面向运营电价预测的准则感知条件神�过程
机器学习
2026-04-21 v1 概率论
应用统计
机器学习
摘要
本工作将贝叶斯准则检测与条件神经过程集成，用于预测德国市场的24小时电价。我们的 метод论整合了应用于日电价的解缠黏性层次Dirichlet过程隐藏马尔可夫模型(DS-HDP-HMM)的准则检测。对每个识别出的准则，随后由独立的条件神经过程(CNP)建模，训练以学习从输入情境到24维小时价格轨迹的局部分析映射，最终预测以这些CNP输出的准则加权混合形式计算。我们严格评估了R-NP与深度神经网络(DNN)和Lasso估计的自回归(LEAR)模型，通过将其预测整合到多样化的电池储能优化框架中，包括价格套利、风险管理、电网服务和成本最小化。这种运营实用性评估揭示了复杂的性能权衡：LEAR常常在绝对利润或降低成本方面表现优异，而DNN在特定成本最小化情境中表现卓越。鉴于原始预测准确性不一定转化为最优的运营结果，我们采用TOPSIS作为综合多准则评估层。我们的TOPSIS分析确定2021年LEA为第一名，但关键的是，我们提出的R-NP模型在2021、2022和2023年中表现最均衡且首选。
引用
@article{arxiv.2508.00040,
title = {Regime-Aware Conditional Neural Processes with Multi-Criteria Decision Support for Operational Electricity Price Forecasting},
author = {Abhinav Das and Stephan Schlüter},
journal= {arXiv preprint arXiv:2508.00040},
year = {2026}
}