基于短训练窗口的数据驱动 Day-Ahead 市场价格预测
机器学习
2025-06-13 v1
摘要
本研究探讨了机器学习模型在预测电力 Day-Ahead 市场（DAM）价格时使用短历史训练窗口的性能，重点关注季节性趋势和价格尖峰的检测。我们评估了四种模型，即带有前馈误差纠正的 LSTM（FFEC）、XGBoost、LightGBM 和 CatBoost，在来自 ENTSO-E 预测数据的特征集中，使用三个欧洲能源市场（希腊、比利时、爱尔兰）进行测试。训练窗口长度范围为 7 到 90 天，允许评估在数据受限条件下的模型适应性。结果表明，LightGBM 在 45 天和 60 天训练窗口上始终实现最高的预测准确率和鲁棒性，这些窗口在时间相关性和学习深度之间取得了良好平衡。此外，LightGBM 在检测季节性效应和峰值价格事件方面优于 LSTM 和其他提升模型。这一发现表明，短窗口训练方法结合提升方法可以有效支持数据稀缺且波动性大的环境中的 DAM 预测。
引用
@article{arxiv.2506.10536,
title = {Data-driven Day Ahead Market Prices Forecasting: A Focus on Short Training Set Windows},
author = {Vasilis Michalakopoulos and Christoforos Menos-Aikateriniadis and Elissaios Sarmas and Antonis Zakynthinos and Pavlos S. Georgilakis and Dimitris Askounis},
journal= {arXiv preprint arXiv:2506.10536},
year = {2025}
}
备注
13 pages, 10 figures