《Energy and AI》：Price-aware artificial intelligence for market-aligned photovoltaic power nowcasting under quarter-hourly electricity settlement
编辑推荐：
分布式光伏发电渗透率的不断提升以及向15分钟不平衡结算机制的推进，以意大利《电力调度综合文本》（Testo Integrato del Dispacciamento Elettrico, TIDE）改革为典型代表，使得超短期功率预测成为一项关键的操作性与经济性
分布式光伏发电渗透率的不断提升以及向15分钟不平衡结算机制的推进，以意大利《电力调度综合文本》（Testo Integrato del Dispacciamento Elettrico, TIDE）改革为典型代表，使得超短期功率预测成为一项关键的操作性与经济性任务。尽管机器学习预测模型在统计精度方面已取得显著进步，但其训练和评估通常采用对称误差指标，无法反映过预测与欠预测之间不对称的货币效应。本研究针对这一空白，提出了一种面向决策的15分钟 ahead 光伏功率超短期预测框架，将市场不对称性嵌入评估与学习过程。该框架包含两项方法论贡献：一是预期货币影响（Expected Monetary Impact, EMI）指标，将预测偏差转化为15分钟结算分辨率下的货币损失；二是可微价格感知不对称损失函数，根据市场成本对正负预测误差施加不同惩罚。以意大利TIDE改革作为真实案例研究，该公式可迁移至其他具有短结算间隔和不对称不平衡价格的电力市场。研究评估了长短期记忆网络（Long Short-Term Memory, LSTM）、门控循环单元（Gated Recurrent Unit, GRU）以及基于Binet形式体系训练的局部递归神经网络（Locally Recurrent Neural Network, LRNN）作为替代预测器，在滚动样本外协议下与持续性基准（persistence）进行对比，使用米兰某光伏设施的真实测量数据，2023–2024年用于训练，2025年用于测试。基于学习的模型优于持续性基准：LSTM和GRU分别将归一化货币影响降低18.22%和19.39%，而局部递归模型实现了54.72%的降幅。这些结果表明，与市场对齐的预测目标比传统的对称精度指标具有更大的运营价值。
本研究面向15分钟电力结算机制，提出了一种市场驱动的光伏功率超短期预测决策框架，旨在弥合统计精度与运营经济价值之间的脱节。
研究背景与问题阐述：随着分布式光伏发电渗透率的持续提升，电力系统短期运营与决策模式正在发生深刻变革。系统运营商、聚合商、能源社区和产消者需在更精细的时间尺度上管理发电计划、灵活性资源和平衡调节。意大利TIDE改革将平衡与结算流程从小时级缩短至15分钟级，使15分钟ahead光伏超短期预测同时成为运营需求和经济机遇。这一趋势并非意大利独有——欧盟法规(EU) 2019/943已将不平衡结算周期统一为15分钟，澳大利亚国家电力市场更于2021年从30分钟结算转向5分钟结算。在此背景下，预测价值不仅取决于统计精度，更取决于由此产生的调度偏差所带来的经济后果。然而，现有文献中绝大多数光伏预测研究仍以均方根误差（Root Mean Square Error, RMSE）、平均绝对误差（Mean Absolute Error, MAE）等对称指标为训练和评估标准，无法区分过预测（over-forecasting）与欠预测（under-forecasting）的不对称货币效应。随着结算间隔缩短，日内爬坡和快速辐照变化更难以被平均化，预测误差的时机、方向和大小共同决定了最终的不平衡成本，使15分钟光伏超短期预测成为一项典型的决策导向型任务。
研究人员开展的研究与主要结论：本研究提出并验证了一个面向决策的人工智能框架，用于15分钟电力结算机制下的光伏功率超短期预测。核心贡献包括：（1）引入预期货币影响（EMI）指标及其归一化形式，将带符号的预测偏差转化为15分钟结算分辨率下的欧元计货币损失，并分解为过预测和欠预测贡献；（2）设计了可微价格感知不对称损失函数，将过预测与欠预测的不同市场成本直接嵌入模型训练目标；（3）系统比较了基于Binet形式体系训练的局部递归神经网络与LSTM、GRU两种传统循环基准模型，所有学习模型均在相同数据条件、预测时域、滚动样本外协议及统计/经济评估标准下与持续性基准对比。研究使用米兰理工大学SolarTechLAB户外设施的真实光伏测量数据，2023–2024年历史数据用于训练，2025年全年作为未见时间序列测试期。结果表明，所有学习模型均优于持续性基准；LSTM和GRU分别将归一化货币影响降低18.22%和19.39%，而LRNN–Binet实现54.72%的降幅，将年EMI从6,280欧元降至2,844欧元，性能百分比从84.58%提升至93.02%。该框架适用于任何具有短结算间隔和不对称/时变不平衡价格的电力市场，可通过替换成本系数c
+和c
?直接迁移。
关键技术方法：研究采用滚动样本外协议，每分钟更新、15分钟ahead预测，在15分钟结算分辨率下评估。候选模型包括持续性基准、LSTM（32隐单元单循环层，Adam优化器，学习率10
?3，批次大小256，梯度裁剪1.0，12轮epoch热身）、GRU（同LSTM架构参数）、以及LRNN–Binet（5个隐神经元，记忆深度r=14，滑动窗口25个样本，单epoch梯度下降，初始学习率10
?2，IIR极点约束|z
im|<0.98）。神经网络模型训练和评估分别采用标准均方误差（Mean Square Error, MSE）目标和提出的价格感知不对称损失。输入配置包括单变量（仅历史光伏功率）和多变量（13个测量变量）。经济成本参数设定为c
+=150 �/MWh（过预测）、c
?=100 �/MWh（欠预测）。
研究结果：
**年度性能分析**：表4和表6报告了米兰数据集2025年全年结果。所有学习模型一致优于持续性基准。LSTM和GRU形成中间性能组，经济训练变体在各自架构内表现最优，相对持续性降低归一化经济影响约18%–19%。LRNN–Binet在所有指标上显著优于LSTM和GRU，其经济训练配置实现超过50%的不平衡成本降幅。
**训练目标效应**：第5.2节分析了经济损失函数的作用。对于LSTM和GRU，经济损失系统性地降低了EMI
norm，但并未最小化RMSE，反映了该损失的目标并非优化对称逐点精度，而是降低不对称结算定价下最昂贵的预测偏差。经济训练模型表现出更负的MBE，显示出温和的欠预测趋势，因为过预测惩罚更高。方向性误差份额证实：经济损失减少了正误差（过预测）比例，增加了负误差（欠预测）比例，有效引导预测向成本更低的运行区间。对于LRNN–Binet，经济损失同时改善了经济指标和统计指标，表明该架构与损失公式高度契合，无需以统计精度换取经济收益。
**最佳模型与持续性对比**：表6汇总了全年最小化EMI
norm的各架构最佳配置。GRU略优于LSTM，但差距较小；主要差距在于门控循环模型与LRNN–Binet之间。LRNN–Binet将年EMI从6,280 �降至2,844 �，同时实现最低RMSE（14.61 W）和MAE（5.61 W）。
**经济影响的时序演化**：图7显示全年累积EMI曲线。持续性基准增长最陡；LSTM和GRU曲线全年接近，经济训练版本始终低于MSE训练版本；LRNN–Binet曲线始终显著低于其他所有模型，且差距随时间逐渐扩大。图8的月度EMI
norm显示明显的季节变异性，但模型相对排名在所有月份保持一致。
**代表性日案例研究**：图9展示了四种运行条件下的代表性日案例。晴空日（2025-05-01）突出显示持续性的主要弱点——早晚功率升降段的时滞；高变日（2025-03-01、2025-06-04）显示持续性无法跟踪短期动态；强间歇日（2025-10-01）综合了不规则早坡、强午间变异和平滑下午衰减。在所有情况下，模型排名保持一致：LRNN–Binet最优，GRU和LSTM居中，持续性最差。
**单变量与多变量建模对比**：第5.6节比较了LRNN–Binet的单变量（单输入单输出, Single Input Single Output, SISO）和多变量（多输入单输出, Multiple Input Single Output, MISO）配置。多变量模型EMI
norm仅从10.471降至10.449 �/MWh，改善极小；同时RMSE从14.61升至15.19 W，MAE从5.61升至5.71 W，且引入更负偏差。这表明在15分钟预测时域，近期光伏功率轨迹已包含大部分预测信息，增加外生变量仅贡献边际改善。
讨论与结论：本研究的核心论点是预测应同时作为统计预测问题和经济决策支持问题来评估。EMI指标和价格感知不对称损失函数将预测误差与其货币后果直接关联，使改进可直接用货币术语解释——这正是15分钟粒度下调度和不平衡结算的相关结果。
不同架构对经济目标的利用方式存在差异。LSTM和GRU主要受益于向欠预测方向的有控制偏差偏移；LRNN–Binet则通过降低整体预测误差幅度来实现经济优势，同时保持过预测与欠预测的平衡分布。这提示局部递归动态、解析输出层回归和连续滑动窗口自适应对于捕捉市场对齐预测设置中的短期光伏变异特别有效。
多变量扩展未带来有意义的整体优势，强调了增加输入复杂性并不自动改善运营价值。该框架可向其他具有短结算间隔和不对称/时变不平衡价格的电力市场迁移，仅需替换成本系数c
+和c
?。
研究局限包括：基于单一测量光伏系统验证，需扩展至更大电站、多逆变器组合和地理分布数据集；基准仅限于循环架构和持续性，未来应纳入卷积、混合卷积–循环和Transformer模型；需整合真实市场数据的时变不平衡价格；以及探索测量时间序列与物理光伏模型结合的混合物理信息扩展。
