基于 LSTM 的自适应在线能源价格预测
机器学习
2025-10-21 v1 人工智能
摘要
精准预测电力价格对于 energy market 中的各方尤为重要，尤其是 grid operator、energy producer 和 consumer。本研究聚焦于开发一种利用长短期记忆网络 (LSTM) 来预测加州能源市场 day-ahead 电力价格的预测模型。该模型包含多种特征，包括历史价格数据、天气条件和能源生成混合结构。引入一种新型自定义损失函数，将平均绝对误差 (MAE)、Jensen-Shannon 散度 (JSD) 和平滑惩罚项集成其中，以增强预测准确性和可解释性。此外，实现了一种在线学习方法，使模型能够逐步适应新数据，确保持续的相关性和准确性。结果表明，自定义损失函数能够提高模型性能，使预测价格更贴近实际值，尤其在峰值区间表现更佳。另外，在线学习模型通过有效地整合实时数据， outperform 其他模型，导致更低的预测误差和波动性。能源生成混合结构的纳入进一步提升了模型的预测能力，凸显了 comprehensive 特征整合的重要性。这一研究提供了一个 robust 框架用于电力价格预测，为 dynamic electricity market 中的决策提供了宝贵的见解和工具。
引用
@article{arxiv.2510.16898,
title = {Adaptive Online Learning with LSTM Networks for Energy Price Prediction},
author = {Salih Salihoglu and Ibrahim Ahmed and Afshin Asadi},
journal= {arXiv preprint arXiv:2510.16898},
year = {2025}
}