《Journal of Engineering Research》：A metaheuristic-optimized hybrid deep learning and machine learning framework for robust market clearing price forecasting: A multi-scenario case study from Turkey
编辑推荐：
在能源市场中，市场清算价格（Market Clearing Price, MCP）的高波动性和非线性变化对经典MCP预测算法的性能产生了负面影响。高精度预测MCP极为重要，因为它直接影响发电侧和需求侧的决策过程。本研究采用基于粒子群优化（Particle Sw
在能源市场中，市场清算价格（Market Clearing Price, MCP）的高波动性和非线性变化对经典MCP预测算法的性能产生了负面影响。高精度预测MCP极为重要，因为它直接影响发电侧和需求侧的决策过程。本研究采用基于粒子群优化（Particle Swarm Optimization, PSO）算法优化超参数的混合长短期记忆网络（Long Short-Term Memory, LSTM）与K近邻（K-Nearest Neighbors, KNN）方法，以高精度估计MCP。在混合方法中，使用LSTM是因为其能够在不丢失信息的情况下学习逐小时时间依赖性MCP的长期依赖关系。为了预测LSTM无法预测的MCP突然波动，基于相似历史特征使用KNN方法。本研究中，LSTM和KNN方法中使用的序列长度（Sequence Length）、隐藏单元数（Hidden Units）、丢弃率（Dropout Rate）、初始学习率（Initial Learning Rate）、小批量大小（Mini-Batch Size）、近邻数（Number of Neighbors）和Alpha超参数均通过PSO算法进行优化。基于PSO-LSTM-KNN混合方法所建立预测模型的性能，通过扩展窗口分块时间序列交叉验证（Expanding-Window Blocked Time-Series Cross-Validation）以及三个不同的独立测试数据集进行评估。将PSO-LSTM-KNN混合方法与LSTM、卷积神经网络（Convolutional Neural Networks, CNN）、LSTM-CNN、LSTM-极端梯度提升（Extreme Gradient Boosting, XGBoost）、LSTM-高斯过程回归（Gaussian Process Regression, GPR）、KNN、朴素持久性预测（Na?ve Persistence Forecasting, NPF）、PSO-LSTM和PSO-KNN方法进行比较。观察到所提出的PSO-LSTM-KNN混合方法在所有场景下均产生了非常高的结果。特别是在用于评估模型在不同时间段预测性能的独立测试场景中，发现其比其他模型产生了显著更成功的预测值。
论文解读文章
在能源市场研究与实际运营中，市场清算价格（Market Clearing Price, MCP）是连接电力供给与需求的关键经济信号。随着可再生能源的大规模并网、化石燃料价格波动以及需求侧的季节性变化，MCP呈现出高度复杂和非线性的动态特征。经典统计预测方法由于难以捕捉这种多因素耦合的非线性时序结构，其预测精度往往不佳。单一预测模型在价格形成机制中常因无法同时处理长期依赖与短期突变而失效，因此开发融合深度学习与机器学习优势的混合预测框架成为该领域的重要研究方向。土耳其电力市场具有独特的市场结构与高波动性，其MCP预测对发电侧利润最大化和需求侧成本优化均具有直接意义。现有研究多采用固定超参数或网格搜索等有限优化手段，难以实现模型复杂度和泛化能力之间的最优均衡。为此，本研究旨在提出一种基于粒子群优化（Particle Swarm Optimization, PSO）的LSTM-KNN混合预测方法，以在多个独立时间场景下稳健地提高土耳其MCP的预测精度。
研究人员构建了一种两阶段混合预测模型。第一阶段利用长短期记忆网络（Long Short-Term Memory, LSTM）学习MCP时间序列中的长期非线性依赖；第二阶段采用K近邻（K-Nearest Neighbors, KNN）对LSTM训练残差进行局部修正，最终预测由LSTM预测值与经权重系数α加权的KNN残差预测值组合而成。所有超参数，包括序列长度、隐藏单元数、丢弃率、初始学习率、小批量大小、近邻数K以及α，均由PSO算法全局寻优确定。模型使用位于土耳其的EP?A?透明平台提供的2025年1月1日至2025年7月2日的逐小时电力市场实测数据，选取12个输入变量（包括消费量、天然气发电量、大坝发电量、褐煤发电量、河流发电量、风电产量、太阳能产量、匹配买入量、匹配卖出量、买入报价量、卖出报价量及美元汇率）作为MCP估计的独立变量，并采用Z-score标准化以避免数据泄漏。研究设计了三个独立测试场景：场景一使用一天（2025年7月2日）独立数据；场景二使用一周（2025年6月26日至7月2日）独立数据；场景三使用两周（2025年6月19日至7月2日）独立数据。以平均绝对误差（MAE）、均方误差（MSE）、均方根误差（RMSE）和决定系数（R2）作为性能指标，并与LSTM、CNN、LSTM-CNN、LSTM-XGBoost、LSTM-GPR、KNN、NPF、PSO-LSTM和PSO-KNN九种基准方法进行对比，同时采用Diebold-Mariano（D-M）检验评估差异的统计显著性。
### 扩展窗口分块时间序列交叉验证结果
研究人员使用扩展窗口分块时间序列交叉验证（Expanding-Window Blocked Time-Series Cross-Validation）对超参数选择过程中的模型性能进行评估。该验证方式保持时间顺序，将训练数据前70%作为初始训练集，剩余30%构成四个连续的验证块，每折逐步扩展训练集。结果显示，在所有三个场景中，所提出的PSO-LSTM-KNN模型在四个验证块上的平均RMSE和R2均处于最优或接近最优的水平，表明该混合模型在超参数优化过程中具有良好的稳定性和时间泛化能力，且避免了数据泄漏。
### 场景一：一天独立测试结果
第一个场景利用2025年1月1日至7月1日共4368小时数据训练模型，以2025年7月2日全天24小时作为未见数据评估预测性能。独立测试结果表明，所提出的PSO-LSTM-KNN混合模型取得了最高的决定系数（R2=0.85363041），显著优于其他对比模型。其中PSO-KNN是性能最接近的模型，D-M检验（p=0.0312）表明两者预测精度差异具有统计学意义，即所提模型在单日短期预测中显著优于PSO-KNN。
### 场景二：一周独立测试结果
第二个场景使用截至2025年6月25日的训练数据，并对2025年6月26日至7月2日的一周独立数据进行预测。独立测试结果显示，LSTM-XGBoost模型获得了最高的R2值（0.87259388），而所提出的混合模型以R2=0.86096844紧随其后。D-M检验（p=0.6594）表明两模型之间的预测精度差异不具有统计学显著性，说明在一周预测视界内，所提模型与LSTM-XGBoost的性能统计上相当，可作为现有强基准的有效替代方案。
### 场景三：两周独立测试结果
第三个场景使用2025年1月1日至6月18日的训练数据，对2025年6月19日至7月2日的两周独立数据进行预测。在全部独立测试数据上，所提出的PSO-LSTM-KNN混合模型取得了最优性能，R2达到0.86797047，MAE为242.44，RMSE为319.23，全面优于所有对比方法。LSTM-XGBoost是性能最接近的对比模型。D-M检验（p=0.0002）显示两者差异高度显著，证实所提模型在较长预测视界下具有显著更高的预测精度和稳健性。
### 讨论与结论
讨论部分指出，所提出的混合模型通过PSO全局优化超参数，有效平衡了模型复杂度与泛化能力，使其在不同时间尺度的独立预测中均表现优异。尽管在场景二中与LSTM-XGBoost统计性能相当，但所提模型在场景一和场景三中均显著胜出，表明其结合了LSTM的长期依赖建模能力和KNN的局部修正能力，获得了更强的鲁棒性。此外，模型在实际应用中需注意市场冲击、制度变化等异常情况可能影响预测性能，且预测结果应作为决策支持工具而非精确MCP值。研究结论为：在能源市场中，MCP是需求侧、发电侧及投资者的关键指标，高精度MCP预测对需求侧预测电力成本、发电侧增加收入至关重要。通过三个独立测试场景的对比，场景一中最高决定系数（R2=0.85363041）属于所提模型，且与PSO-KNN的差异显著；场景二中LSTM-XGBoost取得最高R2（0.87259388），但所提模型与其差异不显著，表明所提模型可替代现有模型；场景三中所提模型取得最高R2（0.86797047），并与LSTM-XGBoost差异显著，证明其在长期预测方面的可靠性和稳健性。本研究数据集覆盖土耳其电力市场2025年1月1日至7月1日的短期时段，结果受特定时期和市场条件限制，未来需在更长时期和更多国家市场中进一步验证所提方法的普适性。
