电力现货市场建设关键一步：取消分时电价 - 国家发改委、国家能源局发布通知，要求做好2026年电力中长期合同签约履约工作，明确规定原则上直接参与市场用户不再执行政府规定的分时电价 [2] - 陕西已率先发布提示，明确2026年市场化用户分时电价不再执行峰谷浮动政策，售电公司代理用户电价将由市场批发均价传导形成，最低电价将主要出现在中午光伏大发时段 [2] - 专家指出，取消分时电价是电力现货市场建设的重要一步，本质是价格形成机制从政府主导转向市场主导，但执行层面电价波动不会特别大 [3] - 今年以来，电力现货市场建设全面加速，除西藏等个别地方，连续开展现货交易的省份达到28个，其中7个已转入正式运行 [2] 分时电价政策的背景与局限性 - 分时电价政策主要针对工商业用电，旨在通过价格信号引导用户用电行为，在政府规定的时段内对购电价进行上浮或下浮调整 [4] - 根据2021年国家发改委的通知，峰谷电价价差在最大系统峰谷差率超过40%的地方原则上不低于4:1，这意味着工商业用户在不同时段用电电费可能相差4倍以上 [5][6] - 分时电价政策亟待改革，主因是新能源装机规模大幅增长，尤其是光伏激增导致全国各地中午成为发电高峰，午间电价从峰段变为谷段，原有时段划分已不适应 [7] - 由于分时电价时段划分由政府主导，调整周期多为每月或每季度一次，难以适应发电资源的快速变化 [7] 对储能行业的直接影响与挑战 - 分时电价政策调整，首当其冲受到影响的是工商业储能电站，其过去主要依赖“峰谷价差”套利作为收益模型 [8] - 分时电价取消后，储能电站收益可预期性下降，要求企业要么提高自身电力交易能力，要么与具备高交易能力的售电公司合作 [9] - 在分时电价引导下，工商业储能用电规则制定相对容易，而取消后可能出现“中午电价低—工商业储能集中充电—推高午间电价”的连锁反应 [10] - 面对收益不确定性，储能企业开始调整策略，从重资产建设转向重运营服务，开发多元应用场景如零碳园区、虚拟电厂以实现收益多元化 [11] 储能企业的应对策略与发展方向 - 作为储能系统提供商，在分时电价逐步取消的背景下，需将产品安全性与可靠性放在首位，确保更高的循环效率、更快的响应速度和更低的容量衰减以保障收益 [12] - 企业需要重视应用场景，提供定制化解决方案，并构建“产品+服务+运营”的一体化交付模式，提供从项目设计到参与电力市场交易的整套服务 [12] - 储能企业正持续分析各省的现货市场规则、辅助服务和补贴政策，形成动态更新的策略模型库以更好地参与电力现货市场 [16] - 有企业计划在2026年以用户侧储能为核心支点，向负荷侧综合能源项目和虚拟电厂等领域延伸布局 [11] 各省政策推进节奏差异与原因 - 陕西是全国首个取消分时电价的省份，而四川曾考虑取消但暂缓执行，对零售用户非现货联动电量仍按现行分时电价政策执行 [13] - 四川暂缓原因包括：电力现货市场今年9月才启动试运行，用户侧主体不熟悉规则；当地水电资源丰富，不同时段（汛期、枯期）电价差异极大，市场主体难以预测来水量和电价；取消分时电价会导致售电公司盈利空间缩小，售电公司提出了意见 [13][14] - 零售用户购电主要通过售电公司或电网代理两种渠道，售电公司盈利模式在于以固定价格售电并以市场化价格购电，赚取价差 [14][15] 对售电公司的影响与未来竞争维度 - 陕西省电力交易中心数据显示，陕西电力现货市场启动后，省内交易整体价格持续下探，售电公司在批发市场的累计购电均价从1月的0.362元/度下降至6月的0.339元/度，但零售用户购电均价仅下降0.003元/度，购销差价极大 [15] - 未来分时电价取消后，客户优质、交易能力强的售电公司有机会盈利，而客户用电波动大、交易能力一般的售电公司会逐步退出市场 [16] - 专家认为售电公司作为中间商不会消失，因为市场总有代理购电需求，特别是对小型工商业用户 [16] - 未来售电公司的竞争将主要集中在两个维度：一是客户资源、自身实力等资源禀赋；二是电力交易能力，至少需要能够有效预测市场电价以制定合理套餐 [16]

核心观点 - 河南空管分局组织AI气象大模型培训，旨在提升预报员业务能力，将新技术应用于气象预报实践 [1] - AI气象大模型相比传统方式具有运算效率高、资源消耗小、非线性模拟能力强等优势，可快速生成高精度预报产品 [1] - 未来气象预报将呈现“数值预报+AI”融合发展趋势，通过AI优化物理过程参数化，提高预报精度和可靠性 [1] 技术优势与应用 - AI大模型具备运算效率高、消耗计算资源极小、非线性模拟能力强等优势 [1] - 技术可快速生成高精度的气象预报产品，为预报员提供更丰富、准确的参考信息 [1][2] - 大模型能帮助预报员更精准把握天气变化趋势，提高预报准确率 [2] 当前挑战与短板 - 当前大模型存在弱可解释性、泛化能力不足、极端事件预报强度偏低等问题 [1] - 其他短板包括智能预报结果过平滑、深度学习框架能力需要拓展 [1] 行业影响与未来趋势 - 预报员需掌握新技术知识，学会与AI协同工作，并对AI结果进行科学分析和判断 [2] - 行业将持续关注气象科技发展，推动新技术在业务中的广泛应用 [2] - “数值预报+AI”将通过AI技术优化复杂物理过程参数化，使模型更好模拟大气现象 [1]