}

协调控制——一群水塔的团队协作

一个城市有十几个水塔，如果每个水塔管理员都凭自己那点水位拍板，结果必然是东城水塔满到溢、西城水塔干到底。梁师傅的调度台上有块大屏，按各塔水位、管道距离、输送能力统筹分配：让水多的塔多放，让水少的塔少放甚至蓄水。储能系统也一样，一个储能电站往往由几十个电池簇组成，聚合调度平台先算出总功率指令，再下发给每个设备：

$w_i(t)$ 的确定不是拍脑袋：剩余容量裕度大的设备分到更多充电任务，健康度差的设备少出力，靠近高负荷节点的设备优先放电——这就是负载分配与优先级排序的日常。别忘了通信协同：设备间通信有延迟，指令下达后各电池的响应速度也不一样，所以分配算法要留出同步余量，必要时用本地控制器做毫秒级兜底。梁师傅的大屏再智能，最终还得靠每个水塔的阀门可靠执行；储能系统也一样，云端大脑 + 本地肌肉，缺一不可。

Pi(t)=wi(t)⋅Ptotal(t)\displaystyle P_i(t) = w_i(t) \cdot P_{\mathrm{total}}(t)
  1. 总功率指令 $P_{\mathrm{total}}(t)$上级调度下发的总充放电功率，由电站级优化决定。
    Ptotal(t)P_{\mathrm{total}}(t)
  2. 分配权重 $w_i(t)$第 i 台设备承担的比例，随时间动态调整，总和恒为 1。
    wi(t)w_i(t)
  3. 单设备功率 $P_i(t)$第 i 台电池实际执行的充放电功率，受自身功率上限约束。
    Pi(t)P_i(t)

实时控制——突发状况的秒级反应

再老练的调度员也会遇到突发：片区水管爆裂、泵站故障。梁师傅必须在几秒钟内重新分配全部水塔的放水量，压不住还得启动备用泵。电网里对应的是“光伏被云遮、钢厂突然停机、极端天气让负荷陡增”——预测模型瞬间失效。这时博弈进入实时控制阶段：秒级响应负荷跳变，偏差修正滚动更新调度指令。

现代储能系统普遍采用滚动优化（类似 MPC 的思想）：每 1～5 分钟，用最新观测数据重新求解未来 15～30 分钟的调度方案，不断“滚”着往前走：

梁师傅处理爆管时也只执行第一套应急动作，然后一边观察一边修订下一步——这正是滚动优化的精髓。故障切换是最后一道保险：本地上位机检测到通信中断或设备异常，立即切换为就地控制模式，按预设的保守策略维持安全运行。预测给方向，优化给精度，实时控制兜住意外——储能调度就这样一环扣一环，让电网在大风大浪中稳住局面。

min⁡u∑k=1NJ(x^t+k,ut+k)\displaystyle \min_{u} \sum_{k=1}^{N} J\left(\hat{x}_{t+k}, u_{t+k}\right)
  1. 预测状态 $\hat{x}_{t+k}$基于最新测量推演出的未来第 k 步系统状态，如负荷、SOC、温度。
    x^t+k\hat{x}_{t+k}
  2. 控制动作 $u_{t+k}$未来第 k 步的充放电功率，是优化的决策变量。
    ut+ku_{t+k}
  3. 代价函数 $J(\cdot)$把“偏离目标的程度 + 功率调整代价 + 安全越限惩罚”折算成一个数值。
    J(x^t+k,ut+k)J(\hat{x}_{t+k}, u_{t+k})
  4. 向前滚动求和对未来一个窗口的总代价求最小，只执行第一步，然后窗口整体前移重算。
    min⁡u∑k=1NJ(x^t+k,ut+k)\min_{u} \sum_{k=1}^{N} J(\hat{x}_{t+k}, u_{t+k})

AI 应用场景

工业园区储能峰谷套利

阶段：负荷预测 + 充放电策略优化

解决的问题：制造业园区白天负荷高，按峰谷电价结算，一年电费居高不下。靠人工定时充放，既累又慢，还容易错过电价拐点。AI 用历史负荷数据训练预测模型，结合次日分时电价，自动生成“低谷充、高峰放”的调度计划，并把电池寿命损耗纳入优化，不让设备透支。

具体案例：某汽车零部件工厂配了 2MWh 储能电站，AI 调度系统接入园区电表和电价接口。运行三个月后，园区每月的峰时需量电费下降约 18%，储能系统综合收益率提升到预期的 92%，电池容量衰减比人工粗放调度低了 0.8 个百分点。

新能源配储平滑出力

阶段：实时控制 + 多设备协调

解决的问题：光伏电站出力受天气影响剧烈，一片云飘过可能让功率骤降 60%，电网会考核“功率波动超标”并罚款。传统做法靠人工盯屏，反应慢、协调乱。AI 综合气象预报与实时功率观测，提前预判云层遮挡，让储能秒级放电顶住缺口，并在云层散去后自动转入充电。

具体案例：西北某 100MW 光伏电站配套 20MW/40MWh 储能，AI 协调控制系统上线后，1 分钟内功率波动幅度超标次数从每月 23 次降到 2 次，考核罚款减少约 85 万元/年，同时多设备协同把电池簇间的 SOC 不均衡度控制在 3% 以内。

Python 演示

python68 行
class StorageScheduler:    def __init__(self, capacity, max_power, efficiency=0.92):        self.capacity = capacity        self.max_power = max_power        self.efficiency = efficiency        self.soc = 0.5        self.records = []     def forecast(self, history, alpha=0.5):        if not history:            return 0.0        pred = history[0]        for value in history[1:]:            pred = alpha * value + (1 - alpha) * pred        return pred     def decide(self, price, load):        if price < 0.4 and self.soc < 0.9:            need = (self.capacity * 0.9 - self.soc) / self.efficiency            power = min(self.max_power, need)            action = 'charge'        elif price > 0.8 and self.soc > 0.2:            avail = (self.soc - self.capacity * 0.2) * self.efficiency            power = min(self.max_power, avail)            action = 'discharge'        else:            power = 0.0            action = 'idle'        return action, power     def step(self, price, load, dt=1.0):        action, power = self.decide(price, load)        if action == 'charge':            self.soc += power * self.efficiency * dt        elif action == 'discharge':            self.soc -= power * dt / self.efficiency        lo, hi = 0.1 * self.capacity, 0.95 * self.capacity        self.soc = max(lo, min(hi, self.soc))        grid_need = load - power if action == 'discharge' else load + power        cost = grid_need * price * dt        self.records.append((action, round(power, 1), round(self.soc, 1), round(cost, 1)))        return action, power, cost     def run(self, prices, loads):        total = 0.0        for i in range(len(prices)):            total += self.step(prices[i], loads[i])[2]        return total  def main():    prices = [0.3] * 6 + [0.7] * 6 + [1.0] * 4 + [0.6] * 4 + [0.9] * 4    loads = [50, 48, 45, 46, 52, 60, 75, 90, 105, 110, 108, 98,             95, 92, 96, 108, 115, 125, 120, 105, 90, 80, 70, 62]    s = StorageScheduler(100, 40)    total = s.run(prices, loads)    no_storage = sum(p * l for p, l in zip(prices, loads))    pred_next = s.forecast(loads[:12])    print(f"未来负荷预测值: {pred_next:.1f} kW")    print(f"无储能应付电费: {no_storage:.1f} 元")    print(f"储能调度实付电费: {total:.1f} 元")    print(f"节省金额: {no_storage - total:.1f} 元")    for i, r in enumerate(s.records[:5]):        print(f"时点{i}: {r}")  if __name__ == '__main__':    main()
目的：用模拟电价和负荷数据，跑一遍“指数平滑预测 + 峰谷套利充放策略 + SOC 安全约束”的完整储能调度，直观看到储能带来的电费节省。
  1. pred = alpha * value + (1 - alpha) * pred这就是正文的指数平滑公式，用循环把整个历史序列逐点滚动一遍。
  2. price < 0.4 and self.soc < 0.9低谷时段且电池没满时充电，两条条件同时满足才动手。
  3. power = min(self.max_power, need)充电功率取“额定上限”和“还差多少充满”的较小值，防止冲动超载。
  4. self.soc = max(lo, min(hi, self.soc))强制把 SOC 钳制在 10%~95% 安全区间，对应正文的安全约束红线。
  5. grid_need = load - power if action == 'discharge' else load + power放电时电池帮电网顶一部分负荷，充电时电池反而多要一份电。
  6. total += self.step(prices[i], loads[i])[2]逐时段累计电费，step 返回三元组的第三项是当步成本。

常见误区

误区总觉得储能站电池堆得越多，削峰填谷越猛，电费省得越多，至于成本嘛，反正用电大户不差钱。

正解容量越大投资越高，闲置的电池不仅不产生收益，还占场地、增维护。储能系统存在“经济最优容量”——超过某个点后，新增电池的边际成本已经高于它能带来的套利和需量电费收益。调度算法同样会算“这个时段该不该让这块电池出力”，发现无利可图就让电池待机。就像水塔建得再高，城市用水量就这么多，多出来的塔身只是晒太阳的水泥罢了。

为何常见：“大即好”的直觉深入人心，忽略了储能是重资产，容量本身就是成本，收益才是分母。

误区既然峰谷价差大，那就低谷全功率充电、高峰全功率放电，一次循环赚最多差价，AI 也应该把每度电都卡在最低价买入。

正解疯狂地深度充放会加速电池衰减。一次 90% 深度的循环造成的电极损耗，可能比它多赚的那点价差还贵。真正的优化目标是“套利收益 − 寿命损耗”最大化，有时候少充一点、浅充浅放反而总账更优。梁师傅也不会为了省水费把水泵开满一整夜——水泵换一个的价钱，抵得上省下的半年水费。

为何常见：只盯住收入端忘了成本端，把电池当成永不磨损的储物罐，忽略了充放电循环本身就是消耗品。

误区以为调度中心一条总指令发下去，所有电池就会整齐划一地执行到位，全程不用人管。

正解现实里每台设备的 SOC、健康度、通信延迟都不一样。总功率 10MW 分配给 10 台电池，怎么分、分给谁，是协调控制的核心难题——分得不合理，可能出现一台过放保护停机、另一台闲着待命。通信时延大时，远端指令到达本地已经过时，需要本地控制器做毫秒级兜底。梁师傅不会让西城水塔放到见底而东城水塔满到溢，云端大脑再聪明，每个水塔的阀门也得各司其职。

为何常见：把集中控制想象得过于完美，忽略了分布式设备的个体差异和通信链路的物理限制。

误区觉得预测误差越小越牛，干脆上深度学习大模型，把所有特征都塞进去，最好把误差压到小数点后三位。

正解负荷预测天然存在不确定性——用户突发行为、极端天气、设备故障都不可预知，再复杂的模型也不可能把这个方差降到零。工程实践中更看重“预测区间 + 鲁棒调度”：知道误差可能有正负 10%，调度策略就预留调节余量，这比把点预测精确到 0.1% 更有价值。梁师傅给水塔留两成空余，不是因为估算不出来水量，而是因为世界本来就不确定。

为何常见：把预测当“算命”，误以为误差全来自模型不够聪明，而忽略了电力系统本质上是一个充满随机性的概率世界。

面试题

Q1. 智能电网中负荷预测的核心用途是什么？

单选题 · easy

  • A.决定电池安装位置
  • B.预测未来用电需求← 正确答案
  • C.计算输电线路损耗
  • D.确定变压器额定容量

答案：B。负荷预测的核心是预判未来的用电需求，储能调度、发电计划、需量管理都依赖它。其他选项虽然和电网相关，但都不是负荷预测的直接用途。就像梁师傅要先估水量才能决定何时蓄水，预测是调度链条的第一环。

Q2. 峰谷套利的基本原理是什么？

单选题 · easy

  • A.低谷充电高价放电← 正确答案
  • B.高峰充电低谷放电
  • C.任何时间都充满电池
  • D.仅依赖光伏充电补能

答案：A。峰谷套利是在电价低谷时买入电能存入电池，等到电价高峰时放出，赚取价差。选项 B 方向完全反了，C 忽略电价信号，D 把电源限定为光伏，都不符合套利逻辑。

Q3. 电池 SOC 的含义是什么？

单选题 · easy

  • A.电池表面实时温度
  • B.电池荷电状态百分比← 正确答案
  • C.电池剩余循环次数
  • D.电池实际出厂日期

答案：B。SOC（State of Charge）是剩余电量占额定容量的百分比，0 为空、1 为满，是储能调度的核心状态变量。温度、循环寿命、出厂信息都不是 SOC 的定义。

Q4. 电池过度充电的主要危害是什么？

单选题 · mid

  • A.显著增加储电容量
  • B.加速老化甚至热失控← 正确答案
  • C.大幅缩短充电耗时
  • D.有效提升放电功率

答案：B。过充会让正极材料结构破坏、析锂加剧，严重时引发热失控起火。电池容量由设计决定，不会因为过充变大；过充反而缩短寿命，更谈不上提升功率。这正是 SOC 上限约束存在的意义。

Q5. 实时控制与日前调度最核心的区别是什么？

单选题 · mid

  • A.负荷预测的周期更长
  • B.需要秒级响应修正偏差← 正确答案
  • C.完全忽略电价影响因素
  • D.不需要进行任何安全校验

答案：B。实时控制面对的是预测失灵后的突发偏差，必须在秒级做出响应并滚动修正。日前调度预测周期长、粒度粗；实时控制反而时间尺度短、要求快，更不会忽略电价和安全约束。

Q6. 多储能设备协调调度时需要重点考虑哪些因素？

多选题 · mid

  • A.各设备的荷电状态← 正确答案
  • B.设备所在的地点距离← 正确答案
  • C.通信时延的差异大小← 正确答案
  • D.电池外壳的品牌颜色

答案：ABC。协调调度要按 SOC 裕度分配功率，按地理位置处理局部电压支撑，还要考虑通信时延做同步兜底。品牌颜色是外观属性，调度算法根本不关心任何一个像素。

Q7. 滚动优化调度中“滚动”指的是什么？

单选题 · mid

  • A.电池随滚筒不断旋转
  • B.预测窗口随时间前移重算← 正确答案
  • C.电价随季节轮换调整
  • D.设备定期轮流进行检修

答案：B。滚动优化是每过一个控制周期，就用最新观测数据把未来窗口重新算一遍，窗口整体前移。它不是物理旋转，也不是电价季节调整或检修轮换，而是“算一步、走一步、再看一步”的闭环模式。

Q8. 电池衰减管理通常包含哪些手段？

多选题 · hard

  • A.限制最大充放电倍率← 正确答案
  • B.控制放电深度范围← 正确答案
  • C.维持适宜工作温度← 正确答案
  • D.每月彻底放空一次电池

答案：ABC。限制倍率、控制放电深度、维持温度都是延缓衰减的有效手段。彻底放空电池属于深度放电，会加速老化，是衰减管理要避免的坏习惯，而不是管理手段。

Q9. 多设备功率分配中权重 w_i 确定的依据是什么？

单选题 · hard

  • A.设备剩余容量与健康度← 正确答案
  • B.设备安装年份的先后
  • C.设备运维团队的人数
  • D.设备外壳喷涂的颜色

答案：A。剩余容量裕度大的设备多承担充电任务，健康度高的设备多出力，网损灵敏度高的设备优先放电——权重是设备“能力”的数学化。安装年份、运维人数、喷涂颜色都和当前的功率能力无关。

Q10. 负荷预测误差偏大时，实时控制系统可能采取哪些修正动作？

多选题 · extreme

  • A.重新滚动求解调度方案← 正确答案
  • B.调整各电池功率分配权重← 正确答案
  • C.切换备用设备增强支撑← 正确答案
  • D.直接关闭全部储能电站

答案：ABC。预测偏差出现后，系统会滚动重算调度方案，重新分配各设备权重，必要时切换备用电池或柴发兜底。直接关闭全部储能电站等于自断臂膀，会让电网失去所有调节能力，属于错误选项。