《Energies》：The Evolution of Probabilistic Price Forecasting Techniques: A Review of the Day-Ahead, Intra-Day, and Balancing Markets
Ciaran O’Connor,
Mohamed Bahloul,
Steven Prestwich and
Andrea Visentin
编辑推荐：
这篇综述系统梳理了电价概率预测（PEPF）方法的发展脉络，从传统贝叶斯模型、分位数回归（QR）到前沿的保形预测（CP），并首次在统一框架下比较了日前（DAM）、日内（IDM）和平衡（BM）市场。随着可再生能源渗透加剧，电力市场波动性与不确定性激增，亟需能够量化风险的预测工具。本文指出，现有研究多集中于DAM，而对高实时性、高波动性的IDM与BM关注不足，并强调了预测有效性保障的重要性，为研究者和从业者应对复杂市场提供了全面、及时的参考。
概率电价预测：量化波动市场中的风险
电力，作为一种无法高效储存的商品，其供给与需求必须实时平衡。这使得电价天生具有高波动性、非线性和突发尖峰的特性。随着风能、太阳能等可再生能源在电网中的占比迅速提升，电价预测的挑战变得前所未有的严峻。可再生能源出力固有的间歇性与不确定性，与电力系统实时平衡的刚性要求交织在一起，使得传统的“点预测”（即给出单一价格预测值）日益捉襟见肘。在这样一个充满不确定性的市场中，决策者不仅需要知道“最可能的价格是多少”，更需要了解“价格可能的波动范围有多大”。于是，概率电价预测 应运而生，其核心目标不再是提供一个“点”，而是提供一个“区间”或“分布”，以量化未来价格的不确定性，从而支持更优的风险管理和交易决策。
电价预测的演进：从点到概率
长期以来，电价预测研究被点预测方法所主导。这类方法简洁明了，但在面对由可再生能源、需求突变和监管干预驱动的剧烈价格波动时，其无法量化预测不确定性的固有缺陷暴露无遗。相比之下，概率预测通过生成预测区间（PIs），提供了一个可能的价格范围。例如，一个80%置信度的预测区间意味着，未来实际价格有80%的概率会落在此区间内。这种对不确定性的刻画，使得市场参与者能够更好地评估风险、优化投标策略并保障电网稳定运行。
概率预测方法本身也经历了明显的演进。早期的传统方法包括贝叶斯模型、历史模拟、自助法PIs和分位数回归（QR）等。这些方法试图估计未来价格的概率分布或分位数。其中，自GEFCom2014竞赛后，分位数回归平均法（QRA）因其能够有效组合多个概率预测以提高鲁棒性而广受欢迎。然而，许多传统方法在非平稳的动态市场环境中，难以提供统计上的覆盖保证（即实际价格落在预测区间内的频率是否达到预设的置信水平）。
近年来，保形预测（CP）因其能在最少的分布假设下，产生具有严格有效性保证的自适应预测区间而受到越来越多的关注。不过，标准CP方法依赖于数据“可交换”的假设，这在电价时间序列场景中通常不成立。为此，研究者开发了如集成批次预测区间（EnbPI）和序列预测保形推断（SPCI）等适配方法，以更好地处理时间序列数据的依赖性和非平稳性。
聚焦三大市场：特性与挑战并存
概率预测的应用与具体的电力市场结构密不可分。短期电力市场主要包括日前市场、日内市场和平衡市场，它们在交易时限、数据粒度和价格波动性上各有特点，因而对预测方法提出了不同的要求。
- •
日前市场：这是一个远期市场，交易通常在交付日前一天进行，以小时为块。其预测周期较长，价格波动性相对较低，历史上是点预测方法的主场。但随着可再生能源预测误差的影响加剧，对不确定性量化方法的需求也日益增长。
- •
日内市场：这是一个在物理交付前数小时内持续交易的市场，允许参与者根据更新的预测和实时情况调整其日前头寸。其交易窗口短（通常为交付前15-60分钟关闭），价格对可再生能源出力偏差、机组停运等短期变化极为敏感，非平稳性强。因此，点预测效果有限，需要能够快速适应动态条件的概率模型。
- •
平衡市场：这是由输电系统运营商（TSO）运营的实时市场，用于纠正日内市场关闭后仍存在的供需不平衡。其结算周期可短至5分钟，价格形成反映的是最后时刻调整的边际成本，因此常出现极端波动和价格尖峰。预测失衡价格极具挑战性，概率预测在此对于量化尾部风险和准备最坏情况至关重要。
当前大多数概率电价预测的研究都集中在日前市场，而对日内和平衡市场的探索相对不足，尽管后者在可再生能源高渗透系统中的地位日益重要。这种研究分布的不均衡，正是本综述试图指出的关键空白之一。
不确定性估计的两大来源与核心方法
在预测框架中，不确定性主要分为两类：认知不确定性（源于模型或数据的局限）和偶然不确定性（源于系统固有的随机性）。概率预测主要着力于对后者的建模与量化。
从方法论上，可以将其分为参数化和非参数化等几大类：
- •
参数化方法：假定电价动态遵循特定的概率分布（如高斯分布、伽马分布），并估计其参数。这类方法便于融入先验知识，但预测效果严重依赖于分布假设的准确性。
- •
分位数回归及相关方法：不预设数据分布，而是直接估计条件分位数。QRA是其重要扩展，通过结合多个QR预测来提高稳健性。
- •
保形预测及其变体：提供分布无关的有效性保证。其核心思想是利用“非合形性分数”来衡量预测误差，并根据历史分数的分布来构造预测区间。为适应时间序列，EnbPI和SPCI等方法被提出，它们通过在线更新或考虑序列依赖关系来维持预测的有效性。
未来展望：挑战与机遇
尽管概率电价预测领域已取得显著进展，但仍面临诸多挑战。首先，预测的有效性与效率之间的权衡是一个核心问题。过宽的预测区间虽能保证覆盖，但信息量低，决策价值有限；过窄的区间则可能失效。如何生成既可靠（有效）又精准（高效）的区间是关键。其次，在高度动态的日内和平衡市场中，如何实现在线学习与快速适应是一大难点。模型需要能够实时整合最新的系统状态信息（如频率偏差、预测误差）。再者，该领域缺乏标准化的基准测试，使得不同方法在不同市场、不同数据集上的性能难以公平比较。此外，将概率预测无缝集成到实际的交易和调度决策框架中，并让决策者理解并信任概率信息，也是走向实际应用必须跨越的鸿沟。
未来的研究方向可能包括：开发更加强大、能够统一处理多市场数据的概率预测架构；探索深度学习与保形预测等有效性框架的结合；利用可解释人工智能技术增强复杂概率模型的可信度；以及推动建立公开、透明的基准测试平台，以促进该领域研究更高效、更扎实地发展。
总之，随着全球能源转型的深入，电力系统的波动性和复杂性只增不减。概率电价预测作为洞察市场不确定性、驾驭能源革命风险的关键工具，其重要性将愈发凸显。从方法论创新到跨市场应用，从理论有效性到实践落地，这片领域依然广阔，充满待探索的机遇。
