基于正则化策略的波动市场日前电价预测基础模型
人工智能
2026-02-06 v1 机器学习
摘要
电价预测 (EPF) 对能源市场利益相关者（如电网运营商、能源交易员、政策制定者）至关重要，但由于价格信号内在的波动性和非线性特性，仍面临挑战。传统的统计模型和深度学习 (DL) 模型往往难以捕捉复杂的时间依赖性并有效整合异构数据。虽然时间序列基础模型 (TSFMs) 在一般时间序列预测任务中（如交通预测和天气预测）显示出强大的性能，但其在日前电价预测，特别是波动市场中的应用效果仍未得到充分探索。本文提出了一种尖峰正则化策略，并广泛评估了包括 Tiny Time Mixers (TTMs)、MOIRAI、MOMENT 和 TimesFM 在内的多种 TSFMs，与传统统计模型和 DL 模型（如自回归整合移动平均 (ARIMA)、长短期记忆 (LSTM) 和卷积神经网络-LSTM (CNN-LSTM)）进行比较，采用新加坡半小时频率的 wholesale 市场数据进行测试。其中，天气变量和日历变量等外生因素也被纳入模型进行分析。结果表明，TSFMs 在各种评估设置下始终优于传统方法，实现了最高可达 37.4% 的 MAPE 改进。这些发现为提高波动电力市场中的预测精度和决策提供了实际指导。
引用
@article{arxiv.2602.05430,
title = {Day-Ahead Electricity Price Forecasting for Volatile Markets Using Foundation Models with Regularization Strategy},
author = {Kritchanat Ponyuenyong and Pengyu Tu and Jia Wei Tan and Wei Soon Cheong and Jamie Ng Suat Ling and Lianlian Jiang},
journal= {arXiv preprint arXiv:2602.05430},
year = {2026}
}
备注
Accepted to AI4TS Workshop @ AAAI'26 (Oral and Poster), see https://ai4ts.github.io/aaai2026