-
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：
本文针对西班牙电力现货市场价格波动大、预测难的问题，研究人员通过深度学习模型（包括前馈神经网络、卷积神经网络CNN和长短期记忆网络LSTM）对需求侧数据、可再生能源发电及天然气价格等多变量进行建模，最终开发出rMAE（相对平均绝对误差）达13.29%的CNN预测模型，为电力市场参与者提供精准的日前价格决策工具。
在竞争激烈的电力市场中，价格波动如同过山车——以西班牙现货市场为例，2021年初的电价曾在0�/MWh到120�/MWh之间剧烈震荡。这种"心跳式"波动并非偶然，而是电力商品特有的属性：受天气左右的风电光伏出力、天然气价格的地缘政治波动、甚至周末与工作日的用电习惯差异，都会让价格曲线"上蹿下跳"。对于发电企业和售电公司而言，精准预测次日电价意味着真金白银的收益，传统统计模型却常在这些非线性变化前"失灵"，就像用直尺测量海浪般力不从心。
面对这一挑战，研究人员开展了一项突破性研究。他们首先像"市场侦探"般梳理了15项关键影响因素——从风电光伏的出力预测、周均水库蓄水率，到天然气期货价格曲线，甚至巴利阿里群岛的跨海电缆调度计划。通过皮尔逊相关系数分析发现，这些变量与电价的"亲疏关系"逐年变化：2021年天然气价格与电价相关性高达0.931，而到2023年风电的负相关性(-0.450)却愈发显著，暗示着西班牙能源结构正在经历深刻转型。
研究团队创新性地构建了三类深度学习模型同台竞技：前馈神经网络像"老练的会计师"逐层处理数据；卷积神经网络(CNN)如同"模式识别专家"，用140个宽度为10的过滤器捕捉电价波动规律；长短期记忆网络(LSTM)则化身"时间侦探"，试图通过记忆单元抓住价格变化的时序特征。经过184天的实战检验，CNN模型以13.29%的rMAE（相对平均绝对误差）夺冠，其预测误差比传统LSTM模型低2.5个百分点。特别在价格尖峰时刻，CNN模型像"电力市场的天气预报员"，准确预见了2023年冬季因寒潮引发的价格飙升。
关键技术方法方面，研究采用Python API实时获取西班牙电网运营商REE的eSIOS系统数据，构建包含过去24小时历史数据和未来24小时预测数据的双通道输入架构。通过随机搜索完成超参数优化，使用Adam优化器（初始学习率10-1）训练模型，并采用dropout（0.075）防止过拟合。测试集涵盖2023年下半年，确保覆盖夏、秋、冬三季的市场特征。
研究结果显示：
这项发表在《Mathematics and Computers in Simulation》的研究，首次系统验证了CNN在电力现货价格预测中的优越性。其创新点在于：一是构建多尺度特征提取框架，通过卷积层捕捉电价与可再生能源出力的非线性交互；二是揭示不同能源变量影响力的时序演变规律，为动态模型更新提供依据。对于电力交易员而言，该模型相当于提供了"价格显微镜"，能提前24小时识别市场波动机会；对电网调度来说，则是"预警雷达"，可基于预测结果优化机组组合。未来研究可进一步纳入用户侧响应、碳价波动等新兴变量，让这个"电力水晶球"更加精准。正如研究者H. Beltran团队强调的，在能源转型加速的当下，这种融合物理规律与数据驱动的混合建模思路，或将成为破解电力市场"混沌效应"的金钥匙。
生物通微信公众号
知名企业招聘
