电力市场曲线的潜在空间表示：保持结构完整性
机器学习
2026-02-04 v2
摘要
高效地表示供需曲线对于能源市场分析和下游建模至关重要；然而，降维通常会产生违反单调性等基本经济学原理的重建结果。本文评估了 PCA、Kernel PCA、UMAP 和 AutoEncoder 在 2d 和 3d 潜在空间中的性能。在预处理阶段，我们对原始数据进行变换以实现统一结构，减轻异常值影响，并聚焦于关键曲线段。为确保理论有效性，我们引入 Isotonic Regression 作为可选的后处理步骤，以对重建输出强制执行单调约束。基于三年小时级 MIBEL 数据集的结果表明，非线性技术 UMAP 始终优于其他方法，在多个误差指标上稳居榜首。此外，Isotonic Regression 作为一个关键的校正层，显著降低了误差并恢复了多种方法的物理有效性。我们认为，UMAP 的局部结构保持能力结合智能后处理，为预测、分类和聚类等下游任务提供了稳健的基础。
引用
@article{arxiv.2503.11294,
title = {Latent Space Representation of Electricity Market Curves: Maintaining Structural Integrity},
author = {Martin Výboh and Zuzana Chladná and Gabriela Grmanová and Mária Lucká},
journal= {arXiv preprint arXiv:2503.11294},
year = {2026}
}
备注
8 pages, 3 figures