面向极端条件下准确的日前电价预测：一种混合自编码器-Transformer模型
机器学习
2025-11-11 v1 人工智能
摘要
准确的日前电价预测对于电力系统的高效运行至关重要，但极端条件和市场异常性质的问题对现有预测方法构成了显著挑战。为克服这些挑战，本文提出了一种新型混合深度学习框架，集成Distilled Attention Transformer (DAT)模型和自编码器自回归模型(ASM)。DAT利用自注意力机制动态为历史数据中关键片段分配更高权重，有效捕捉长期趋势和短期波动。同时，ASM采用无监督学习来检测和隔离由极端条件（如重雨、热浪或人类节日）引起的异常模式。实验表明，在加州和山东省采样数据集上，本文框架在预测准确性、鲁棒性和计算效率方面显著优于当前最先进的方法。本框架因此具有潜力，旨在增强未来电力系统的韧性并优化市场运行。
引用
@article{arxiv.2511.06898,
title = {A Hybrid Autoencoder-Transformer Model for Robust Day-Ahead Electricity Price Forecasting under Extreme Conditions},
author = {Boyan Tang and Xuanhao Ren and Peng Xiao and Shunbo Lei and Xiaorong Sun and Jianghua Wu},
journal= {arXiv preprint arXiv:2511.06898},
year = {2025}
}
备注
Published in 2025 IEEE 1st International Symposium on the Application of Artificial Intelligence in Electrical Engineering (AAIEE) https://ieeexplore.ieee.org/document/11100637