-
生物通官微
陪你抓住生命科技
跳动的脉搏
生物通官微
陪你抓住生命科技
跳动的脉搏
基于深度学习的西班牙电力市场日前价格预测模型研究：CNN架构的优化与应用
【字体： 大 中 小 】 时间：2025年07月25日 来源：Mathematics and Computers in Simulation 4.4
编辑推荐：
针对西班牙电力现货市场价格波动大、预测难度高的问题，研究人员采用深度学习技术，开发了基于卷积神经网络(CNN)的日前价格预测模型。研究整合了需求预测、可再生能源发电量、天然气价格等关键变量，通过超参数优化获得最优CNN架构，最终实现13.29%的相对平均绝对误差(rMAE)，为电力市场参与者提供了有效的决策支持工具。
电力市场的价格波动一直是能源领域的重要挑战，特别是在西班牙等自由化电力市场中，日前价格可能从0�/MWh飙升至120�/MWh。这种剧烈波动给电力交易公司带来巨大风险，准确的价格预测成为优化交易决策的关键。传统预测方法如多主体模型、结构模型和统计模型各有局限，难以捕捉电力价格的非线性特征。在此背景下，研究人员开展了一项创新性研究，探索深度学习技术在西班牙电力现货市场价格预测中的应用。
这项研究发表在《Mathematics and Computers in Simulation》上，研究人员系统比较了前馈神经网络、卷积神经网络(CNN)和长短期记忆网络(LSTM)三种深度学习架构的性能。研究采用了西班牙电力市场2020-2023年的历史数据，包括需求预测、风电光伏发电量、天然气价格等15个关键变量。通过随机搜索方法对模型超参数进行优化，最终开发出性能最优的预测模型。
研究采用了几项关键技术方法：1) 数据采集与预处理：通过西班牙输电运营商(REE)的eSIOS系统和Mibgas市场获取多源数据；2) 特征工程：将输入变量分为历史输入(过去24小时数据)和未来输入(预测日数据)；3) 模型构建：测试了三种深度学习架构，重点优化CNN的滤波器数量(140个)和窗口大小(10)；4) 性能评估：采用相对平均绝对误差(rMAE)、均方根误差(RMSE)等指标，在184天的测试集上进行验证。
研究结果部分，"西班牙电力市场"章节详细分析了价格形成机制，解释了供给需求曲线匹配过程如何决定每小时电价。研究指出，可再生能源(如风电、光伏)和天然气价格是影响价格的关键因素。"数据来源和可用性"章节通过相关性分析发现，不同年份各变量对价格的影响存在显著差异：2021年天然气价格与电价的相关系数高达0.931，而2023年风电的负相关性增强至-0.45。
"模型选择"章节详细比较了三种深度学习架构的性能。前馈神经网络的最佳配置包含4个隐藏层(390-300-330-300个单元)，验证MAE为14.21。CNN模型表现最优，采用140个尺寸为10的滤波器处理未来输入，验证MAE降至13.74。LSTM模型表现相对较差，最佳验证MAE为14.40。研究还发现，LeakyReLU激活函数和10-1的学习率在多数情况下表现最佳。
"结果"章节显示，在184天的测试集上，CNN模型的预测性能最优：rMAE为13.29%，rRMSE为18.14%，偏差(Bias)为-4.24�/MWh。相比之下，前馈神经网络和LSTM的rMAE分别为13.65%和15.80%。研究特别指出，CNN模型能够有效捕捉价格波动模式，即使在市场剧烈波动时期也能保持稳定预测。
研究结论部分强调，这项工作的主要创新点在于开发了专门针对西班牙电力市场特点的CNN预测模型。与现有文献相比，该研究采用了更长的测试周期(184天)和更全面的评估指标，证明了CNN在处理电力价格非线性特征方面的优势。研究还发现，可再生能源渗透率的提高显著改变了各变量与电价的相关性模式，这对未来预测模型的构建具有重要指导意义。
这项研究为电力市场参与者提供了可靠的决策工具，特别是对日前交易策略的制定具有重要价值。未来工作可以进一步探索输入变量的组合优化，以及模型在极端市场条件下的鲁棒性。该成果不仅对西班牙电力市场有直接应用价值，其方法论对其他国家电力市场的价格预测也具有参考意义。
生物通微信公众号
知名企业招聘
