电价预测：连接线性模型、神经网络与在线学习
机器学习
2026-03-31 v3
摘要
精确的日前电价预测对于确保高效的投资组合管理、支持发电厂运营的战略决策、实现高效的电池储存优化以及促进需求响应规划至关重要。然而，在不确定且波动的市场环境中，开发准确的预测模型极具挑战性。例如，尽管线性模型在预测电价方面通常表现出竞争性能且计算要求最低，但无法捕获相关的非线性关系。而非线性模型则能提高预测精度，但伴随计算成本的显著增加。我们引入一种新型的部分在线学习方法，作为本工作的关键贡献，显著降低了计算时间。此外，我们提出一种多变量混合神经网络架构，将线性和非线性前馈神经结构相结合。与以往混合模型不同，我们的方法集成了基于伯恩斯坦在线聚合（Bernstein Online Aggregation, BOA）的预测组合，从而进一步提高预测精度。与当前最先进的基准模型相比，所提出的预测方法在计算成本上显著降低，同时在预测精度方面表现出优势（RMSE 降低 11-12%，MAE 降低 14-17%）。我们的结果基于在主要欧洲电力市场上进行的六年预测研究得出。
引用
@article{arxiv.2601.02856,
title = {Electricity Price Forecasting: Bridging Linear Models, Neural Networks and Online Learning},
author = {Btissame El Mahtout and Florian Ziel},
journal= {arXiv preprint arXiv:2601.02856},
year = {2026}
}