《Energies》：Research on Day-Ahead Electricity Price Forecasting Method for New Energy Power Market Based on Hyperparameter Adaptation
编辑推荐：
大规模风电和光伏并网给电力市场带来了显著波动性，对发电企业准确进行日前电价预测构成了挑战。研究人员提出了一种基于超参数自适应的混合预测模型CEEMD-SE-IBA-LSTM，以提高预测精度。首先，一种整合随机森林（Random Forest）与改进灰色理想值逼
大规模风电和光伏并网给电力市场带来了显著波动性，对发电企业准确进行日前电价预测构成了挑战。研究人员提出了一种基于超参数自适应的混合预测模型CEEMD-SE-IBA-LSTM，以提高预测精度。首先，一种整合随机森林（Random Forest）与改进灰色理想值逼近（Improved Grey Ideal Value approximation）的相似日选择方法识别出最相关的历史日。其次，采用完整集成经验模态分解与样本熵（Complete Ensemble Empirical Mode Decomposition with Sample Entropy, CEEMD-SE）将价格序列分解并重构为稳定分量。第三，提出了一种融合差分进化与自适应权重的改进蝙蝠算法（Improved Bat Algorithm, IBA），用于优化两个关键的LSTM超参数：被视为模型架构超参数的隐藏层神经元数量和被视为训练超参数的学习率。LSTM层数和训练轮数作为模型设置保持固定，以确保可重复性。利用美国PJM市场的数据，研究人员将所提模型与六个基准模型进行了验证。结果表明，CEEMD-SE-IBA-LSTM取得了优越的性能，平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）为3.73%，均方根误差（Root Mean Square Error, RMSE）为3.57 $/MWh，平均绝对误差（Mean Absolute Error, MAE）为1.95 $/MWh。该方法提供了准确的价格趋势，为新能源企业在价格竞标中提高收益提供了有效的决策支持。
随着全球能源结构向以可再生能源为主的新型电力系统转型，电力市场改革深化和市场化电力系统加速建设已成为各国电力行业的关键趋势。日前市场作为电力现货交易的核心渠道，其价格趋势直接影响各参与方利益，准确的日前电价预测对于发电企业竞价策略、用户消费决策及电网稳定运行至关重要。然而，大规模风电和光伏并网因其随机性和接近零的边际成本特性，加剧了日前价格的波动性，对传统预测方法构成显著挑战。现有研究虽取得一定进展，但在高比例可再生能源接入电力市场情景下仍存在三个核心问题：新能源因素对电价的影响尚未完全量化，多数模型仅纳入风电、光伏发电数据而未深入分析渗透率指标（如风荷比、光伏占比）与电价的内在关联；数据预处理与模型优化之间协同不足，直接对高波动原始价格序列建模难以捕捉其内在规律，且传统经验模态分解（EMD）存在模态混叠问题；深度学习模型（如LSTM）的超参数多依赖经验设定，缺乏高效的自适应优化机制，传统算法（如蝙蝠算法BA、粒子群算法PSO）易陷入局部最优。
针对上述问题，研究人员提出了一种基于多信息融合的日前电价预测模型CEEMD-SE-IBA-LSTM。该模型首先通过随机森林-改进灰色理想值逼近（RF-IAGIV）的相似日选择方法，利用随机森林（Random Forest, RF）量化13种因素（包括负荷、负荷预测误差、火电发电量、风电发电量、风电预测误差、光伏发电量、光伏预测误差、总发电量、历史电价、煤价、区域气象数据以及四个新能源渗透率衍生指标：风荷比WD、光伏荷比SD、风电比例RW、光伏比例RS）的重要性权重，并结合改进灰色理想值逼近（IAGIV）筛选出相似度最高的前20个历史日作为训练集。然后采用完整集成经验模态分解与样本熵（CEEMD-SE）对价格序列进行分解与重构，得到9个平稳分量。最后利用改进蝙蝠算法（Improved Bat Algorithm, IBA）优化LSTM的两个关键超参数（隐藏层神经元数量和学习率），构建IBA-LSTM预测模型。研究采用美国PJM市场2023年数据作为样本，与六个对比模型进行验证。实验表明，所提模型在日前电价预测中取得最优性能，MAPE为3.73%，RMSE为3.57 $/MWh，MAE为1.95 $/MWh，为新能源企业在价格竞标中提供有效决策支持。该论文发表在《Energies》。
研究人员开展研究用到的主要关键技术方法包括：第一，基于随机森林-改进灰色理想值逼近（RF-IAGIV）的相似日选择方法，其中随机森林用于量化13种特征（包括负荷、发电量、预测误差及四个新能源渗透率衍生指标）对电价的重要性权重，IAGIV结合权重计算加权灰色关联贴近度，筛选出前20个相似历史日。第二，基于完整集成经验模态分解与样本熵（CEEMD-SE）的数据预处理技术，将原始电价序列自适应分解为多个本征模态函数（IMF）分量和残差项，再通过样本熵（Sample Entropy, SE）计算各分量复杂度，将熵值差异在0.1以内的子序列合并重构为9个平稳分量。第三，基于改进蝙蝠算法（IBA）的LSTM超参数优化，将差分进化（DE）与自适应权重引入BA，利用柯西分布构建自适应变异因子和交叉概率，优化隐藏层神经元数量（搜索范围为32、64、128、256）和学习率（搜索范围为0.0005、0.001、0.005、0.01），以验证集上的均方根误差（RMSE）作为适应度函数。模型在训练时不采用表格，全部通过文字描述进行。
**1. 引言**
研究背景指出，高比例新能源并网加剧了日前电价波动，传统预测方法难以适应。现有方法存在三个核心问题：新能源因素量化不足、数据预处理与模型优化协同不足、LSTM超参数依赖经验设定。为此，研究人员提出基于多信息融合的CEEMD-SE-IBA-LSTM模型，贡献包括构建13维新能源多特征体系，首次利用新能源渗透率衍生指标量化与日前电价的相关性；提出CEEMD-SE分解重构策略降低数据噪声和计算负荷；利用IBA优化LSTM超参数。
**2. 材料与方法**
**2.1 日前电价影响因素分析与相似日选择**
选取美国PJM市场数据，构建13维特征向量。通过皮尔逊相关系数（PCC）分析，发现光伏比例（RS，PCC=-0.945）和风电比例（RW，PCC=-0.821）与电价呈强负相关，历史电价（P，PCC=0.681）和光伏预测误差（Se，PCC=0.611）呈正相关，证实了新能源因素显著影响电价。采用RF-IAGIV相似日选择方法：随机森林基于基尼系数计算各特征权重，IAGIV结合权重计算加权灰色关联贴近度，筛选出前20个相似历史日，这些历史日主要集中在前20天内，相似度均超过0.80。
**2.2 方法论**
**2.2.1 基于CEEMD-SE的原始价格时间序列分解与重构**
采用完整集成经验模态分解（CEEMD）对电价序列进行自适应分解，得到12个IMF分量和1个残差分量，有效解决了EMD的模态混叠问题。引入样本熵（SE）评价各分量复杂度，设置嵌入维度m=2、相似容限r=0.2，将样本熵差值在0.1以内的子序列合并重构。通过阈值的敏感性分析，确定阈值为0.10时模型性能最优，最终将13个分量重构为9个平稳子序列。
**2.2.2 基于改进蝙蝠算法的LSTM参数优化**
提出改进蝙蝠算法（IBA），融合差分进化（DE）操作（变异、交叉、选择）以提升种群多样性，引入自适应速度权重平衡全局与局部搜索。利用柯西分布构建自适应变异因子和交叉概率。通过六个经典标准测试函数验证IBA性能，结果表明IBA在收敛速度、精度和稳定性上均优于原始BA、DE和PSO。利用IBA优化LSTM的隐藏层神经元数量（模型架构超参数）和学习率（训练超参数），以验证集RMSE为适应度函数，搜索得到最优参数组合。
**2.2.3 CEEMD-SE-IBA-LSTM模型**
整体流程包括：利用CEEMD-SE分解重构相似日电价序列得到9个分量；对每个分量进行归一化处理；分别训练对应的IBA-LSTM回归模型；输入目标预测日前一天的分量及相关影响因素数据，得到各分量预测值；反归一化后叠加得到最终日前电价预测值。
**3. 案例研究与模型验证**
以美国PJM市场为对象，选取前20个相似日数据（960个数据点，采样间隔30分钟）。CEEMD分解输出12个IMF和1个残差，经SE重构为9个分量。预测结果与实际电价对比显示，模型在大多数时间点具有高预测精度，绝对相对误差范围为0.41%~12.35%，平均3.73%。在电价平稳时段误差较小，在电价快速变化和峰值时段（如18:30左右）误差增大。通过与六个对比模型（Ablation Model 2无CEEMD-SE、Ablation Model 3无IBA优化、Comparison Model 4为极限学习机ELM、Comparison Model 5为反向传播神经网络BP、Comparison Model 6为卷积神经网络CNN、Ablation Model 7无相似日筛选）比较，所提模型（Model 1）在MAPE（3.73%）、MAE（1.95 $/MWh）和RMSE（3.57 $/MWh）指标上均最优。Ablation Model 7的高误差进一步表明相似日筛选是关键步骤。模型训练时间约40分钟，但在线预测时间足够短，满足日前预测要求。
**4. 讨论**
当前研究未包含直接消融实验比较是否引入新能源渗透率指标（WD、SD、RW、RS）对预测性能的影响，这是本研究的局限性。相关性分析虽表明这些指标与电价波动密切相关，但其独立及联合贡献尚未被定量分离。未来将开展系统消融实验以量化其贡献。此外，尽管PJM数据集覆盖2023年不同季节条件，但当前验证主要基于选定预测案例及对应相似日训练集，模型在季节和多年份间的泛化能力尚未充分验证。未来将引入不同季节（如冬季、夏季）的代表性预测时段、多年PJM数据集及其他电力市场，以评估模型长期鲁棒性和泛化能力。
**5. 结论**
研究人员针对高比例新能源接入电力市场的日前电价预测挑战，提出基于多信息融合的CEEMD-SE-IBA-LSTM组合预测模型。RF-IAGIV方法选择相似日，CEEMD-SE将价格序列分解重构为9个平稳分量，IBA优化LSTM参数。利用美国PJM市场2023年数据仿真，与消融模型和传统模型对比，得出以下结论：（1）本研究强调可再生能源发电对日前电价的影响，新能源渗透率指标为刻画风电、光伏发电对日前电价的影响提供了额外信息，但其独立贡献仍需通过系统消融实验进一步验证。（2）提出了基于RF-IAGIV的相似日选择方法，简化了预测流程，提高了效率，为后续日前电价预测奠定了坚实基础。（3）提出了基于CEEMD-SE的数据预处理技术，分解重构原始价格序列得到多个波动更平滑的分量序列，实验表明预测前进行数据预处理降低了预测难度并显著提升了精度。（4）提出了基于IBA-LSTM的电价预测模型，案例分析结果表明所提组合模型在电价预测精度方面具有显著优势。综上所述，该电价预测模型性能优异，预测精度高，泛化能力良好。
