《Energies》：A Named Entity Recognition Method for GIS Defect Texts Incorporating an Engineering Format-Aware Masking Strategy
编辑推荐：
摘要：电力生产与需求的波动性日益加剧，导致不同市场间的电价波动性增大。因此，广义电力交易相关业务流程的有效实施需要可靠的电价预测。 consequently，电价预测的重要性和研究兴趣均在增长。本文对所选市场原生时间分辨率下的短期点电价预测进行了深入的文献综述
摘要：电力生产与需求的波动性日益加剧，导致不同市场间的电价波动性增大。因此，广义电力交易相关业务流程的有效实施需要可靠的电价预测。 consequently，电价预测的重要性和研究兴趣均在增长。本文对所选市场原生时间分辨率下的短期点电价预测进行了深入的文献综述，主要涵盖小时级和30分钟间隔，部分研究使用15分钟和5分钟间隔。该综述关注单个市场间隔价格预测，不涉及日聚合价格预测。分析涵盖了预测模型中使用的输入数据、主要预测方法、建模技术和误差度量。从市场特征、预测方法和解释变量角度考察了预测质量。识别了报告结果的总体趋势，以及选定误差度量之间的描述性关系。特别关注了RMSE与MAE之比，本文中称为误差离散因子（EDF），该指标仅作为给定样本中绝对预测误差幅度相对不等性的描述性汇总。文章最后提出了关于电价预测最佳实践的发现和建议。本综述不同于更广泛的概念性和市场特定调查，其重点严格限定于单个市场交付间隔的短期点预测，并对2021年1月至2026年5月期间发表的研究进行了结构化的定量综合。
主体内容总结：
1. 引言
本文首先回顾了电力作为商品的历史演变，从19世纪末的私人垄断到20世纪的国有垂直整合垄断，再到近年来的市场化改革。电力市场可分为批发和零售、远期和现货市场，以及能量市场、容量市场和辅助服务市场。电价预测的重要性源于优化竞价策略、风险管理、储能优化以及零售动态定价等需求。点预测和概率预测是两种主要方法，本文聚焦于点预测，因其直观可解释且便于使用标准误差度量。短时点预测在运营决策中至关重要，而长期点预测则支持战略规划。然而，点预测不显式量化不确定性，这在可再生能源占比高的市场中尤为显著。概率预测方法在风险评估中日益普及，但点预测仍是概率预测的基础。
1.1 文献检索与研究选择程序
综述覆盖2021年1月至2026年5月，主要针对日前和日内市场。使用Scopus和Web of Science数据库，最终检索于2026年5月20日进行。检索关键词为“point”、“forecasting”、“electricity”、“prices”，要求同时出现在标题、关键词、摘要或书目描述中。选择过程结合期刊级和文章级标准，考虑期刊影响因子和文章引用次数作为辅助标准。纳入标准包括：研究短期点电价预测、提出或实证评估至少一种预测方法、报告足够的方法或实证信息、发表于Scopus或Web of Science索引的同行评审期刊。排除标准包括：仅预测负荷或需求等非电价变量、仅关注概率预测、缺乏足够信息、重复报告以及超出综述期。初步筛选出72篇候选出版物，最终60篇纳入主要分析，其中包含4篇综述文章。另保留10篇早期重要文献作为参考。
1.2 综述目标、主要贡献与论文组织
本综述区别于更广泛的概念性综述，聚焦于2021至2026年间的短期点预测，主要目标包括：分析输入数据、分类预测方法并指出优缺点、分析预测方法、分析预测质量指标并统计其值、描述影响预测的主要因素。主要贡献为：对预测方法进行分类并附批判性评论；分析误差度量的变异性及其实际意义，首次系统使用RMSE与MAE之比作为误差离散度的诊断指标；对近期短期点预测研究进行结构化定量综合，整合方法分类、预测方法、输入数据类别和评估指标，并评估跨研究比较的限制。论文组织为：第2-5节分析文献（输入数据、方法、误差度量），第6节总结现状，第7节讨论和结论。
2. 点预测的输入数据类别
预测精度不仅受模型影响，还受输入数据量影响。输入数据可分为多个类别，如表1所示。大多数研究预测未来24小时内的逐时价格向量，部分研究使用半小时、15分钟或5分钟分辨率。分析发现，许多文章未详细说明输入变量的具体滞后期数或时间标记，信息高度概括，导致跨研究可比性有限。
3. 点电价预测的方法学途径
主要样本包含60篇出版物。方法分类标准如下：Pipeline（流水线）指包含预处理、分解、特征选择、嵌入、优化或后处理阶段的框架；Hybrid（混合）指模型输出或内部表示被另一模型处理的单一集成架构或级联；Ensemble（集成）指多个模型并行训练，输出聚合或加权组合；Comparison（比较）指主要贡献为现有模型的实证比较；Adding new inputs（添加新输入）指主要新颖性在于引入或变换解释变量；Modification（修改）指对现有方法的结构或算法修改；Paired forecasts（配对预测）指产生点预测及置信度或不确定性度量；其他类别包括时空预测、函数回归、模拟未来市场分析、数据增强或强化学习方法。
3.2 预测方法
最常见的途径是流水线方法，约占28%，包含分解技术、嵌入机制、模糊逻辑、预处理和数据相似性分析等。比较研究约占23%，通常将深度学习模型与统计模型或树模型对比，并常结合可解释人工智能或迁移学习。混合方法约占12%，典型实现为级联两个模型或用优化器增强单一模型，常用卷积神经网络作为初始组件。集成方法占8%，通过并行训练多个模型（最多九个）提高鲁棒性。添加新输入变量的研究占8%，包括引入价格跳跃或共跳变量、外生变量、非线性输入分解等。其余约14%的研究包括现有模型扩展、时空预测、函数回归、模拟未来市场预测和强化学习。
3.3 方法的优点与缺点
混合方法可提高精度但增加计算成本，且存在级联误差传播风险。集成方法避免了顺序误差传播，利用模型多样性捕获不同信息模式，但输出可解释性降低且计算成本高。统计模型提供可解释性和稳健性，但依赖线性假设和自回归结构；机器学习模型可建模非线性但可能过拟合噪声。
4. 点预测方法与模型
经典加性分解将时间序列分解为趋势、季节性和噪声，常与统计模型结合。模态分解方法包括变分模态分解（VMD）和集合经验模态分解（EEMD），通常与LSTM等深度神经网络结合。启发式优化方法（如海洋捕食者算法和粒子群优化）用于模型优化。Transformer架构通过注意力机制建模时间依赖和变量间关系。k-最近邻方法用于检测价格尖峰，高斯过程回归用于预测。在239种识别的方法中，深度学习和统计方法占70.3%，树方法也常用。LSTM是最常用的深度模型，CNN占10%，GRU结合迁移学习占8%。Transformer架构占约3%。统计方法中，自回归（AR）和带外生变量的自回归（ARX）占29.41%，包含MA、差分、外生变量、季节性的模型占17%。概率方法中，贝叶斯参数估计占40%，还有GARCH、SV、GPR等。分类方法中SVM最常用。
5. 点预测评估指标与统计检验
5.1 点预测评估指标
基于54篇文章，最常用的误差度量是平均绝对误差（MAE），其次是均方根误差（RMSE），第三是平均绝对百分比误差（MAPE）。其他指标包括决定系数R2、对称平均绝对百分比误差（sMAPE）、均方误差（MSE）、平均偏差误差（MBE）。少数文章使用MASE、nRMSE、nMAE、rMAE、MdAPE、MSPE、相关系数R、SSE等。仅有少数研究使用MASE，尽管其具有跨序列比较的优势。基准模型的使用对于评估模型改进至关重要，但不同研究的基准定义不一致，阻碍了跨研究比较。
5.2 评估指标间的关系
对MAE、RMSE、MAPE进行关系分析，从19篇报告所有三个指标的文章中提取数据。定义了误差离散因子（EDF）= RMSE/MAE。在变体I（不同时间序列和最佳模型）中，EDF与MAPE的相关系数为0.4998（中等正相关），但需谨慎解释。变体II（单一时间序列、同一模型98种变体）中，EDF与MAPE相关系数为-0.8667（强负相关）。变体III（单一时间序列、12种不同模型）中相关系数为-0.6409（强负相关）。这些关系仅描述特定数据集内的指标共变，不建立普遍权衡。
5.3 EDF作为描述性统计量的范围与限制
EDF可事后计算，仅提供RMSE与MAE的尺度无关描述。它不能重建误差分布、区分不同分布形状、识别误差的时间位置或符号，也不应单独用于模型选择或优化。EDF具有样本依赖性，比较跨研究时应考虑样本量差异。
6. 点预测现状总结
从72篇候选文献中筛选出49篇报告了至少一种常用误差度量，并在表7中汇总。该表不构成方法排名，因为不同研究的市场、货币、时期、分辨率、预测期限等均不同。
7. 讨论与结论
文献显示短期点电价预测的方法复杂度日益增加，但组件级评估（如消融研究）仍不常见。实证评估实践存在显著异质性，阻碍了跨研究比较。两种较窄的结论：方法复杂度增加；标准化基准和消融研究使用有限。需要共同的评估协议、明确基准和透明报告。方法使用频率不代表预测优越性。大多数研究预测小时级电价，但输入数据报告不充分。建议使用MAPE或sMAPE以促进比较，并正确选择业务导向的质量标准。EDF可仅作为补充描述性指标。模型描述和超参数报告不足。市场同源数据误差差异可能源于评估设置而非模型架构。综述的主要限制是综合了异质性条件下的结果，未重新估计模型。未来研究应通过受控基准实验和消融研究评估复杂度与精度的关系。
