《International Journal of Hydrogen Energy》：Forecast accuracy vs. Decision value in electricity price forecasting for power-to-X off-take agreements
编辑推荐：
研究人员评估了多种机器学习模型在Power-to-X（PtX）承购合同设计中的电价预测应用。决策导向学习（decision-focused learning）提升了电价预测的经济价值。仅统计预测精度并不能保证更优的经济表现。基于遗憾的指标（regret-bas
研究人员评估了多种机器学习模型在Power-to-X（PtX）承购合同设计中的电价预测应用。决策导向学习（decision-focused learning）提升了电价预测的经济价值。仅统计预测精度并不能保证更优的经济表现。基于遗憾的指标（regret-based metrics）量化了预测不确定性的经济影响。概率预测（probabilistic forecasting）增强了波动性电力市场中合同决策的稳健性。
研究人员关注电价预测在Power-to-X（PtX，电转X）承购协议（off-take agreement）设计中的决策价值。背景上，过去数十年电力部门由垂直一体化垄断转向竞争市场，电价因不能大规模经济储存且需瞬时平衡而受天气、燃料价格、消费模式等外生因素影响，表现出多重季节性、极端波动和极端价格尖峰。准确的小时到月尺度预测对投标、优化生产消费和风险管理重要，由此出现多种电价预测（electricity price forecasting, EPF）方法。PtX技术作为新一类以电力为主要原料的消费者，其电力成本占总生产成本比例高，经济性高度依赖电价；可靠电价预测对可行性、可融资性、生产调度和采购合同组合重要。现有PtX优化框架多依赖历史电价或传统点预测，概率预测较少用于长期合同设计，决策导向预测尚未在PtX应用探索。长期双边承购协议通常10–20年，设计需估计产品成本、承诺产量和盈利能力，均对未来电价敏感。因此，研究人员比较确定性与概率机器学习模型，提出将下游决策纳入学习的阈值感知残差网络（Threshold-Aware Residual Network, TARN），开发机器学习增强蒙特卡洛（Monte Carlo, MC）框架，并引入合同经济偏差（contract economic deviation, CED）和风险调整经济偏差（risk-adjusted economic deviation, CED
RA）作为决策指标。该研究以潜在长期甲醇承购协议中依赖预测的经济参数为重点，即年度承诺量和参考售价，不优化合同期限、照付不议、交付罚金、短缺补偿或剩余产品结算等条款；结果解释为承购承诺的预测相关经济后果评估，而非完整合同优化设计。
关键技术方法：电价被分解为确定性基本面、周期与随机残差；采用Lasso、随机森林（RF）、梯度提升（XGBoost、LightGBM、CatBoost）及TARN进行小时预测，TARN对盈亏平衡电价附近误差加权并以阈值加权MAE训练；随机分量用机器学习增强MRJD蒙特卡洛生成，均值回复速度由168 h滚动AR(1)估计，扩散、跳跃概率和跳跃幅度由RF从残差学习，取100情景。样本为丹麦DK1竞价区，ENTSO-E负荷/跨境特征、Montel天然气期货、丹麦2015—2024太阳能/陆上风/海上风数据；案例为丹麦南部300 MW光伏与51 MW PEM电解槽供能的power-to-methanol厂，训练2021、2023、2024，2019和2022为压力情景。
5.1 Statistical forecast evaluation（统计预测评估）：通过平均价格误差、Wasserstein距离和阈值预测误差评估DK1 2025电价预测。所有机器学习模型显著优于以2024历史曲线预测2025的朴素预测，平均价格误差从12.89%降至6.3%以下。随机森林（Random Forest, RF）平均价格误差最低0.05%，Wasserstein距离7.513 �/MWh；TARN的Wasserstein距离最低6.733 �/MWh，平均价格误差1.13%，表明其更好重现整体分布与波动。梯度提升模型Wasserstein距离高于10 �/MWh。阈值预测误差中，决策聚焦RF和TARN分别低估阈值合格小时7.9%和6.0%，MC低估1.16%，在长期承购协议背景下代表保守预测。价格持续曲线显示，确定性模型能捕捉中等价格水平，但自然漏掉由随机驱动造成的极端尖峰并预测少数负价；MC的90%区间在高价端更宽，反映罕见尖峰不确定性更高。
5.2 Economic forecast evaluation（经济预测评估）：通过南丹麦power-to-methanol案例，以2025完美预见为基准，比较年度甲醇产量和平准化甲醇成本（levelized cost of methanol, LCOMe）偏差，并用2019低价格、2025中价格、2022高价格情景计算CED和CED
RA。决策聚焦RF获得最低产量误差0.8%；Lasso产量误差第二低1.5%，但LCOMe误差5.6%，说明准确年产量不一定转化为准确经济表现；TARN产量误差3.6%，同时LCOMe误差最低1.6%；梯度提升模型产量和LCOMe偏差较大，朴素预测最差。年甲醇产量与LCOMe偏差无直接相关：产量主要取决于预测价格是否低于盈亏平衡阈值，LCOMe还取决于价格误差大小对购电成本和剩余太阳能出口收益的影响。因此研究人员用CED定义基于预测的合同在实现价格下的利润与完美预见利润之差；正值为不利，负值表示在实现价格下特定合同承诺的有利结果或放弃机会，不表示系统可保证超越完美预见。压力情景结果显示，TARN和MC在所有情景中经济偏差最低：MC平均CED为?7.7%、CED
RA为13.4%，TARN为21.2%，说明二者在平均经济表现和降低最坏情形暴露方面更稳健。λ敏感性分析中，λ=0时CED
RA等于平均CED，λ增大则更重视最大经济偏差；MC和TARN斜率较浅，朴素预测最陡；决策聚焦RF在全部λ下平均和风险调整CED第三低，且实现简单、计算需求较低。统计预测精度与经济表现弱相关：RF平均价格误差最低但未最小化经济偏差；显式考虑运行目标或不确定性的决策聚焦RF、TARN和MC经济偏差更低。原因是非线性且阈值依赖的调度策略：太阳能有限时，工厂依预测日前价格是否高于或低于临界阈值，在20%最小负荷与100%满负荷间切换；阈值附近预测误差对运行决策和经济结果影响不成比例，价格高估几欧元每MWh即可使工厂从满负荷转向最小负荷，显著减少甲醇产量和利润。
讨论与结论翻译：研究人员提出了面向power-to-methanol承购协议评估的决策导向EPF框架，按经济价值而非仅统计精度评价模型；开发TARN以优先学习PtM盈亏平衡电价，并用基于MRJD的MC与机器学习参数估计表示预测不确定性。模型比较表明，传统统计指标不一定指示经济表现；RF平均价格误差最低，但未产生最低经济偏差；TARN和MC在低、中、高价格情景生成更稳健承购协议。MC实现最低平均和风险调整CED，TARN提供最强确定性表现，说明显式纳入运行阈值在预测过程中的价值。阈值评估进一步显示，即使整体价格分布误差相似，各模型对经济有利运行小时数的预测仍可能明显不同；阈值预测误差提供额外决策相关度量，量化电价处于或低于PtM盈亏平衡阈值的年度小时数偏差。TARN和概率MC的保守阈值估计降低高估经济有利运行机会和预期产量的风险。结果还表明，年甲醇产量误差与LCOMe捕获不同经济方面，不应独立评价预测模型；所提CED和CED
RA提供统一评价框架，直接量化预测不确定性的经济成本，并兼顾期望表现和下行风险。总体而言，预测方法应根据其支持的决策来评估，而非仅看统计精度；将运行阈值和概率不确定性纳入EPF可提高波动电力市场中PtM承购协议评估的稳健性。该框架为决策驱动能源应用提供实用方法，可扩展至其他PtX技术和工业能源系统；未来工作可纳入可再生发电、商品价格和政策机制的不确定性，并评估不断变化电力市场条件下的多年度投资和合同策略。
