本报告针对爱尔兰电力平衡市场电价预测,提出了一个基于公开数据集和多种模型的可复现框架。研究发现,日内市场表现优异的深度学习模型在平衡市场表现不佳,简单统计模型LEAR凭借LASSO正则化方法表现最佳,且训练数据量增大显著提升模型准确度。结果表明,平衡市场的高度波动性和剧烈价格峰值对预测模型构成挑战,为后续研究提供了基准和改进方向 。
报告标题: Electricity Price Forecasting in the Irish Balancing Market
作者: Ciaran O’Connor, Joseph Collins, Steven Prestwich, Andrea Visentin
发布机构: University College Cork, Ireland 的 SFI CRT in Artificial Intelligence、School of Mathematical Sciences 及 Insight Centre for Data Analytics
报告时间: 未明确给出具体日期,但参考文献最新至2022年,推测为2022年以后
研究主题: 聚焦于爱尔兰电力市场中平衡市场(Balancing Market, BM)电价的短期预测,比较不同统计、机器学习(ML)与深度学习(DL)模型在该复杂市场的表现差异与适应性。
核心论点与目标:
本报告针对电力平衡市场价格(BM价格)提出了一套开放且可重复的预测框架,基于爱尔兰BM数据,测试统计模型(如LEAR)、机器学习模型(如XGB、RF、SVR)以及深度学习模型(SH DNN和MH RNN DNN)的预测能力。结果表明,传统成功应用于日内市场(日前市场,DAM)的深度学习模型不适合BM市场;相反,简单、高效的统计模型LEAR表现最佳。这揭示BM市场的价格波动机制与DAM根本不同,表明针对BM需开发专门的预测模型。,1,2]
报告强调短期电力市场的价格预测因其高波动性、剧烈价格尖峰和季节性需求特征而极具挑战性。随着可再生能源与储能系统的普及,这种波动性进一步加剧。BM作为实时市场中最接近现货交易、且价格波动最剧烈的市场,承担匹配供需的关键角色。尽管其重要性提升,学界和业界对BM价格预测关注相对较少,部分原因是BM数据难以获取且地区间规则差异较大。此外,DL方法虽在DAM市场广泛应用,但在BM市场的探讨稀缺,且无公开数据集。,2]
大量研究聚焦于DAM,表明深度神经网络(DNN)及其变体如LSTM、GRU具有较优性能,尤其在复杂的非线性关系建模上胜过传统统计方法。LEAR模型(LASSO正则化的自回归模型)因其计算效率高且准确性优异,也成为DAM预测中的标杆。不同特征选择和跨市场效应也明显影响深度模型表现。,4]
BM预测文献较少,多为统计和传统机器学习方法,如概率模型、梯度提升(XGB)和随机森林(RF)。研究指出BM价格极端尖峰预测困难,且波动性严重影响模型效果。深度学习模型应用稀缺,且效果参差不齐,凸显BM市场在建模上的独特性和挑战。
报告以爱尔兰单一电力市场(I-SEM)为例,解释欧洲电力市场架构:包括远期市场、日前市场(DAM)、日内市场(IDM)及平衡市场(BM)。BM作为生产与消费几乎实时匹配的关键市场,通过系统操作员对参与者提交的偏离合约的偏差进行调度,价格在5分钟结算期间内基于成交量和价格对确定。BM价格受极短时间窗口影响,波动性极强,且排除非能源动作(Flagging and Tagging)与最小接受阈值(DMAT)保证价格的合理性。
数据源自SEMO和SEMOpx,覆盖2019至2022年。目标是预测未来16个开放结算周期(每周期30分钟),即t+2到t+17时段的BM价格。输入变量分为历史数据(如过去BM价格和量、风电预测误差、互连流量、日前市场价格)和未来数据(物理通知量、互连计划、可再生能源预测、需求预测及未来DAM价格)。不同数据时间范围根据数据可用性调整,充分反映BM短期价格预测的实时性要求。,9]
采用多模型训练数据窗口(30、60、90及365天),利用滚动前移验证(walk-forward validation)方法,每8小时重新训练并在最新数据上测试,保证模型适应市场动态。超参数调优每季度更新。ML模型通过Scikit-learn及XGBoost,DL模型用Tensorflow及Talos,统计模型用Lago et al.提出的epftoolbox。,10]
采用MAE、RMSE和sMAPE(对临近零值具有稳健性的对称MAPE)。利用Diebold-Mariano(DM)检验比较模型间统计显著性,确保评价的稳健性和科学性。,11]
表1总结不同模型与训练长度下的MAE、RMSE、sMAPE。
图3(LEAR预测)显示其保持预测稳定,避免尖峰预测;图4(MH-RNN预测)则呈现过度自信的尖峰预测,导致指标处罚严重。提高训练数据量(至365天)对所有模型均有显著提升(平均MAE降低3,RMSE降低2.67,sMAPE降低5.33),但DL改进幅度较小。
DM检验(表2)显示LEAR、XGB和RF组具有显著优于其他模型的预测准确度,DL模型间差异不显著,但均明显好于基线模型。
图5揭示价格与误差昼夜变化规律:
此特性对某些应用(如电池充电时间选择)具有指导意义。
图6对比显示BM价格波动幅度远大于DAM,出现多次急剧负值和超高正值,DM预测难度显著不同。DL模型在更稳定的DAM市场表现优异(图7中SH-DNN预测DAM价格),体现DL方法对BM市场复杂动态拟合不足,需针对BM设计更适合的模型框架。,20,21,22]
图8展示模型训练时间消耗:
作者提出的开放且可复现框架,使得BM电价预测模型的评估透明化。结果表明,面对高波动、尖峰频繁的BM市场,简单统计和树模型优于复杂的DL模型。DL模型在预测BM价格的剧烈波动及尖峰方面表现不足,存在严重的过拟合和误判风险。作者指出未来可考虑结合不同模型优势,按时段动态选择算法(算法组合),或探索概率预测、尖峰检测等方向,提升BM预测能力。数据集、代码均开放,促进未来研究发展。
该图分层次展示欧洲电力市场结构,涵盖远期能量与输电市场、日前及日内市场、调度市场(Redispatching)和平衡市场,以及容量与辅助服务市场(非能源市场)。点线框表示非必需或可选市场。时间线从数月到实时,表明BM为最终调整阶段。该图帮助理解BM在整体电力市场架构中的定位和功能。
图示模型分为左侧历史数据输入流经LSTM块,右侧未来数据输入流经DNN块,双方均有dropout及flatten层,输出合并后通过DNN块产生最终输出。该架构试图兼顾时间序列依赖和未来特征信息捕捉,体现深度学习在时序数据融合中的典型设计思路。
蓝色曲线为实际BM价格,绿线为LEAR预测。可见预测曲线波动较低,平滑且未过度拟合尖峰。表明LEAR模型采取了保守策略,舍弃极端预测,反映出其在高波动市场中表现稳定的优点。
蓝色为BM实际,红色为模型预测。模型输出明显尝试捕捉尖峰,波动剧烈,表现出过拟合近期尖峰的倾向,导致评价指标受到严重惩罚。这反映深度模型在BM市场中预测的主要瓶颈及局限性。
(左图)蓝线显示每小时BM价格平均值,红线为标准差,显示日间15-18点波动剧烈。
(右图)各模型对每小时预测误差(MAE),XGB和LEAR在波动高峰期误差最低,DL模型误差上升明显。图表展示了价格波动对预测难度的直接影响,并体现不同模型的时段适应性差异。
绿线为BM价格,红线为DAM价格。BM价格在时间序列上表现出剧烈尖峰及大幅负值,价格范围远超DAM。该对比清晰反映BM价格的极端波动性和预测难度,佐证了DL在DAM表现优秀而在BM表现不佳的原因。
红色为模型预测,蓝色为真实价格。模型紧密拟合价格走势,尖峰预测准确,显示DL模型在价格较为平稳的DAM市场中较强的非线性建模能力和动态捕捉能力。
柱状图展示各模型用365天训练数据训练所需时间(分钟)。LEAR和XGB耗时极短,RF、SVR耗时适中,DL模型因网络复杂度高,特别是MH RNN,耗时最长且波动大。此图强调模型在实时应用中计算效率的权衡,反映复杂深度模型可能在实际部署中的劣势。
本报告为技术型市场预测研究,不涉及公司估值或财务预测,因此无估值分析章节。
报告主要探讨模型预测风险,指出DL模型在面对BM极端波动和突发尖峰时,容易出现过拟合和较大预测误差,风险较高。报文虽未专设风险缓解策略,但建议通过增大训练数据、合理选择模型组合、及未来发展概率预测和模式识别方法以缓解该风险。此外,数据获取难度和市场规则差异构成实证上的风险。,23]
本报告创新提出针对爱尔兰BM电价预测的开放、详尽框架,全面比较统计、机器学习及深度学习方法。深度学习虽为日内市场提供优异表现,但在BM高度不稳定及尖峰频发环境下表现不佳,存在过度拟合及预测误差高风险。相反,基于LASSO正则的统计模型LEAR及树模型如XGB和RF,以其简洁高效和稳定预测性能,占据性能领先地位。从时序角度看,价格峰值时段预测难度更大,深度模型夜间相对表现更好但难以整体覆盖尖峰。训练数据量显著影响所有模型性能,长时间窗口训练有助于精准度提升。
图表深刻展现:
作者建议未来研究可考虑多模型组合算法,针对不同时段动态使用不同模型,同时扩展数据集与市场范围,引入概率预测及尖峰分类方法,以应对BM市场固有挑战。整体看,此报告为电力市场平衡价格预测领域提供了重要参考与实践基础,尤其是凸显了“平衡市场”不同于“日前市场”的复杂预测需求和建模挑战。
本分析中的所有信息和结论均基于报告原文,具体页码引用标记为page::页码,便于后续查阅与溯源。
2402.06714.pdf