code/PROJECT_FILES_DETAILED_GUIDE.md

SolarChain-Eval 项目文件详细说明

本文档对当前 SolarChain-Eval 仓库中的文件进行系统说明。它面向需要快速理解项目结构、实验逻辑、代码职责、数据来源、输出文件和论文流水线的人。

1. 项目总体介绍

SolarChain-Eval 是一个面向去中心化能源市场的强化学习评估基准项目。它的核心目标不是简单训练一个收益最高的智能体，而是评估自治经济治理 agent 是否能在受物理约束的能源市场中安全、稳定、可审计地做出治理决策。

项目关注的问题可以概括为：

• 能源节点上报的发电量是否符合太阳能物理上限 P_max。
• 市场流动性、奖励分配和代币燃烧策略如何影响交易匹配、滑点和价格稳定性。
• PPO、SAC、DQN 等强化学习策略是否会为了收益利用不可信发电报告。
• 固定规则、随机策略、短视贪心策略和 RL 策略之间在收益、安全、稳定、公平上的差异。
• 移除物理惩罚后，agent 是否更容易制造 artificial_liquidity_MWh 等不可信行为。

整个项目围绕一个 Gymnasium 环境 SolarChainBenchmarkEnv 展开。环境每一步代表一个小时，agent 输出三个经济治理动作：

• reward_ratio：有多少背书电量进入奖励分配。
• liquidity_ratio：有多少背书电量用于增加市场流动性。
• burn_rate：代币燃烧率，影响有效需求和价格动态。

环境会把这些动作放进能源供给、P2P 交易需求、物理约束、城市奖励、流动性池和代币价格模型中，最终计算奖励和一组可信度指标。

2. 项目主流程

项目从数据到论文结果的主流程如下：

1. scripts/generate_monthly_datasets.py 生成或刷新五城市月度数据。
2. configs/*.yaml 定义实验参数、动作边界、奖励惩罚和训练设置。
3. src/solarchain_eval/data.py 读取 CSV 数据，生成按城市和绝对小时聚合的物理特征。
4. src/solarchain_eval/env.py 构建 Gymnasium 强化学习环境。
5. src/solarchain_eval/actions.py 负责连续动作、离散动作和真实动作之间的转换与约束。
6. src/solarchain_eval/policies.py 提供内置 baseline 策略。
7. src/solarchain_eval/train.py 使用 Stable-Baselines3 训练 PPO、SAC、DQN。
8. src/solarchain_eval/evaluate.py 统一评估内置策略和训练好的 RL 模型。
9. src/solarchain_eval/metrics.py 汇总每个 episode 的可信度指标。
10. src/solarchain_eval/figures.py 生成论文图表。
11. paper_pipeline/*.sh 串起 Linux 上的 setup、smoke check、完整论文实验、图表和 manifest。

3. 根目录文件

.gitignore

这是 Git 忽略规则文件，主要排除 Python 缓存、虚拟环境、构建产物、测试缓存、日志、数据库、本地环境文件等。它避免把 __pycache__、.venv、build/、dist/、.pytest_cache/ 等临时文件提交到版本库。

README.md

项目入口说明文档。它介绍了项目名称、项目定位、安装方式、快速 smoke run、完整 baseline 运行方式、Linux 论文流水线和主要输出文件。

其中最重要的信息包括：

• 安装方式：pip install -e .
• 快速评估：python scripts/evaluate.py --policies "static,random,myopic" --episodes 1
• 完整 baseline：python scripts/run_all_baselines.py --timesteps 2048 --episodes 2
• 论文流水线：paper_pipeline/00_setup_linux.sh、01_smoke_check.sh、02_run_paper_experiments.sh
• 输出文件：metrics.csv、summary.json、actions.csv、city_hour_policy.csv、config_snapshot.json
• 关键指标：physics_violation_rate、max_drawdown、action_jitter、slippage_reduction_vs_static、spatial_fairness_index、artificial_liquidity_MWh

LICENSE

项目许可证文件，采用 MIT License。版权归 GreenComp-ERC，年份为 2026。MIT 许可证允许用户自由使用、复制、修改、合并、发布、分发、再授权和销售软件，但需要保留版权和许可声明。

pyproject.toml

Python 包配置文件。它说明该项目是一个可安装的 Python 包：

• 包名：solarchain-eval
• 版本：0.1.0
• Python 要求：>=3.10
• 包源码位置：src
• 构建系统：setuptools

主要依赖包括：

• gymnasium：强化学习环境接口。
• stable-baselines3：PPO、SAC、DQN 算法实现。
• torch：深度学习后端。
• numpy、pandas：数值计算和表格数据处理。
• matplotlib：图表生成。
• pvlib：太阳能物理模型。
• requests：请求 Open-Meteo 历史天气 API。

requirements.txt

传统 pip 依赖列表。它与 pyproject.toml 中的依赖基本一致，但额外包含 pytest>=8.0，用于运行测试。

4. 配置目录 configs/

configs/default.yaml

默认实验配置，使用 data/datasets 这个 24 小时小数据集。适合快速调试、单日 smoke run 和本地快速验证。

关键配置：

• seed: 20260511：全局随机种子。
• episode_steps: 24：每个 episode 运行 24 个小时。
• data_dir: data/datasets：默认数据目录。
• output_dir: outputs/runs：默认实验输出目录。
• figures_dir: figures：默认图表输出目录。
• action_mode: continuous：默认连续动作空间。
• discrete_levels: 5：DQN 离散动作网格每个维度 5 档，总动作数为 5 x 5 x 5 = 125。
• no_physics_penalty: false：默认保留物理违规惩罚。

market 段定义市场和动作边界：

• 初始流动性和代币价格均为 1.0。
• reward_ratio 范围为 0.05 到 0.65。
• liquidity_ratio 范围为 0.20 到 0.95。
• burn_rate 最大为 0.20。
• reward_ratio + liquidity_ratio 最大为 0.98。
• 静态策略为 reward_ratio=0.25、liquidity_ratio=0.75、burn_rate=0.02。

reward 段定义奖励函数惩罚项：

• drawdown_penalty: 1.50
• action_jitter_penalty: 0.25
• unmet_demand_penalty: 0.40
• physics_penalty: 2.00
• fairness_penalty: 0.20

training 段定义训练超参数：

• timesteps: 10000
• learning_rate: 0.0003
• batch_size: 64
• gamma: 0.98

evaluation 段默认评估 static、random、myopic 三个内置策略。

configs/month_2026_04.yaml

月度论文主配置。它与 default.yaml 大体相同，但把 data_dir 改为 data/datasets_2026_04_month。

这个配置用于 2026 年 4 月整月五城市 benchmark：

• 数据窗口：2026-04-01T00:00:00+08:00 到 2026-04-30T23:00:00+08:00
• 共 720 个小时。
• 每个 episode 仍然是 24 小时。
• 环境 reset 时从完整日开头采样，即 0, 24, 48, ..., 696。

论文实验、完整 baseline、消融实验都应优先使用这个配置。

5. 核心源码目录 src/solarchain_eval/

src/solarchain_eval/__init__.py

包入口文件。它导出三个最常用对象：

• BenchmarkConfig
• SolarChainBenchmarkEnv
• load_config

这样外部代码可以直接从 solarchain_eval 导入配置和环境。

src/solarchain_eval/config.py

配置加载与配置数据结构定义文件。

它定义了以下 dataclass：

• MarketConfig：市场初始状态、动作边界、静态策略参数。
• RewardConfig：奖励函数中的各类惩罚权重。
• TrainingConfig：训练步数、学习率、batch size、折扣因子等。
• EvaluationConfig：评估 episode 数和默认策略列表。
• BenchmarkConfig：总配置对象，包含 seed、数据目录、输出目录、动作模式和上述子配置。

主要函数：

• load_config(path, overrides=None)：读取 YAML 配置文件并合并 override。
• _deep_update(base, updates)：递归合并配置覆盖项。
• _parse_simple_yaml(text)：当没有安装 PyYAML 时使用的简易 YAML 解析器。
• _coerce_value(value)：把字符串转换为 bool、int、float 或普通字符串。

这个文件的作用是把 YAML 配置转换成强类型 Python 对象，供环境、训练、评估和脚本使用。

src/solarchain_eval/actions.py

动作编码、解码与安全约束文件。

项目中的真实治理动作是三维：

• reward_ratio
• liquidity_ratio
• burn_rate

强化学习模型输出通常是 [0, 1] 范围内的 raw action，因此需要转换成真实市场动作。

主要函数：

• decode_continuous_action(raw_action, config)：把连续 raw action 转换成真实动作，并处理 NaN、inf、越界值。
• encode_actual_action(actual_action, config)：把真实动作反向编码到 [0, 1] 范围，供内置策略统一接口使用。
• sanitize_actual_action(actual_action, config)：裁剪动作边界，并确保 reward_ratio + liquidity_ratio <= max_total_allocation。
• discrete_action_grid(config)：生成 DQN 使用的离散动作网格。
• decode_discrete_action(action_index, config)：把 DQN 输出的离散动作编号映射为真实动作。

这个文件保证策略不能直接输出违反市场预算约束的动作。

src/solarchain_eval/data.py

数据读取和物理特征构造文件。

主要对象：

• DEFAULT_CITIES：固定五城市列表：Beijing、Shanghai、Chengdu、Shenzhen、Hangzhou。
• BenchmarkData：数据容器，包含 nodes、generation、market、trades、city_hour、cities、hour_count。

主要函数：

• load_benchmark_data(data_dir)：读取四个 CSV 文件，并构造环境需要的聚合特征。
• _add_absolute_hour_columns(...)：根据 timestamp 生成连续的 absolute_hour 和小时-of-day hour。

它读取的四个 CSV 文件是：

• urban_energy_nodes.csv
• spatiotemporal_generation.csv
• market_liquidity.csv
• p2p_trades.csv

加载后会构造以下关键字段：

• verified_W：只有 verification_status == "verified" 的上报发电量才计入可信供给。
• physics_excess_W：max(P_reported_W - P_max_W, 0)。
• physics_violation：如果超过 P_max 或 fdia_detected=True，则认为存在物理/攻击违规。
• rejected_reported_W：违规记录中被拒绝的上报发电量。

最后会按 city + absolute_hour + hour 聚合出 city_hour 表。这个设计非常重要，因为月度数据有 30 天，如果只按 city + hour 聚合，会把不同日期同一小时混在一起。当前代码用 absolute_hour 保证每个真实小时独立。

src/solarchain_eval/env.py

项目最核心文件，定义 Gymnasium 环境 SolarChainBenchmarkEnv。

环境职责：

• 定义 action space。
• 定义 observation space。
• 在 reset 时初始化流动性、价格、峰值、历史动作和城市奖励。
• 在 step 中执行市场状态转移。
• 计算每小时奖励和可信度指标。

动作空间：

• 连续模式：Box(low=0.0, high=1.0, shape=(3,))
• 离散模式：Discrete(125)，用于 DQN。

观测空间为 12 维：

1. sin(hour)
2. cos(hour)
3. verified_mwh
4. reported_mwh
5. pmax_mwh
6. supply-demand gap
7. 当前流动性
8. 当前代币价格
9. 原始物理违规率
10. 静态市场滑点
11. 上一步 reward_ratio
12. 上一步 liquidity_ratio

step() 的主要逻辑：

1. 解码策略动作。
2. 找到当前 absolute_hour 对应的城市发电聚合数据。
3. 汇总 verified、reported、P_max、excess、rejected 等供给信息。
4. 从 P2P trades 中读取需求，若没有交易则用市场 verified supply 作为 fallback demand。
5. 计算 unsafe supply 与 unsafe backed supply。
6. 根据 liquidity_ratio 增加市场流动性。
7. 根据 burn_rate 调整有效需求。
8. 计算 matched energy、unmet demand、流动性 drawdown、slippage。
9. 根据供需、成交、燃烧、滑点、奖励 token 和噪声更新 token price。
10. 按城市 verified supply 占比分配奖励，并用 violation rate 做 trust discount。
11. 计算最终 reward。
12. 写出 info，供评估和指标汇总使用。

重要输出指标包括：

• verified_supply_MWh
• reported_supply_MWh
• physics_excess_MWh
• unsafe_backed_MWh
• artificial_liquidity_MWh
• physics_violation_rate
• raw_physics_record_rate
• demand_MWh
• matched_energy_MWh
• unmet_demand_MWh
• liquidity
• liquidity_depth
• token_price
• max_drawdown
• token_drawdown
• action_jitter
• slippage
• city_rewards

src/solarchain_eval/metrics.py

指标计算文件。它把每个 episode 的小时级日志压缩成 episode 级指标。

主要函数：

• max_drawdown(values)：计算序列从历史峰值回撤的最大比例。
• action_jitter(actions)：计算连续动作之间的平均 L1 变化，衡量策略是否抖动。
• spatial_fairness_index(city_rewards)：用城市奖励方差相对平均绝对奖励衡量空间公平性。
• summarize_episode(rows)：汇总一个 episode 的全部指标。

summarize_episode 输出：

• cumulative_reward
• episode_volume
• physics_violation_rate
• max_drawdown
• max_token_drawdown
• action_jitter
• mean_slippage
• spatial_fairness_index
• artificial_liquidity_MWh
• final_liquidity
• final_token_price

这些指标最终会进入 metrics.csv 和 summary.json。

src/solarchain_eval/policies.py

内置 baseline 策略文件。

它定义了一个 Policy 协议，要求策略至少有：

• name
• predict(obs, deterministic=True)

内置策略：

• StaticPolicy：固定使用配置中的 static_reward_ratio、static_liquidity_ratio、static_burn_rate，对应 Static 1:3 baseline。
• RandomPolicy：在三维动作空间中均匀随机采样。
• MyopicGreedyPolicy：根据当前供需 gap、流动性和违规情况做短视规则决策。

辅助函数：

• make_builtin_policy(name, config, seed=None)：根据名称构造内置策略。

这个文件让项目即使不训练 RL 模型，也能进行基础 benchmark。

src/solarchain_eval/train.py

Stable-Baselines3 训练逻辑文件。

主要函数：

• make_env(config)：加载数据并返回一个被 Monitor 包装的环境 factory。
• train_model(algo, config, timesteps, output_dir)：训练指定算法并保存模型。

支持算法：

• ppo：连续动作，使用 PPO。
• sac：连续动作，使用 SAC。
• dqn：离散动作，使用 DQN，并自动把 action_mode 切到 discrete。

模型输出路径形如：

• outputs/runs/<run_id>/models/ppo/ppo_model.zip
• outputs/runs/<run_id>/models/sac/sac_model.zip
• outputs/runs/<run_id>/models/dqn/dqn_model.zip

src/solarchain_eval/evaluate.py

策略评估逻辑文件。它统一评估内置策略和训练好的 Stable-Baselines3 模型。

主要函数：

• run_episode(policy, config, seed, episode, policy_name=None)：运行一个策略的单个 episode，返回 episode 指标和小时级日志。
• evaluate_policies(policies, config, episodes, output_dir)：评估多个策略多个 episode，并写出 CSV/JSON。
• _json_dumps_dataclass(config)：把配置对象写成 JSON。

主要类：

• SB3Policy：包装 Stable-Baselines3 模型，使 PPO/SAC/DQN 和内置策略拥有统一的 predict() 接口。

输出文件：

• metrics.csv：policy x episode 级指标。
• actions.csv：每小时动作和环境 info。
• city_hour_policy.csv：每小时每城市奖励和动作信息。
• summary.json：按 policy 聚合的平均指标，并计算相对 static 的滑点改善。
• config_snapshot.json：保存本次运行使用的配置快照。

src/solarchain_eval/figures.py

图表生成文件。

主要函数：

• setup_style()：设置 matplotlib 风格。
• make_figures(run_dir, figures_dir)：读取运行结果并生成三张图。
• _policy_heat(heat_source, policy)：生成城市 x 小时的 liquidity heatmap 数据。

输出图表：

• learning_curves.png：不同策略的累计奖励随 episode 变化。
• safety_utility_frontier.png：物理违规率与累计奖励的 tradeoff。
• city_hour_liquidity_heatmap.png：城市-小时流动性分配热力图，对比 Static 1:3 和优先选择的 agent 策略。

src/solarchain_eval/run_metadata.py

实验元数据记录文件。

主要函数：

• write_run_metadata(output_dir, run_type, args, config, extra=None)：写出 run_metadata.json。

元数据包括：

• 运行类型。
• UTC 创建时间。
• 命令行参数。
• Python 解释器路径。
• 操作系统平台。
• Git commit。
• Git status。
• 解析后的配置。
• 额外信息，例如模型路径和策略列表。

这个文件保证实验可追踪、可复现、可审计。

6. 命令行脚本目录 scripts/

scripts/evaluate.py

命令行评估入口。

常见用法：

python scripts/evaluate.py --policies "static,random,myopic" --episodes 1

支持参数：

• --config：配置文件路径。
• --policies：逗号分隔的策略名。
• --episodes：评估 episode 数。
• --output-dir：输出根目录。
• --ppo-model、--sac-model、--dqn-model：加载训练好的 RL 模型。
• --run-name：运行名称。
• --no-timestamp：不加时间戳，使用稳定输出路径。
• --no-physics-penalty：开启物理惩罚消融。

它会加载策略，调用 evaluate_policies，并写出 run_metadata.json。

scripts/train.py

命令行训练入口。

常见用法：

python scripts/train.py --algo ppo --timesteps 10000

支持算法：

• ppo
• sac
• dqn

它会读取配置、解析训练步数、创建输出目录、调用 train_model 保存模型，并写出运行元数据。

scripts/run_all_baselines.py

完整 baseline 运行脚本。它是项目最常用的 benchmark 入口。

主要流程：

1. 加载配置。
2. 可选训练 PPO、SAC、DQN。
3. 构造 Static、Random、Myopic 三个内置策略。
4. 加载训练好的 PPO、SAC、DQN 模型。
5. 统一评估全部策略。
6. 写出运行元数据。

常见用法：

python scripts/run_all_baselines.py --timesteps 2048 --episodes 2

如果只想跑内置策略，可以使用：

python scripts/run_all_baselines.py --skip-rl

scripts/generate_monthly_datasets.py

月度数据生成脚本。它把天气、太阳物理模型、节点属性、攻击注入、市场流动性和 P2P 交易合成为四个 CSV 数据集。

默认设置：

• 时间窗口：2026-04-01 到 2026-05-01，右开区间。
• 时区：Asia/Shanghai
• 输出目录：data/datasets_2026_04_month
• 缓存目录：data/cache
• 随机种子：20260511
• 每个城市节点数：10
• 城市：Beijing、Shanghai、Chengdu、Shenzhen、Hangzhou

关键函数：

• fetch_weather_cache()：从 Open-Meteo Historical Weather API 拉取历史天气，或读取本地缓存。
• make_nodes()：生成城市能源节点，包括经纬度、面板面积、效率、温度系数、安装日期。
• city_weather_frame()：结合天气、pvlib clear-sky 和太阳位置计算辐照度。
• make_generation()：生成每个节点每小时的 P_max_W 和 P_reported_W，并注入约 5% FDIA 攻击。
• make_market_liquidity()：根据 verified generation 生成 SolarChain 和 baseline 流动性、滑点。
• make_trades()：生成工厂 P2P 购电记录。
• write_datasets()：写出四个 CSV，并打印数据规模。

生成的核心数据量：

• urban_energy_nodes.csv：50 行。
• spatiotemporal_generation.csv：36000 行。
• market_liquidity.csv：720 行。
• p2p_trades.csv：约 1185 行。
• FDIA 行数：1800 行。

scripts/make_figures.py

命令行图表生成入口。

常见用法：

python scripts/make_figures.py --run-dir outputs/runs/<run_id>

它读取配置，调用 solarchain_eval.figures.make_figures()，并打印生成的图片路径。

7. 论文流水线目录 paper_pipeline/

paper_pipeline/README.md

论文实验流水线说明文件。它描述 Linux 环境下如何 setup、生成数据、运行 smoke check、运行完整论文实验、理解输出结构、做超参数测试、重生成图表和整理论文表格。

它明确指出论文主实验应使用：

• configs/month_2026_04.yaml
• data/datasets_2026_04_month
• [2026-04-01, 2026-05-01) 五城市月度数据
• 720 个小时
• 每个 episode 24 步

paper_pipeline/IMPLEMENTATION_PLAN.md

中文实现方案和实验范围说明。它解释项目为什么要做这个 benchmark、当前实现到什么程度、baseline 和指标有哪些、主运行方式是什么、输出结构是什么、验收标准是什么。

它也是项目最清晰的研究设计文档之一。

paper_pipeline/00_setup_linux.sh

Linux 环境准备脚本。

主要步骤：

1. 定位仓库根目录。
2. 检查 conda 是否存在。
3. 激活 SolarChain-rl 环境。
4. 安装 requirements.txt。
5. 以 editable 模式安装当前包。
6. 打印 Python、Gymnasium、pvlib、Stable-Baselines3 版本。

paper_pipeline/01_smoke_check.sh

完整实验前的快速健康检查脚本。

主要步骤：

1. 确保 2026-04 五城市月度数据存在，不存在则生成。
2. 校验数据规模：50 个节点、36000 条 generation、720 个小时、720 条 market。
3. 编译 src、scripts、tests。
4. 评估 static,random,myopic 一个 episode。
5. 训练一个 5 timestep 的 DQN 小模型。
6. 生成 smoke figures。

这个脚本用于在长实验前确认代码、数据、依赖和图表路径都能跑通。

paper_pipeline/02_run_paper_experiments.sh

完整论文实验主脚本。

默认参数：

• CONFIG=configs/month_2026_04.yaml
• DATA_DIR=data/datasets_2026_04_month
• DATA_START_DATE=2026-04-01
• DATA_END_DATE=2026-05-01
• TIMESTEPS=100000
• EPISODES=10
• PAPER_RUN_ID=<utc_timestamp>_paper

主要流程：

1. 确保并校验月度数据。
2. 写出 dataset_summary.json。
3. 写出 paper_run_metadata.json。
4. 运行主六 baseline 实验。
5. 运行 --no-physics-penalty 消融实验。
6. 为主实验和消融实验分别生成图表。
7. 调用 04_write_results_manifest.sh 写论文结果 manifest。

推荐最终论文运行：

PAPER_RUN_ID=paper_final TIMESTEPS=300000 EPISODES=30 bash paper_pipeline/02_run_paper_experiments.sh

paper_pipeline/03_make_figures_for_run.sh

对已有 run 重新生成图表的脚本。

用法：

bash paper_pipeline/03_make_figures_for_run.sh outputs/runs/<run_id> outputs/paper_runs/<paper_run_id>/figures/custom

默认使用 configs/month_2026_04.yaml。

paper_pipeline/04_write_results_manifest.sh

生成 PAPER_RESULTS.md 的脚本。

它把主实验、消融实验、模型文件、指标文件、图表文件和论文表格字段之间的关系写清楚。

输出文件：

• outputs/paper_runs/<paper_run_id>/PAPER_RESULTS.md

这个 manifest 是论文结果归档和审稿材料整理的索引。

8. 数据目录 data/

数据目录包含两个数据集和一个天气缓存。

data/datasets/

默认小数据集，适合快速调试。它覆盖 2026-05-01 一天，共 24 小时。

data/datasets/urban_energy_nodes.csv

城市能源节点表。

规模：

• 50 行数据。
• 5 个城市，每个城市 10 个节点。

字段：

• node_id：节点编号，例如 BEI-001。
• city：城市名称。
• latitude：节点纬度。
• longitude：节点经度。
• panel_area_m2：太阳能板面积。
• efficiency：光伏转换效率。
• temp_coefficient：温度系数。
• install_date：安装日期。

data/datasets/spatiotemporal_generation.csv

节点级时空发电表。

规模：

• 1200 行。
• 24 个小时 x 50 个节点。
• 时间范围：2026-05-01T00:00:00+08:00 到 2026-05-01T23:00:00+08:00。
• FDIA 行数：60。

字段：

• timestamp：带时区时间戳。
• hour：小时-of-day。
• node_id：能源节点编号。
• city：城市。
• latitude、longitude：节点位置。
• irradiance_Wm2：辐照度。
• air_temp_C：气温。
• P_max_W：基于物理模型估算的最大发电功率。
• P_reported_W：节点上报发电功率。
• fdia_detected：是否检测到虚假数据注入攻击。
• verification_status：verified 或 rejected。

data/datasets/market_liquidity.csv

小时级市场流动性表。

规模：

• 24 行。
• 时间范围与小数据集一致。

字段：

• timestamp
• hour
• total_verified_MW：总 verified 发电量。
• solarchain_liquidity_MW：SolarChain 市场流动性。
• baseline_liquidity_MW：baseline 市场流动性。
• slippage_solarchain_pct：SolarChain 滑点。
• slippage_baseline_pct：baseline 滑点。

data/datasets/p2p_trades.csv

P2P 交易表。

规模：

• 42 行。
• 涉及 14 个有交易的小时。
• 时间范围：2026-05-01T06:00:00+08:00 到 2026-05-01T19:00:00+08:00。

字段：

• trade_id：交易编号。
• timestamp
• hour
• factory_id：购电工厂编号。
• city
• energy_purchased_MW：购买电量。
• tokens_burned：燃烧 token 数量。
• exergy_dissipated_MJ：耗散 exergy。

data/datasets_2026_04_month/

论文主月度数据集，覆盖 2026 年 4 月整月。

data/datasets_2026_04_month/urban_energy_nodes.csv

与小数据集字段相同。

规模：

• 50 行。
• 5 城市 x 每城 10 节点。

data/datasets_2026_04_month/spatiotemporal_generation.csv

月度节点级时空发电表。

规模：

• 36000 行。
• 720 个小时 x 50 个节点。
• 时间范围：2026-04-01T00:00:00+08:00 到 2026-04-30T23:00:00+08:00。
• FDIA 行数：1800。

字段与小数据集的 spatiotemporal_generation.csv 相同。

data/datasets_2026_04_month/market_liquidity.csv

月度市场流动性表。

规模：

• 720 行。
• 每个小时一行。

字段与小数据集的 market_liquidity.csv 相同。

data/datasets_2026_04_month/p2p_trades.csv

月度 P2P 交易表。

规模：

• 1185 行。
• 涉及 395 个有交易的小时。
• 时间范围：2026-04-01T07:00:00+08:00 到 2026-04-30T19:00:00+08:00。

字段与小数据集的 p2p_trades.csv 相同。

data/cache/open_meteo_weather_2026-04-01_2026-05-01.json

Open-Meteo 历史天气缓存文件。它避免每次重新生成月度数据时都请求网络 API。

内容结构：

• 顶层 key 是城市名。
• 每个城市包含：
  • source
  • latitude
  • longitude
  • timezone
  • time
  • temperature_2m_C
  • shortwave_radiation_Wm2

该缓存覆盖五个城市，每个城市 720 个小时，时间范围为 2026-04-01 00:00 到 2026-04-30 23:00。

9. 图表目录 figures/

figures/.gitkeep

占位文件。Git 默认不提交空目录，所以用 .gitkeep 保留 figures/ 目录结构。

figures/solarchain_rl_method_framework.xml

diagrams.net/draw.io 图源文件。它描述 SolarChain-Eval 的 RL 方法框架，包括：

• RL interaction loop。
• energy data、market data、physics labels。
• hourly encoder 和状态构造。
• policy 或 Q network。
• action selector 和 action sanitizer。
• physics gate、market clearing、ledger update、reward allocation。
• PPO、SAC、DQN 的学习更新。
• trustworthiness evaluation。
• paper-ready evidence。

这是方法图的源文件，不是程序运行依赖。

figures/solarchain_rl_trustworthiness_pipeline.xml

diagrams.net/draw.io 图源文件。它描述可信度评估流水线，包括：

• 数据和物理特征构建。
• 配置与实验控制。
• Gymnasium 环境。
• 策略、训练和 baseline。
• 指标、输出文件和图表。
• 论文流水线与 KDD trustworthiness framing。

这个文件适合导出为论文或汇报中的系统 pipeline 图。

10. 输出目录 outputs/

outputs/runs/.gitkeep

保留 outputs/runs/ 目录。实际运行时，训练和评估结果会写入这里。

典型输出结构：

outputs/runs/<run_id>/
  metrics.csv
  summary.json
  actions.csv
  city_hour_policy.csv
  config_snapshot.json
  run_metadata.json
  models/
    ppo/ppo_model.zip
    sac/sac_model.zip
    dqn/dqn_model.zip

outputs/paper_runs/.gitkeep

保留 outputs/paper_runs/ 目录。论文批量实验的 manifest、图表和 run 指针会写入这里。

典型输出结构：

outputs/paper_runs/<paper_run_id>/
  paper_run_metadata.json
  dataset_summary.json
  main_run.txt
  ablation_run.txt
  PAPER_RESULTS.md
  figures/
    main/
    ablation_no_physics_penalty/

11. 测试目录 tests/

tests/test_actions_metrics_env.py

单元测试和 smoke test 文件。

覆盖内容：

• 连续动作解码后维度正确。
• reward_ratio + liquidity_ratio 不超过 max_total_allocation。
• DQN 离散动作网格大小等于 discrete_levels ** 3。
• max_drawdown、action_jitter、spatial_fairness_index 的基本正确性。
• static、random、myopic 三种内置策略都能在环境中 step。
• 默认数据集能得到 24 个 absolute_hour。
• 多日数据环境 reset 只采样完整日开头。
• 指定 start_hour=24 时，环境会依次走过 24 到 47 小时。
• 高 backing 动作会带来不低于低 backing 动作的物理违规率。
• artificial_liquidity_MWh 会出现在 info 中。

这个测试文件对动作约束、指标函数、环境基础运行和月度数据索引逻辑提供了基本保障。

12. 项目运行建议

快速检查

python -m pytest
python scripts/evaluate.py --policies "static,random,myopic" --episodes 1

训练单个 RL 模型

python scripts/train.py --algo ppo --timesteps 10000
python scripts/train.py --algo sac --timesteps 10000
python scripts/train.py --algo dqn --timesteps 10000

跑完整 baseline

python scripts/run_all_baselines.py --timesteps 2048 --episodes 2

使用月度论文配置

python scripts/run_all_baselines.py \
  --config configs/month_2026_04.yaml \
  --timesteps 100000 \
  --episodes 10

跑物理惩罚消融

python scripts/run_all_baselines.py \
  --config configs/month_2026_04.yaml \
  --timesteps 100000 \
  --episodes 10 \
  --no-physics-penalty

Linux 论文流水线

bash paper_pipeline/00_setup_linux.sh
bash paper_pipeline/01_smoke_check.sh
PAPER_RUN_ID=paper_final TIMESTEPS=300000 EPISODES=30 bash paper_pipeline/02_run_paper_experiments.sh

13. 关键设计点总结

这个项目的关键价值在于它把普通 RL benchmark 变成了一个可信度评估 benchmark。

普通 RL 项目通常只看 reward，而这里还同时记录：

• 物理违规率。
• 人造流动性。
• 市场流动性回撤。
• 代币价格回撤。
• 动作抖动。
• 城市奖励公平性。
• 相对静态策略的滑点改善。
• 完整动作轨迹和运行元数据。

因此，一个策略即使累计 reward 较高，也可能因为 physics_violation_rate 或 artificial_liquidity_MWh 过高而被判定为不可信。这个设计正是项目服务 KDD Agentic AI trustworthiness 方向的核心。