深度学习在跨境电价预测中的比较研究

# 基于深度学习的跨境电价预测：比较研究  
来源：https://arxiv.org/html/2608.17091  
Sai Srijan Papineni\*2、Marvin Dorn1、Veit Hagenmeyer1、Benjamin Schäfer1  
###### 摘要  
尽管公开可用的电力市场数据为预测研究提供了宝贵资源，但该领域缺乏标准化的基准数据集用于统一比较。因此，许多研究依赖不同的数据集和指标在孤立环境中评估方法，导致难以系统评估进展和对比前沿方法。本研究利用公共数据评估深度学习模型在多种市场环境下的电价预测（EPF）性能。目标是建立可复现的框架，实现对预测模型的标准化评估。随着可再生能源并网日益复杂，市场波动性增加，供需不确定性加剧，制定EPF标准化基准尤为重要。在此背景下，准确的EPF方法有助于提升运营效率、能源交易和电网稳定性。尽管深度学习已被应用于日前EPF，但多数研究局限于单一市场、特征集有限或固定训练机制。本文对六种深度学习模型进行对比评估，涵盖状态空间、多层感知机、循环神经网络和Transformer架构，重点考察跨市场泛化能力。通过零样本、单样本和小样本学习模拟目标市场数据稀缺场景。测试集聚焦于2024年德国-卢森堡（DE-LU）竞价区域，采用包含日历、历史价格和市场衍生特征的标准化数据集。结果表明，N-HiTS和NBEATSx在数据有限场景中表现优异，而Transformer模型虽能达到相近精度，但往往需要更多适配调优。模型性能受益于特征选择与超参数调优，且最强模型之间的差异通常较小。  
###### 索引词：深度学习、能源、电价预测、EPF、电力系统、时间序列、时间序列预测  
††历史：发表日期 xxxx 00, 0000，当前版本日期 xxxx 00, 0000。††doi:10.1109/ACCESS.2024.0429000  
††地址：卡尔斯鲁厄理工学院自动化与应用信息研究所，德国卡尔斯鲁厄（电子邮件：{hadeer.elashhab, marvin.dorn, veit.hagenmeyer, benjamin.schaefer}@kit.edu）  
††地址：卡尔斯鲁厄理工学院计算机科学系，德国卡尔斯鲁厄（电子邮件：[email protected]）  
††注释：符号\*表示作者贡献均等。  
††通讯作者：Hadeer Elashhab（电子邮件：[email protected]）。  

## I 引言  
应对气候变化推动全球向可持续能源系统转型。该转型关键环节在于整合风能、太阳能和水能等可再生能源，以减少温室气体排放和化石燃料依赖。除环境优势外，可再生能源在经济性上日益具备与传统能源竞争的能力[1]。电价预测（EPF）通过改善电力市场决策在支持能源转型中发挥关键作用。虽然太阳能、风能等依赖气象的能源并网高度依赖精准天气预报，但EPF提供了互补且更具操作性的信号。市场价格隐式反映了供需失衡、发电成本、电网约束等广泛系统状态，无需显式传达发电容量、维护计划或故障信息。因此，价格信号为系统压力或盈余提供了紧凑且可观测的指标。准确的价格预测可指导需求侧管理、备用发电规模设计，并支持电池储能系统等充电策略。对市场参与者而言，EPF使其能在日前和实时市场中制定更有效的竞标策略。同样，对消费者和系统运营商，EPF有助于成本管理、运营规划和系统可靠性[2,3]。  

尽管深度学习在提升EPF方面展现出潜力，但现有文献多聚焦于孤立市场环境、短期评估窗口和单一模型评估。为此，我们对六种深度学习模型进行对比分析，涵盖不同架构——神经层级时间序列插值模型（N-HiTS）[4]、含外生变量的神经基扩展分析模型（NBEATSx）[5,6]、时序融合Transformer（TFT）[7]、Mamba[8]、长短期记忆网络（LSTM）[9]以及标准Transformer（VT）[10]——在跨境场景中的表现。分析聚焦于德国-卢森堡（DE-LU）竞价区域的日前EPF，该区域是欧洲互联程度最高、经济意义最重要的地区之一。评估覆盖2024年全年，此期间市场动态多变，使我们能在现实挑战性场景中测试模型鲁棒性。为模拟跨境预测的实际约束，我们采用三种学习设置：零样本（训练集无DE-LU市场数据）、单样本（训练集含1个DE-LU样本）和小样本学习（训练集含少量DE-LU样本）。同时探讨输入特征选择、时间对齐和训练窗口大小对预测性能的影响。  

本研究贡献包括：（1）在多种数据机制下对六种深度学习模型的对比研究；（2）基于公开市场数据的可复现预测流程；（3）构建利用该低利用数据集的基准框架，以支持未来高效数据EPF研究。我们旨在通过提供透明的评估框架和详细实验设置，推动该数据集在基准研究中的广泛应用。  

本文结构如下：第II节回顾相关工作，第III节描述数据集与预处理步骤，第IV节概述基准测试方法，第V节呈现实验结果，第VI节讨论局限性。最后，第VII节总结结论并展望未来研究方向。  

## II 相关工作  
电价预测是能源系统研究的长期领域，早期研究主要依赖自回归积分移动平均（ARIMA）、广义自回归条件异方差（GARCH）和向量自回归（VAR）等经典统计方法。例如，研究者在六个欧洲国家比较ARIMA与GARCH，证明其建模季节性和波动性的能力[11]。类似地，另一项研究评估ARIMA(X)、卷积神经网络-长短期记忆（CNN-LSTM）混合模型和VAR模型，发现统计方法在短期预测中仍有效，但在高度动态或非线性环境中稳健性较差[12]。  

近年来，深度学习方法被应用于EPF，重点关注捕捉复杂时间模式和非线性关系。例如，有研究提出混合卷积神经网络-门控循环单元（CNN-GRU）模型[12]，另一研究引入结合基于copula的特征选择、信号分解以及贝叶斯优化与超带（BOHB）调优LSTM的系统[13]。这些模型在特定市场环境中报告了精度提升，但其架构通常需要大量特征工程和精细超参数优化。值得注意的是，这些评估通常在单一市场环境中进行。  

Lago等人对传统和机器学习模型在EPF中的表现进行了广泛比较[14]。其开源框架强调实证评估中可复现性、一致基线和统计严谨性的重要性。尽管该工作为标准化比较奠定了基础，但未深入探索跨境学习或跨市场泛化。随着欧洲电力市场互联性增强，空间泛化研究开始涌现。一些研究纳入跨境价格特征，并使用SHapley加法解释（SHAP）值增强可解释性[15]，而另一研究表明纳入互联市场特征可改善荷兰市场预测[16]。这些研究凸显了空间耦合的相关性，但通常侧重于固定训练机制而非迁移学习或数据稀缺场景。  

近期研究聚焦于外生输入的整合。例如，一项研究将N-BEATS架构扩展至NBEATSx，从而支持纳入多种静态和时序特征[6]。相较于传统和深度学习基准，其报告了性能提升。另一项研究在19个欧洲竞价区域评估基于深度多层感知机（MLP）的模型，显示市场波动性并非总能预测模型性能[17]。但两者均强调中等到大规模训练数据的监督环境。  

向未见市场的泛化需求推动了迁移学习研究。部分研究者探索在源市场预训练、在目标市场（如法国和德国）微调[18]。尽管该方法在特定场景中显示增益，但未考虑零样本或小样本学习等策略，这些策略可能更贴近现实数据可用性约束。我们的工作通过显式比较低数据跨境条件下的多种学习策略对此方向进行补充。  

同时，概率方法因支持风险感知决策在EPF中日益受关注。一项研究应用分布神经网络预测德国价格，显示概率输出可提升下游交易性能[19]。另一项研究利用标准化流进行多变量日内预测，强调不确定性量化和可解释性[3]。这些研究推进了方法论工具，但未基准化泛化策略或跨市场迁移性。  

总之，尽管深度学习在EPF中取得显著进展，但现有研究多局限于孤立市场、固定数据机制或单一模型评估。我们的工作旨在通过在统一框架内评估多种深度学习架构，聚焦跨市场数据高效迁移学习，为该领域文献做出贡献。同时提供基于公开数据的可复现流程，以促进未来跨境预测比较研究。  

## III 数据  
本研究使用的电价数据来源于Energy Charts平台[20]及其关联API[21]，二者均由弗劳恩霍夫太阳能系统研究所（Fraunhofer ISE）维护。许可与使用条款见附录A，该数据集提供欧洲竞价区域2015年起的日前每小时现货市场价格（欧元/兆瓦时）。  

在欧洲电力市场中，竞价区域被定义为内部建立统一市场清算电价的地理区域。这些区域通常与国界一致；但存在例外情况，如单一国家可能有多个区域（如意大利），或两国共享一个区域（如德国与卢森堡，见图1）。另一种定义是：竞价区域是电力市场中可在不考虑物理电网限制的情况下买卖电力的地理区域[23]。  

尽管前德国-奥地利-卢森堡（DE-AT-LU）竞价区域的历史数据可追溯至2006年，我们将数据集限制在2018年第四季度之后，以反映该联合竞价区域拆分为DE-LU（德国与卢森堡）和AT（奥地利）两个独立区域后的结构性变化。此时间约束确保分析中价格区域空间定义的一致性。在纳入跨境数据时，我们使用2015年起的数据，但明确排除所有奥地利数据以避免潜在不一致。  

主要数据集包含日前电价（欧元/兆瓦时）及可能影响价格形成的外生变量，包括日历特征、市场因素、电力负荷、跨境交易数据和能源发电占比，全面呈现关键市场动态。  

### 非价格特征  
除电价外，数据集纳入多种外生特征以捕捉时序模式和相关市场信号。日历特征采用循环和独热编码构建，反映电力需求和定价的固有周期性。具体而言，我们使用正弦和余弦变换对星期、月份和小时进行编码（day_of_week...）