本文提出将技术经济能源系统模型(ESM)与最先进的集合深度神经网络模型(Ens-DNN)结合用于德国日间电力现货市场的短期电价预测。实证结果显示,混合模型较现有文献基准提升整体预测精度18%,且将ESM中市场清算价(MCP)作为自变量加入任一计量模型均能显著提升预测性能。通过储能收益最大化的案例验证了预测准确性的经济价值,混合模型能带来最高10%的利润增长。研究还比较了多种计量模型的表现,验证了ESM贡献的通用性与鲁棒性,为能源市场参与者提供了高效的电价预测工具
报告标题:《Bridging an energy system model with an ensemble deep-learning approach for electricity price forecasting》
作者:Souhir Ben Amor、Thomas Möbius、Felix Müsgens
发布日期:2024年11月8日
主题:德国电力批发市场的电价短期预测,结合技术经济能源系统模型(ESM)和多模型集成的深度神经网络(Ens-DNN)方法,旨在提升电价预测的准确性及其在储能收益优化中的实用价值。
核心论点及目标:
,1]
关键点总结:作者指出短期电价预测复杂且充满挑战,主要因市场的经济与物理特征,如价格尖峰、波动性、负电价及多种价格行为模式。短期预测传统采用经济计量方法,而长期预测常用能源系统模型(ESM)。然而,两种模型在各自领域各有所长,短期结合它们尚无充分验证。本文旨在以德国日内市场为例,结合em.power dispatch模型(ESM)与Ens-DNN经济计量模型,提升短期电价预测准确率。
推理依据:ESM通过线性规划反映物理和经济约束计算市场均衡,提供长期价格趋势信息;经济计量模型捕捉短期动态和统计特征,但缺乏对物理过程的直接建模。两者融合有助发挥各自优势。
数据及实证设计:em.power dispatch提供市场清算价(MCP)作为经济计量模型输入变量;Ens-DNN通过聚合多个深度神经网络获得高准确率。
,2]
论点:长期以来,统计和经济计量模型以及机器学习方法广泛应用于电价预测,但大多未结合基础的物理市场机制。ESM模型虽能模拟价格形成机制,但短期预测效果有限。已有少量研究尝试结合两者,尤其在中长期情景中取得积极成果,短期应用稀缺且未广泛测试,需确认其普适性。
数据点:文中引用多个文献表明统计模型和人工智能模型各有所长;ESM具备市场机理解释力,但短期捕获尖峰不足。
技术差异解析:统计模型基于历史数据与市场统计特征,假设市场条件稳定;ESM以优化方式模拟市场供需平衡和发电机物理特性,反映驱动因素本质,但对微观时序变化建模能力弱。
,4,5]
ESM方法:em.power dispatch模型以线性优化形式建模欧洲电力市场,融合27个欧盟国家及邻近国家,模拟跨境电力流、发电机组启动约束、储能和控制能力,计算市场均衡价(MCP)(图1,页8)图1 [blocked]。
经济计量模型:
Ens-DNN模型:通过平均四个超参数和特征选择不同的深度神经网络模型预测电价,利用贝叶斯优化调参实现最佳预测性能。Ens-DNN作为主要经济计量模型,基于文献(Lago et al. 2021)显示其为当前最优模型。
基准模型包括DNN、Ens-LEAR、LEAR、LSTM、LARX、随机森林(RF),用于对Ens-DNN进行效果验证和比较。
DNN架构(图2,页10)表现为多层全连接神经网络,输入涵盖历史价格、各种天气及价格预报变量,超参数通过树结构Parzen估计法优化。
LSTM模型具有记忆门控机制,适合长序列数据捕获时间依赖性,其架构(图3,页14)涵盖输入门、遗忘门与输出门,有效控制信息流。
LASSO估计的自回归模型利用L1正则化进行特征选择,避免过拟合,体现了统计学模型对输入冗余性的修正。
随机森林采用多棵决策树集成预测,利用Bagging提升泛化能力。
组合模型设计:将ESM输出的MCP作为额外自变量加入经济计量模型,实现混合预测。
储能优化模型(方程13-21,页16-17):线性规划以最大化储能收益为目标,根据预测价格调控充放电时机,并考虑储能效率、容量、充放电限制等实际约束。
,8,9,10,11,12,13,14,15,16,17]
ESM输入数据(表1,页20):包括CO2价格、燃料价格、发电设备技术参数(效率、最小输出、启动成本)、负荷预测(经过误差修正)、跨区域网络能力等。数据来源涵盖ENTSO-E平台、德国统计局、欧洲委员会等官方渠道。
经济计量模型输入:
目标变量为2015-2020年德国日内批发电价(EPEX SPOT交易),数据分为训练集(2015–2018)和测试集(2019-2020)。
自变量选取包括6个基础变量:负荷预测、CO2排放价格、天然气与煤炭价格、风电与光伏发电预测,结合ESM的MCP变量。
特征选择采用递归特征消除与随机森林方法(图4、图5页23-24),结果显示负荷、风电及天然气价格为主要驱动变量。
初步统计(表5和图8,页46)表明价格序列呈现典型电价特征:高波动性、尖峰、负值存在,经过单位根检验价格序列为平稳序列。
评估指标:MAE、RMSE、sMAPE和rMAE,结合对比鲁棒性选择适合电价特征的误差度量。
,19,20,21,22,23,24,46]
描述:描绘em.power模型涵盖的欧洲各电力市场区域及其相互联结关系。
解读:模型注重欧洲市场的互联互通特性,集成跨境电力流,有助模拟实际市场供需动态,增强模型的现实代表性。
联系文本:此图说明该ESM能提供区域层面的市场均衡价格,支持后续定价机制预测。
描述:展示了深度神经网络的输入层、两层隐藏层及输出层结构,输入包括前几日价格和预测变量,输出对应未来24小时价格。
解读:表明模型采用多变量一次估计所有小时价格,训练中融入早停机制防止过拟合,利用贝叶斯优化调节超参数。
联系文本:DNN架构的灵活和复杂程度,使其成为Ens-DNN基础模型的重要组成,为提高预测准确性奠定基础。
描述:阐释了LSTM的门控机制(遗忘门、输入门、输出门)如何控制信息流和记忆单元,支撑时间序列预测。
解读:通过门控机制控制长短期记忆,避免梯度消失/爆炸,适合捕捉电价历史依赖性及周期性变化。
联系文本:论证LSTM模型对复杂电价序列的敏感性,体现其在经济计量模型中的应用意义。
描述:描述基于随机森林算法递归剔除最不重要特征,逐步筛选最佳变量组合。
解读:便于选取关键信息变量,减少冗余,避免特征维数过大带来训练阻碍。
联系文本:用于支持经济计量模型构建,保证输入特征均具备统计和实用价值。
描述:柱状图显示各特征相对权重,负荷最高,其次是风电发电和天然气价格,依次为光伏、CO2和目标价。
解读:确认负荷及可再生电价对价格预测的驱动力,符合行业经验。
联系文本:支撑特征选择合理性,体现模型对价格变化影响因素的捕捉能力。
描述:四个小图分别展示真实价格与ESM、Ens-DNN、ESM-Ens-DNN+、ESM-Ens-DNN预测结果,色彩不同用于区分。
解读:交易波动和尖峰均被Ens-DNN捕捉得较好;组合模型进一步拉近与真实价格的距离;ESM单独预测波动较大且偏离明显。
联系文本:验证了组合模型加强预测准确性,尤其是结合Ens-DNN和ESM的优势,实现从基础经济理论到灵活统计学习的联合优化。
描述:柱状图比较不同预测模型下,三类储能(高、中、低能量容量比和效率)每MW容量的年利润贡献值。
解读:
ESM、ENS-DNN及其组合模型表现优异,接近完美预测收益。
简单模型(如RF和LSTM)通常利润较低,且无法有效利用高能量-容量比优势。
不同储能特性影响模型收益,展示模型预测对现实经济决策影响的重要性。
联系文本:显示预测模型的实用经济价值,辅助储能优化调度、增厚收益。
描述:展示电价的概率密度分布,有明显尖峰,下侧存在负值。
解读:体现电价数据的非对称性、尖峰及厚尾特征,为模型设计和误差指标选择奠定数据基础。
联系文本:辅助理解为何采用如sMAPE等鲁棒指标评估模型表现。
描述:通过颜色(绿为显著差异,红黄为不显著或逆转)矩阵显示模型间预测误差差异的统计显著性。
解读:
组合模型ESM-Ens-DNN+预测显著优于所有其他模型。
ESM加入经济计量模型后性能整体提升明显,验证MCP关键变量作用。
联系文本:为本文主张提供严谨统计学支持,强调混合建模方法的改进实效。
本报告主要聚焦电价预测的准确性和收益优化,未涉及公司估值方法。其论证核心依赖以下模型估值技术:
技术经济模型(EM.power dispatch)通过线性优化求解市场均衡价格MCP,反映系统经济成本最小化,基于物理技术参数和市场约束。
经济计量模型基于机器学习与统计方法(Ens-DNN、LASSO-LEAR等),采用训练集内优化和交叉验证调整模型超参数,以提高预测精度。
组合模型估值间接通过误差分析、收益改进体现,结合储能调度优化收益计算,以货币化的利润增幅定量体现预测提升的经济价值。
故估值重心不在财务价值评估,而是模型性能的误差减少和经济效益提升。
,16,32,33,36,38]
尽管未专设风险章节,报告隐含以下潜在风险因素:
数据质量风险:负荷预测及可再生能源发电量误差影响ESM输入准确性;统计模型依赖历史数据,可能对结构性市场变化适应不足。
模型泛化风险:ESM和经济计量模型基于历史及假设,短期价格尖峰事件、异质行为变化存在难以覆盖之风险。
模型集成复杂度风险:Ens-DNN及其组合训练需大量计算资源和持续优化,配置不当或数据异常可能影响表现。
市场政策与结构变动风险:ESM和统计模型对政策调整、市场规则变动的反应能力有限,可能导致预测失真。
储能市场限制:现实操作可能受到非经济因素(监管、技术寿命)限制,优化模型简化了实际运行复杂度。
报告通过模型组合、交叉验证及多模型对比,部分缓释模型风险,但并未明确量化风险概率和缓解策略。
,5,6,18,32,47]
报告全面、严谨,但存在潜在偏差和局限:
均依赖德国及欧洲市场数据,区域适用性未扩展讨论,模型地理适应性待考察。
尽管多模型对比,但报表中原文部分评价指标混乱(表3存在区域排版混淆),需谨慎使用该部分数据。
ESM模型虽然融合多个技术约束,依然简化了市场参与者行为(如投机、市场策略),这可能导致部分极端价格事件预测误差。
长时间训练和不断调优的DNN模型可能存在过拟合风险,报告依赖优化算法但未展现过拟合检测细节。
未充分探讨模型输出对政策制定者、行业监管者的影响及响应,未来研究可增加政策适用性的分析。
报告在经济计量模型中重视MCP变量,但关于MCP与其他输入变量的多重共线性等统计问题讨论不足。
本报告创新性地将技术经济能源系统模型(ESM)与先进的经济计量模型Ens-DNN融合应用于德国日内电价短期预测,取得了显著的预测性能提升。关键结论包括:
技术经济模型单独预测优势有限,准确度不及先进经济计量模型,但其输出(市场清算价MCP)作为混合模型重要输入变量显著提升预测质量。
Ens-DNN模型为当前经济计量方法中精度最高者,加入ESM输出后,所有测试的经济计量模型预测性能均实现不俗改进,具有极佳的普适性和鲁棒性。
储能调度优化实验表明,预测精度提升直接转化为经济收益增长,复合模型(如ESM–Ens-DNN+)能使储能利润率提升约10%。特别是具有高能量容量比的储能设备,准确预测帮助抢占低价充电与高价放电时机,盈利能力显著增强。
报告从方法论到实证充分展示了在电力市场复杂且多变的环境下,集成传统物理模型与现代机器学习模型的巨大潜力。
图表分析揭示,MCP变量在减少模型输入维度的同时维持甚至提升关键预测指标的性能,体现出经济与技术模型信息的高度整合能力。
统计显著性检验(如Giacomini-White测试)进一步支持混合模型优于个别模型的结论。
本研究为电力市场参与者、运营商和政策制定者提供了有效的电价预测和储能运营决策支持工具,兼顾模型复杂性、实际收益和计算效率,具备实用推广价值。
通过以上详尽解析,本文不仅清晰勾勒出混合模型的理论基础、实现方法及实际价值,更在数据、技术及经济层面展现了模型综合优势和应用前景,为短期电价预测和储能优化研究提供了坚实基石。
如需获取报告中提及的每个图表和关键数据点的参考,欢迎咨询。
2411.04880.pdf