绿色能源 + AI：Device Agent 构建预测性智慧能源管理

引言：绿色能源 + AI 成为必答题

在「双碳」目标与电力市场化改革的双重驱动下，家庭储能正在从「存电的电池」进化为「会算账的资产」。而这场进化的核心驱动力，是 AI。

本文将分享我们如何基于 EMQ Device Agent 与 IoT 平台，为家庭储能场景构建一套理解自然语言指令、预测未来用电趋势、计算最优充放电策略的智慧能源管理方案，并给出预测算法的工程落地细节与实测数据。

背景：市场刚需与政策发展

欧洲出海：动态电价时代的刚需

面向欧洲市场的家庭储能产品，「绿色能源 + AI」已经不是加分项，而是入场券。欧洲电力现货市场普遍采用 15 分钟级结算周期，德国、荷兰、北欧等市场的动态电价合同（如 Tibber、Octopus Energy 等）快速普及，家庭购电价格随市场供需每小时甚至每 15 分钟浮动。

这意味着家庭储能的商业模式正在发生根本变化：从「光伏自发自用」扩展为「低价充电、高价放电」的主动套利。面对这种高频波动的价格信号，静态的定时充放电策略几乎失效，预测与优化能力成为刚需。

国内：政策同向演进

国内的政策与法规也在逐步完善。2023 年 9 月，国家发展改革委、国家能源局印发《电力现货市场基本规则（试行）》（发改能源规〔2023〕1217 号），明确了电力现货市场的机制设计，确立 15 分钟级最小交易与结算时段的方向。

2025 年 12 月，《电力中长期市场基本规则》（发改能源规〔2025〕1656 号）发布并自 2026 年 3 月 1 日起施行，对直接参与市场交易的经营主体，不再人为规定分时电价水平和时段，电价跟随市场形成。

与此同时，虚拟电厂、需求侧响应等配套规则也对 15 分钟级用电数据采集提出了准入要求，「精细化、数据驱动的能量管理」同样是国内市场的明确走向。

客户的通用问题

无论是出海还是国内客户，需求最终收敛到同一个技术问题：

如何基于耗电历史数据、发电历史数据、天气数据（光照、温度、湿度、风速等）、15 分钟级电价，以及其他影响发电与耗电的因素，预测未来的耗能与发电，并据此确定储能的充放电策略。

更进一步，客户还要求「每户个性化」。不同家庭的用电习惯千差万别，一套统一的曲线模板不足以应对实际情况。

方案挑战：AI 是核心，也是难点

这个场景的技术挑战高度集中在 AI 层面，体现为两个维度：

优化算法

每户家庭的用电画像独一无二，需要基于完整的历史数据进行针对性学习与测试，才能打磨出适配的算法。模型还必须能随着数据积累持续迭代，而不是一次部署、终身不变。

用户体验提升

算法能力需要用「零门槛」的方式交付给最终用户，用户仅使用自然语言就能定制工作流——比如临时设置定时任务、调控设备、灵活查询历史数据——而不是让用户面对一堆参数表单。

方案基座：Device Agent + IoT 平台

我们以两层基座支撑整个方案：上层是 Device Agent，负责智能体能力的快速构建；下层是 IoT 平台，负责设备连接与数据资产的沉淀。

Device Agent：发电、储能设备智能体的快速开发

• 提供设备接入、物模型、多模态对话等能力，让光伏逆变器、储能电池、智能电表等设备快速具备「可被对话」的属性。
• 通过工作流集成 AI 算法，将预测模型、优化求解器以工具（Tools）形式挂接到智能体，实现灵活集成与按需编排，算法迭代不影响交互链路。

IoT 平台：设备连接 + 设备管理

• 提供设备导入、标签、设备日志、设备影子等管理能力，保障设备生命周期的可运维性；
• 支持历史数据的存储与查询：耗电、发电、天气等历史数据是 AI 训练的「燃料」，数据资产的完整性直接决定个性化算法的上限。

方案架构：LLM × 预测模型 × 优化求解器

总体流程

方案的运行链路可概括为「三段式」，三个模块各司其职：

• LLM：理解用户意图、进行推理、生成自然语言反馈；
• 预测模型：基于历史与实时数据，预测未来用电与发电走势；
• 优化求解器：在硬约束下做出最优充放电决策。

三者解耦，任一环节均可独立升级，互不影响。

负荷与发电预测算法

以 LightGBM 实现均衡模式

预测算法的选择可以覆盖从经典机器学习到时序大模型的谱系，其中本文以 LightGBM 模型实现均衡模式。我们以公开的 UCI Appliances Energy Prediction 数据集（19735 条、10 分钟粒度的家庭能耗记录）配合样例代码，说明工程实践中的几个关键点：

特征工程是预测质量的灵魂。样例代码构造了三类特征：

• 周期性时间特征：用正弦/余弦编码小时与星期，让模型理解「23 点离 0 点很近」，并辅以「时段」粗粒度分箱；
• 多尺度滞后特征：过去 10 分钟到 24 小时的耗电量、室外温湿度滞后值，捕捉用电惯性；
• 滑动窗口统计：过去 1 小时、4 小时、24 小时的均值与标准差，刻画近期用电水平与波动。

严格按时间顺序切分数据。前 70% 训练、后 30% 测试，坚决不使用随机切分，以避免未来信息泄露——这是时序建模中最容易踩的坑。

实测效果。在数据集上按样例代码运行（learning_rate=0.03，num_leaves=63，early stopping），结果如下：

特征重要性 Top 10 几乎被滞后特征与滑动窗口统计包揽（其次是室内湿度与小时周期编码），印证了「历史用电规律」是负荷预测最强的信号，而天气特征提供重要补充。

从样例到生产：四个待跨越的差距

公开数据集验证只是起点，真正落地生产还需补齐以下差距：

• 增加光伏发电预测
  UCI 数据集仅有电器耗电，生产环境需要「耗电预测 + 发电预测」双模型，光伏侧必须引入辐照度（irradiance）这一核心特征；
• 从单步预测到多步预测
  样例用真实滞后值预测下一时刻，生产上需要一次性输出未来 96 个 15 分钟点，需采用 direct multi-horizon 方式（以天气预报特征替代真实天气）或递归预测；
• 时间分辨率对齐
  样例为 10 分钟粒度，而电价与充放电计划均为 15 分钟粒度，需要重采样对齐；
• 补充电价特征
  场景核心是与电价联动，训练时必须补充历史电价特征。

还有两个工程细节值得注意：样例直接使用测试集做 early stopping 验证，规范做法应从训练集尾部切一段验证集——按此修正后 RMSE 为 63.15 Wh，是更诚实的精度估计。此外 root_mean_squared_error 需要 scikit-learn ≥ 1.4，低版本环境需自行实现。

需要特别说明的是，该样例数据集的验证结果不等于生产环境表现，训练出高质量模型仍依赖充足的历史用户数据与精细的参数调优。

其他算法选型参考

• XGBoost：与 LightGBM 同属梯度提升树家族，可作为对照与集成成员；
• 线性拟合：线性拟合（ElasticNet / Ridge）：与 LightGBM 精度在同一量级（RMSE 相差 <1%），适合作为生产级轻量基线直接部署在户储网关，也用作异常检测的参照基准;
• 神经网络：在数据量足够大、多家庭联合建模时有优势；
• 时序大模型（Google TimesFM 2.5）：基于众多的时序数据进行训练，是解决冷启动的关键——新用户没有历史数据时，先用 TimesFM 提供通用预测兜底；待数据积累到一定规模（例如 4 周以上），自动切换为个性化的 LightGBM 模型。由此形成「开箱即用、越用越准」的体验闭环。这个方案需要 GPU 部署大模型，会有一定的投入。

三种能量管理模式：同一框架，不同目标函数

方案提供均衡、EMS、环保三种模式。需要强调的是，三种模式不是三个独立算法，而是同一套预测模型 + 同一优化框架下，目标函数权重的不同取值：

这样的架构让「新增一种模式」退化为「新增一组权重配置」，而非重新开发一套算法。

预测算法训练：个性化、定时训练

• 输入：从 IoT 平台获取的耗电量、发电历史数据与天气历史记录（按用户 ID 隔离）；
• 输出：根据所选模式类型训练得到的、未来 24 小时的用电与发电预测模型；
• 节奏：每个用户独立建模（个性化），Agent 自动按周触发一次重训练（定时进化），节假日与季节变化带来的用电规律漂移由此被持续吸收。

Device Agent 算法工具箱

算法以两个标准工具形式部署在 IoT 平台，通过设备管理平台 API 访问，供 Device Agent 在工作流中调用：

安全与可靠性护栏

充放电指令直接作用于储能设备，欧洲客户对电池安全尤为敏感，方案在三个层面设置护栏：

• 硬约束：SoC 上下限、充放电功率限制、温度保护在求解器中是不可违反的硬约束，而非目标函数中的惩罚项——AI 可以在约束内优化，但永远不能越界；
• 人工确认：模式切换、非常规充放电等关键操作需用户确认后执行；
• 失败回退：预测服务、求解器或通信异常时，自动回退到本地安全策略（如默认自发自用），保证设备离线也不失控。

LLM 不直接操控设备：所有指令必须经过求解器与规则校验，这是「大模型 + 确定性系统」组合的基本原则。

交互流程

场景一：用户说「把我的电池设置为 EMS 模式」

1. Device Agent 阅读自身 Skill，发现可通过「创建 / 更新预测训练算法」工具为该用户创建 EMS 模式的个性化算法；
2. Device Agent 自动为该算法建立每周一次的定时重训练任务；
3. Device Agent 创建一个每小时执行一次的定时任务，调用求解器刷新充放电计划并下发；
4. Device Agent 用自然语言向用户确认：「已切换到 EMS 模式。系统将每小时根据最新电价和天气优化充放电策略，模型每周自动更新。」

场景二：用户说「我今天下午有客人过来，你调整一下今天的模式」

1. Device Agent 推断午后负荷将显著高于历史同期，仅切换模式标签并不够，需要同时调整预测输入与约束：切换至均衡模式、上调今日的负荷预测修正、提高傍晚前的 SoC 保留下限——避免客人到访的高用电时段撞上傍晚电价尖峰而被迫高价购电；
2. Device Agent 触发一次即时重算，生成当日的修订版充放电计划；
3. Device Agent 回复：「已按今日有访客调整：下午优先保障供电，电池将在午后光伏高峰多充电，并预留 40% 电量应对傍晚用电高峰。明天自动恢复原有模式。」

这个场景体现了 Device Agent 区别于传统 EMS 的核心能力：LLM 能把临时的自然语言意图，映射为对算法参数与约束的调整，而不仅仅是切换一个预设档位。

效果与收益测算

预测精度最终要换算成钱才有意义。收益测算的基本框架为：

电费节省 = Σ（放电电量 × 放电时刻电价）− Σ（充电电量 × 充电时刻电价）− 电池衰减成本

配合两个过程指标：光伏自发自用率（环保模式核心指标）与高价时段供电覆盖率。

三种模式的对比应通过回溯仿真（backtesting）完成：取同一段历史时期的真实用电、发电与电价数据，分别运行三种模式，对比电费支出与自用率差异。

精度与收益的关系是近似单调的：负荷预测误差越小，「该充的时候没充、该放的时候没放」的错配就越少。本文 LightGBM 样例相对 Naive 基线 46% 的 RMSE 降幅，落到结算口径上，意味着大部分「时段错配」被消除——这正是 AI 相对静态策略的价值来源。实际项目中建议以客户真实数据跑 3~6 个月的回溯仿真，得出可信的三种模式收益对比后再对外承诺数值。

结语

AI 并没有取代传统 EMS，而是让它具备了三个新能力：

• 听得懂人话——LLM 将算法能力翻译为自然语言交互；
• 跟得上电价——LightGBM 等预测模型将历史数据转化为对未来的判断；
• 进得了千家万户——MILP / MPC 求解器在硬约束内做出最优决策。

Device Agent 与 IoT 平台的分层设计，将这一切从「项目化定制」推向「产品化复制」——算法以工具形式挂接，模式以权重配置扩展，模型按周自动进化。「绿色能源 + AI」的答卷，核心不在某个单点算法，而在这套可持续进化的系统架构。

参考资料

1. 国家发展改革委、国家能源局：《电力现货市场基本规则（试行）》（发改能源规〔2023〕1217 号），2023 年 9 月
2. 国家发展改革委、国家能源局：《电力中长期市场基本规则》（发改能源规〔2025〕1656 号），2025 年 12 月
3. UCI Machine Learning Repository: Appliances Energy Prediction 数据集，https://archive.ics.uci.edu/dataset/374/appliances+energy+prediction