《Mathematics》：Optimal Job, Consumption, and Portfolio Choice with Multiple Income–Leisure Regimes
编辑推荐：
分布式能源资源、可再生能源发电和柔性负荷的日益集成，使得虚拟电厂（VPP）的市场参与高度暴露于价格波动和运行不确定性。研究人员提出Graph-X，一个统一的图结构深度学习和随机优化框架，用于日前电价预测和风险感知的VPP投标。与传统的时序预测模型不同，Grap
分布式能源资源、可再生能源发电和柔性负荷的日益集成，使得虚拟电厂（VPP）的市场参与高度暴露于价格波动和运行不确定性。研究人员提出Graph-X，一个统一的图结构深度学习和随机优化框架，用于日前电价预测和风险感知的VPP投标。与传统的时序预测模型不同，Graph-X通过将原始投标转换为由离散价格–量图表示的连续可微曲线，捕获结构化的市场出清行为。所提出的架构结合了稀疏图卷积、循环时序学习、扩张时序卷积和周期性日历编码，以建模空间、时序和运行性市场依赖关系。预测结果进一步与由相干谱风险度量（coherent spectral risk measure）控制的随机投标模型集成，以对齐预测精度与财务绩效。该框架使用ISO新英格兰（ISO New England）日前电力市场的历史小时数据进行了验证。结果表明，Graph-X实现了平均绝对误差（MAE）为1.81 $/MWh，决定系数（R2）为0.944，优于图神经网络（GNN）、长短期记忆网络（LSTM）、Transformer和自回归积分滑动平均模型（ARIMA）基线。在VPP投标中，Graph-X实现了平均日利润52.3 k$，盈利能力比GNN基线提高了18.1%（相当于每年2.92百万美元），每次预测的平均推理时间为12.5 ms。
本文提出Graph-X，一种统一的基于图结构的深度学习框架，用于虚拟电厂（VPP）市场参与和日前电价预测。研究背景：随着分布式能源资源（DERs）、可再生能源发电和柔性负荷的日益集成，电力市场运行发生了显著变化。VPP作为聚合异构DERs的协调市场参与者，面临可再生能源的不确定性、电价波动和负荷需求可变性带来的显著财务风险。现有研究将电价预测、图结构市场建模和VPP投标优化作为独立问题处理：预测模型大多将电价视为时间序列信号，忽略供需结构和市场出清行为；基于优化的VPP投标模型未充分利用数据中的非线性特征-滞后关系；图结构预测研究通常仅报告精度提升，而不链接到VPP利润、投标有效性和推理速度。因此，研究人员提出Graph-X，以解决这一差距，将VPP资源协调、随机不确定性建模、图结构市场表示、稀疏图卷积、时序学习和风险感知投标统一到一个框架中。该论文发表在《Mathematics》。
主要关键技术方法：研究人员采用稀疏图卷积（sparse graph convolution）提取市场图结构特征，结合门控循环单元（GRU）捕获时序依赖，利用扩张时序卷积网络（TCN）处理长程价格序列，并通过周期性日历编码（cyclical calendar encoding）建模小时、日和月的周期性。在随机投标优化中，使用相干谱风险度量（coherent spectral risk measure）控制下行风险，并与概率预测头集成。数据来源为ISO新英格兰（ISO New England）日前电力市场的历史小时数据，包括小时位置边际价格（LMP）、系统需求、可再生能源发电和运行信号。VPP资源配置包括可调度发电机（10–50 MW）、太阳能光伏（20–100 MW）、风电场（30–150 MW）、电池储能系统（10–50 MW，2–4小时时长，85–92%效率，10–90%荷电状态）和柔性需求响应资源（5–20%峰值负荷削减）。
研究结果：
- 4.1 Graph-X模型性能诊断：通过预测误差分布和特征-滞后相关性分析，Graph-X在12小时预测范围内的误差保持在?1.9至+2.5 $/MWh之间，相关性大多在±3σ内，表明鲁棒性和稳定性。10次独立运行的平均MAE为1.81 ± 0.14 $/MWh。
- 4.2 Graph-X价格预测诊断：与GNN、LSTM、ARIMA相比，Graph-X在120小时预测中更有效地捕捉了实际价格波动、峰值和崩溃。残差均值0.12，标准差1.85，偏度?0.34，峰度3.21，表明残差分布轻微左偏且尾部适中。
- 4.3 Graph-X误差分布与梯度动力学：小时平均绝对误差在傍晚峰值时段（约6.5 $/MWh）较高，但多数误差在可接受范围内。梯度分析显示网络在训练过程中逐渐收敛，避免梯度消失或爆炸。
- 4.4 Graph-X分类与分布诊断：Graph-X的AUC值为0.944，优于GNN（0.871）、Transformer（0.841）、LSTM（0.823）和ARIMA（0.583）。残差分布中位数（四分位距）为?0.03（?0.12, 1.23），偏差最小且分散度紧凑。
- 4.5 Graph-X学习动态与收敛分析：训练和验证损失在200个epoch内收敛至目标阈值0.25以下，梯度平均范数0.758，标准差0.687，稀疏度约20%。低秩分解秩M=16在精度和计算效率之间取得最佳平衡。
- 4.6 VPP市场参与绩效：Graph-X实现平均日利润52.3 ± 2.1 k$，比GNN基线（44.3 ± 3.4 k$）提高18.1%，年收益约2.92百万美元。配对t检验显示p < 0.001，统计显著。MAE为2.20 $/MWh，比GNN（4.51 $/MWh）降低51.2%。
- 4.7 Graph-X综合模型诊断：预测价格与真实价格高度一致，R2=0.944，MAE=1.81 $/MWh。Ljung-Box检验p=0.127，无显著残差自相关。重要特征排序为价格历史、可再生能源预测和负荷曲线。计算效率得分0.588，比GNN提高58.5%，推理时间12.5 ms，训练内存6.2 GB，推理内存2.1 GB。
讨论与结论：Graph-X通过将稀疏图卷积、循环时序学习、时序卷积建模和日历特征编码集成，捕获了电力市场数据中的结构和时序依赖。随机投标组件将预测精度与可再生能源、需求和价格不确定性下的实际经济绩效直接连接。与多元深度学习基线（GNN、LSTM、Transformer）和传统统计参考（ARIMA）的比较结果证实了Graph-X的优越精度和经济绩效，残差减少，VPP利润导向投标表现增强，且推理速度快，适合实时市场运行。研究结论：本文提出了Graph-X，一个统一的基于图的深度学习框架，用于VPP市场参与和日前电价预测。该方法通过将市场交互表示为价格–量图，超越了纯时间序列预测，提供了更具市场感知的学习结构。集成稀疏图卷积、时序学习和日历编码使其能够捕获结构和时序依赖。随机投标组件进一步将预测精度与实用经济绩效相连。总体而言，该框架为现代电力市场中智能VPP参与提供了有效且计算高效的解决方案。未来工作将研究直接融合离散市场结算机制、多市场协调、实时平衡市场以及硬件级验证。
