Forecasting the Intra-Day Spread Densities of Electricity Prices
London Business School（伦敦商学院）
电力交易商、仓储和电动汽车运营商对日内价差感兴趣。本文制定了动态密度函数，基于偏T和类似的表示，模型和预测德国的电力价格之间的价差不同的时间的一天，揭示了在一天前的拍卖。密度函数的四个规格是动态的，并取决于外部驱动程序，从而允许密度的位置，规模和形状参数，以每小时响应天气和需求预测等因素。每个价差的最佳拟合和预测规格是根据弹球损失函数选择的，遵循累积分布函数的封闭形式解析解。
2020-02-20 cs.LG econ.EM stat.AP
The value of forecasts: Quantifying the economic gains of accurate quarter-hourly electricity price forecasts
我们提出了一个多变量弹性网络回归预测模型，德国每季度电力现货市场。虽然文献是不同的一天前的预测方法，无论是日内连续和日内呼叫拍卖价格没有得到深入研究，明确的重点是预测能力。除了电价预测外，我们还检查早盘（DA）EXAA价格对盘中预测的影响。本文的另一个新颖之处是对经济效益的补充讨论。精确的估计如果不能被利用，就毫无价值。我们根据我们的预测方案详细阐述可能的交易决策，并分析其货币影响。我们发现，即使是简单的电力交易策略，可以导致实质性的经济影响，如果结合一个体面的预测技术。
2018-11-21 econ.EM q-fin.PM q-fin.RM
From point forecasts to multivariate probabilistic forecasts: The Schaake shuffle for day-ahead electricity price forecasting
价格风险建模是能源市场经济决策的关键。除了单一价格的风险之外，多个价格的相关结构也常常是相关的。因此，我们提出了一个通用的和易于实现的方法，用于创建多变量概率预测的基础上，一天前的电价单变量点预测。虽然每个单变量点预测指的是一天中的一个24小时，但多变量预测分布对跨小时的相关性进行建模。所提出的方法是基于简单的Copula技术和一个可选的时间序列组件。我们举例说明了Lago等人（2020）最近提供的五个基准数据集的方法。此外，我们展示了一个例子，为连续电价的加权和构建现实的预测区间，例如，需要为单个负载配置文件定价。
2022-04-21 econ.EM stat.AP
Forecasting Australian Electricity Generation by Fuel Mix
针对可变可再生能源占比提升导致发电难预测的问题，提出两种基于预测协调与成分数据分析的统计方法，经澳大利亚五个电力市场验证，自下而上分层预测法准确率最优，且化石燃料占比高的系统预测更准。
2025-10-29 stat.AP
Adaptive Probabilistic Forecasting of Electricity (Net-)Load
本文提出基于 Kalman filter、残差分位数回归与在线专家聚合的自适应概率电力负荷预测方法，并在英国净负荷和美国七城需求数据上验证其显著提升点预测与概率预测性能。
2023-04-24 stat.AP stat.ME stat.ML
A Multivariate Dependence Analysis for Electricity Prices, Demand and Renewable Energy Sources
本文通过一个多变量Copula模型（同时研究欧洲最广泛的研究市场德国）来考察电价、需求和可再生能源之间的依赖关系。随着时间的推移，深入研究和监测相互依赖关系，特别强调尾部行为。为此，适当的尾部相关措施，考虑到多元极端的情况下适当确定{通过}肯德尔的分布函数。经验证据表明，电力价格，可再生能源和需求之间的强关联在一天内，并在研究年。因此，该分析为进一步和不同的激励措施提供了指导，以促进绿色能源发电，同时考虑到所涉及的变量的时变依赖性
2022-01-04 econ.EM stat.AP stat.OT
Probabilistic Forecasting and Simulation of Electricity Markets via Online Dictionary Learning
研究了随机发电和随机需求的实时电力市场的概率预测和在线仿真问题。利用直流最优潮流的参数结构，提出了一种基于在线字典学习（ODL）的新方法。ODL方法结合了实时测量和历史轨迹，以预测未来位置边际价格、潮流和调度水平的联合和边际概率分布，并以预测时的系统状态为条件。与标准的蒙特卡罗模拟技术相比，ODL方法在计算时间上提供了几个数量级的改进，使其成为可行的在线预测的市场运作。对大中型电力系统的数值仿真表明了该算法的性能和复杂性，以及它作为系统运行人员工具的潜力。
2016-06-25 stat.AP stat.ML
Probabilistic Forecasting for Day-ahead Electricity Prices, Battery Trading Strategies and the Economic Evaluation of Predictive Accuracy
University of Duisburg-Essen（杜伊斯堡-埃森大学）；Statkraft Trading GmbH（Statkraft交易有限公司）
本文探讨了概率预测在电力价格、电池交易和预测准确性评估中的应用，指出传统量化交易策略的不足，并通过德国电力市场案例研究，揭示了预测模型评估的挑战与改进方向。
2026-04-21 econ.EM q-fin.PM q-fin.ST
Calibration window selection based on change-point detection for forecasting electricity prices
我们采用最近提出的变点检测算法，窄过阈值（NOT）的方法，选择子周期的过去的观察，是类似于当前记录的值。然后，与传统的时间序列方法，其中最近的$τ$观测值作为校准样本，我们估计自回归模型只在这些子周期的数据。我们使用一个具有挑战性的数据集-德国EPEX SPOT市场的日前电价-来说明我们的方法，并观察到与常用方法（包括自回归混合最近邻（ARHNN）方法）相比，预测精度有了显着提高。
2022-04-02 cs.CE q-fin.ST stat.AP
Multivariate Constrained Robust M-Regression for Shaping Forward Curves in Electricity Markets
本文提出了一种多变量约束鲁棒M-回归（MCRM）方法来估计电力远期价格的形成系数。新方法的一个重要优点是，模型套利可以排除在初级水平，因为所有的成形系数被同时处理。此外，新方法对离群值是鲁棒的，使得所提供的结果是稳定的，并且对市场中的孤立火花或下降不敏感。提出了一种有效的算法，以较低的计算成本估计所有的成形系数。为了说明其良好的性能，该方法适用于德国的电价。
2018-06-26 stat.AP
Probabilistic Mid- and Long-Term Electricity Price Forecasting
电力市场的自由化和可再生能源的开发给决策者带来了新的挑战。这些挑战伴随着未来电价走势的不确定性增加。旨在建立短期电价模型和预测电价的论文越来越多，为市场参与者提供了新的机会。然而，关于中期和长期价格预测问题的电力价格文献似乎非常稀少，而这是投资和政治决策所必须的。我们的论文通过引入一种新的方法来模拟几个月到三年的每小时分辨率的电价来弥补这一差距。考虑到未来事件的不确定性，我们能够提供概率预测，即使从长期来看，也能够检测价格飙升的概率。作为市场，我们决定使用德国和奥地利的EPEX日前电力市场。我们的模型扩展了X模型，主要利用销售和购买曲线的电力日前拍卖。通过应用我们的程序，我们能够给出概率，由于EEG的实际相关事件的连续六个小时的负价格。我们发现，使用的供应和需求曲线为基础的模型，从长远来看，产生现实的模式，电力价格的时间序列，并导致有希望的结果考虑常见的错误措施。
2018-05-17 q-fin.ST stat.AP
A fractional Brownian -- Hawkes model for the Italian electricity spot market: estimation and forecasting
提出由Hawkes和分数布朗过程驱动的双因子模型，用于描述和预测意大利电力市场毛价格，并验证了其预测性能。
2019-11-26 stat.AP
Interval Forecasting of Electricity Demand: A Novel Bivariate EMD-based Support Vector Regression Modeling Framework
在电力系统规划和运行决策中，高精度的电力需求区间预测是通过提供范围而不是点估计来成功降低风险的基础。在这项研究中，一种新的建模框架集成双变量经验模式分解（BEMD）和支持向量回归（SVR），扩展了成熟的经验模式分解（EMD）为基础的时间序列建模框架的能源需求预测文献，提出了电力需求的区间预测。本研究的新颖性来自就业BEMD，一个新的扩展经典经验模型分解（EMD）注定要处理二元时间序列作为复值时间序列，作为分解方法，而不是经典的EMD只能分解一维单值时间序列。该建模框架被赋予BEMD同时分解的下限和上限的时间序列，构建在复值时间序列的形式，电力需求每月每小时的基础上，从而捕捉潜在的相互关系的下限和上限。建议的建模框架是合理的，每月间隔值的电力需求数据每小时在宾夕法尼亚州新泽西州马里兰州互联，表明它是一个很有前途的方法，区间值的电力需求预测。
2014-06-15 cs.LG stat.AP
Probabilistic Forecasting for Daily Electricity Loads and Quantiles for Curve-to-Curve Regression
电力负荷曲线的概率预测对于在日益波动和竞争激烈的能源市场中进行有效的调度和决策至关重要。我们提出了一种新的方法来构建概率预测曲线（PPC），这导致了一个自然的和新的分位数的定义曲线到曲线线性回归的上下文中。PPC有三种类型：预测集、预测带和预测分位数，所有这些都是在预先指定的名义概率水平上定义的。在仿真研究中，PPC在多种数据生成机制下都能获得较好的覆盖概率。在法国日负荷曲线的一天前预测中，PPC在预测精度、覆盖率和预测带平均长度方面优于几种最先进的预测方法。预测分位数曲线提供了有见地的信息，这是高度相关的电力供应管理中的对冲风险。
2020-11-11 stat.AP stat.ME
Short- and long-term forecasting of electricity prices using embedding of calendar information in neural networks
电价在很大程度上取决于不同时间尺度的季节性，因此任何电价预测都必须考虑到这一点。神经网络在短期电价预测方面已被证明是成功的，但LSTM等复杂架构被用于整合季节性行为。本文表明，简单的神经网络架构，如DNN与季节性信息的嵌入层可以生成一个有竞争力的预测。日历信息的基于嵌入的处理还为神经网络在电力交易中开辟了新的应用，例如生成价格远期曲线。除了理论基础，本文还提供了德国电力市场的实证多年的研究，这两个应用程序，并从嵌入层得出经济见解。研究表明，在短期价格预测中，具有嵌入层的拟议神经网络的平均绝对误差优于LSTM和时间序列基准模型，甚至略优于我们的最佳基准模型，具有复杂的超参数优化。结果得到了使用Friedman和Holm检验的统计分析的支持。
2022-02-02 stat.AP
Human spatial dynamics for electricity demand forecasting: the case of France during the 2022 energy crisis
针对2022年能源危机下法国用电骤变，本文利用移动网络流动性指数刻画工作空间动态，并证明其可显著提升电力需求预测性能。
2023-09-28 stat.AP
Short Term Electricity Load Forecasting on Varying Levels of Aggregation
我们提出了一个简单的经验标度法，描述了在不同层次的聚合负荷预测精度。该模型是合理的基础上一个简单的分解个人消费模式。我们发现，对于不同的预测方法和视野，聚集更多的客户提高了相对预测性能的特定点。超过该点，就不能获得更多的相对性能的改善。
2017-08-30 cs.SI stat.AP
Adaptive Methods for Short-Term Electricity Load Forecasting During COVID-19 Lockdown in France
Électricité de France R&D（法国电力公司研发部）
2019冠状病毒病（COVID-19）大流行促使世界上许多国家的政府实施严格的封锁，所有非必要的企业都被关闭，公民被命令留在家中。这项政策的后果之一是电力消费模式发生了重大变化。由于负荷预测模型依赖日历或气象资料，并根据历史数据进行训练，因此未能捕捉封锁导致的重大中断，且自疫情开始以来表现欠佳。这使得电力生产的调度具有挑战性，并且对于电力生产商和电网运营商都具有高成本。在本文中，我们介绍了自适应广义可加模型使用卡尔曼滤波器和微调，以适应新的电力消费模式。此外，转移意大利封锁的知识，以预测法国的行为变化。所提出的方法应用于预测法国封锁期间的电力需求，在那里他们证明了自己的能力，以显着减少预测误差相比，传统的模型。最后，专家汇总用于利用每个预测的具体性，并进一步增强结果。
2020-09-14 cs.LG stat.AP stat.ML
Short-term CO2 emissions forecasting based on decomposition approaches and its impact on electricity market scheduling
世界正面临着与全球变暖有关的重大挑战，温室气体排放是一个主要原因。2017年，能源行业占全球二氧化碳排放量的46%，显示出巨大的减排潜力。本文提出了一种新的短期CO2排放预测，以实现灵活的电力消耗的智能调度，以最大限度地减少由此产生的CO2排放。提出了两种时间序列分解方法，用于电力CO2排放量的短期预测。这些都是反过来基准对一套国家的最先进的模型。其结果是一种新的预测方法与48小时的地平线针对日前的电力市场。法国的预测基准表明，新方法的平均绝对百分比误差比性能最好的最先进模型低25%。此外，应用预测调度灵活的电力消费研究了五个欧洲国家。在24小时间隔内安排一个灵活的4小时用电时间段，与一天中随机间隔的用电时间相比，平均可以减少25%的二氧化碳排放量，在法国，17%在德国，69%在挪威，20%在丹麦，而在波兰仅为3%。
2020-10-18 stat.AP
From day-ahead to mid and long-term horizons with econometric electricity price forecasting models
针对能源危机引发的中长期电价预测需求，提出通过约束系数、纳入季节性预期和推演同日关系解决关键挑战，在德国市场利用正则化回归和广义可加模型构建了从日前到提前一年的可解释预测框架。
2024-08-25 econ.EM stat.AP
Hierarchical transfer learning with applications for electricity load forecasting
最近大量的不同尺度的电力消费数据带来了新的挑战，并突出表明需要新的技术来利用更精细尺度的信息，以改善更广泛尺度的预测。在这项工作中，我们利用了这种分层预测问题和多尺度迁移学习之间的相似性。我们开发了两种方法的分层迁移学习，分别基于堆叠的广义可加模型和随机森林，并使用聚集的专家。我们将这些方法应用于两个问题的电力负荷预测在全国范围内，使用智能电表数据在第一种情况下，和区域数据在第二种情况下。对于这两个用例，我们比较我们的方法的基准算法的性能，我们调查他们的行为使用变量的重要性分析。我们的研究结果表明，这两种方法的兴趣，导致显着改善的预测。
2022-11-22 stat.AP stat.ME stat.ML
Expectile regression averaging method for probabilistic forecasting of electricity prices
本文提出一种结合点预测平均与 expectile 回归的电价概率预测新方法，应用于德国日前市场并验证其优于 quantile 方法，同时指出建模前需进行方差稳定变换。
2024-02-12 stat.AP
Neural networks in day-ahead electricity price forecasting: Single vs. multiple outputs
Wrocław University of Science and Technology（弗罗茨瓦夫科技大学）；Delft University of Technology（代尔夫特理工大学）；Energyville（能源城）；Flemish Institute for Technological Research (VITO)（弗拉芒技术研究院）
人工智能和机器学习方法领域的最新进展导致其在文献中的受欢迎程度显著增加，包括电价预测。所述方法覆盖非常广泛的范围，从决策树，通过随机森林到各种人工神经网络模型和混合方法。在电价预测中，神经网络是最流行的机器学习方法，因为它们为经过良好测试的线性回归模型提供了非线性对应物。然而，它们的应用并不简单，需要考虑多种实施因素。其中一个因素是网络的结构。本文对使用深度神经网络时两种最常见的结构进行了全面比较-一种是分别关注一天中的每个小时，另一种是反映每日拍卖结构和价格模型向量。结果表明，使用后者的显着的准确性优势，从五个不同的电力交换的数据证实。
2020-08-18 cs.LG q-fin.ST stat.AP
Postprocessing of point predictions for probabilistic forecasting of day-ahead electricity prices: The benefits of using isotonic distributional regression
针对现有电价模型多仅提供点预测的问题，本文研究三种点预测转概率预测的后处理方法，发现保序分布回归对集成贡献最大，且集成方法在德西电力市场测试中性能优于前沿分布深度神经网络。
2024-10-06 q-fin.ST stat.AP stat.ML
Forecasting day-ahead electricity prices in Europe: the importance of considering market integration
Delft University of Technology（代尔夫特理工大学）；VITO-Energyville（VITO-能源城）；Vrije Universiteit Brussel（布鲁塞尔自由大学）
在电力市场日益一体化的激励下，本文提出了两种不同的方法，将市场一体化的电价预测，提高预测性能。首先，我们提出了一个深度神经网络，它考虑了连接市场的特征，以提高本地市场的预测准确性。为了衡量这些功能的重要性，我们提出了一种新的功能选择算法，通过使用贝叶斯优化和功能方差分析，评估算法性能的功能的影响。此外，使用市场整合，我们提出了第二个模型，通过同时预测两个市场的价格，进一步提高了预测精度。作为一个案例研究，我们考虑在比利时的电力市场和预测精度的提高时，使用各种法国电力功能。我们表明，这两个模型导致统计上显着的改进。特别是，由于市场整合，预测精度从15.7%提高到12.5%sMAPE（对称平均绝对百分比误差）。此外，我们表明，所提出的特征选择算法能够执行正确的评估，即丢弃不相关的功能。
2017-12-07 cs.CE cs.LG cs.NE
Modeling and forecasting electricity spot prices: A functional data perspective
经典的时间序列模型难以对电价的巨大波动进行建模和预测。马尔可夫状态转换模型属于电力文献中最常用的模型。这些模型试图通过使用不同的制度来捕捉电力现货价格的波动，每个制度都有自己的均值和协方差结构。通常，一种制度致力于中等价格，另一种制度致力于高价格。然而，这些模型表现不佳，并且这种分类没有理论依据。优序模型，最重要的微观经济定价模型的电力现货价格，但是，建议一个连续的平均水平的功能依赖于电力需求。我们提出了一个新的统计角度建模和预测电力现货价格占优序模型。在第一步中，电力现货价格和电力需求之间的函数关系建模的每日价格需求函数。在第二步中，我们参数化的一系列的每日价格需求函数使用的功能因子模型。这种新的视角的力量证明了预测研究，比较我们的功能因子模型与两个经典的时间序列模型，以及两个替代功能数据模型。
2013-11-28 stat.AP
State-Space Models Win the IEEE DataPort Competition on Post-covid Day-ahead Electricity Load Forecasting
提出了电力需求预测竞赛的获胜策略。该竞赛旨在为2020年春季开始的不稳定时期设计新的预测方法。我们依靠状态空间模型来适应标准的统计和机器学习模型。我们认为它在两个极端之间达成了正确的妥协。一方面，纯时间序列模型（如自回归模型）本质上是自适应的，但无法捕捉对外生变量的依赖性。另一方面，机器学习方法允许学习对历史数据集上的解释变量的复杂依赖性，但不能准确地预测非平稳数据。比赛的评估阶段是试错的机会，我们把重点放在最后的预测程序上。特别是，它是在同一时间，最近的算法设计，以适应状态空间模型的方差，我们目前的结果，最终版本。不过，我们还是要讨论今天的预测。
2021-10-01 stat.AP stat.ME stat.ML
Probabilistic intraday electricity price forecasting using generative machine learning
Institute of Statistics, Karlsruhe Institute of Technology（卡尔斯鲁厄技术大学统计研究所）；Heidelberg Institute for Theoretical Studies（海德堡理论研究所）；Department of Mathematics and Computer Science, Marburg University（马堡大学数学与计算机科学系）；Department of Operations Research and Business Intelligence, Wrocław University of Science and Technology（波兹南大学 of Science and Technology 运筹学与商业智能系）
提出一种生成式神经网络模型用于日内电价的概率路径预测，并基于该预测构建交易策略，在统计指标与实际经济收益上均优于基准方法。
2025-05-28 cs.LG stat.AP stat.ML
Smoothed Bernstein Online Aggregation for Day-Ahead Electricity Demand Forecasting
House of Energy Markets and Finance（能源市场与金融研究院）；University of Duisburg-Essen（杜伊斯堡-埃森大学）
我们介绍了IEEE数据端口竞赛的获胜方法，即提前一天的电力需求预测：后COVID范式。日前负荷预测方法是基于多点预测模型的在线预测组合。它包含四个步骤：i）数据清洗和预处理，ii）假日调整程序，iii）个体预测模型的训练，iv）通过平滑Bernstein在线聚合（BOA）的预测组合。该方法灵活，可快速适应COVID-19期间和之后发生的新能源系统情况。单个预测模型的范围从相当简单的时间序列模型到复杂的模型，如广义加性模型（GAM）和lasso估计的高维线性模型。它们有效地结合了自回归、日历和天气效果。所有步骤都包含新的概念，有助于所提出的方法的出色的预测性能。这尤其适用于假日调整程序和完全自适应平滑BOA方法。
2021-07-13 cs.CE cs.LG cs.SY
Data-driven Calibration Sample Selection and Forecast Combination in Electricity Price Forecasting: An Application of the ARHNN Method
本文应用ARHNN方法于电价预测，通过校准样本选择与预测组合提升精度，优于基准达10%，并简化变体降低计算成本，在电池储能交易中实现80%理论最大利润。
2025-10-16 stat.AP stat.ML
Day-Ahead Electricity Price Forecasting Using a Multivariate Group Lasso Method
Rutgers, The State University of New Jersey（新泽西州立罗格斯大学）；PG&E, Pacific Gas & Electric Company（太平洋燃气和电力公司）；University College, Korea University（高丽大学学院）
针对电价序列中的时间组效应，提出基于Group Lasso的多变量统计方法进行日前电价向量预测，在CAISO数据上显著提升点预测和概率预测精度，并在国际竞赛中获第二名。
2026-10-09 cs.SY eess.SY stat.AP
A Single Scalable LSTM Model for Short-Term Forecasting of Disaggregated Electricity Loads
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；UC3M-Santander Big Data Institute (IBiDat)（马德里卡洛斯三世大学-桑坦德大数据研究所（IBiDat））
全球大多数电力系统都在部署先进的计量基础设施，以收集相关的运营数据。特别是，智能电表允许以非常分散的水平和高频率跟踪电力负荷消耗。这些数据开启了开发新的预测模型的可能性，对电力系统具有潜在的积极影响。我们提出了一个通用的方法，能够处理和预测大量的智能电表时间序列。我们没有使用传统的单变量方法，而是开发了一个单一但复杂的具有长短期记忆的递归神经网络模型，该模型可以捕获个人消费模式以及不同家庭的消费。由此产生的模型可以准确地预测个人消费者的未来负荷（短期），即使这些负荷不包括在原始训练集中。这为大规模应用带来了巨大的潜力，因为一旦训练好单个网络，就可以在几乎没有计算成本的情况下获得对新消费者的准确个人预测。所提出的模型进行了测试下，一个大的数值实验，使用真实世界的数据集与数以千计的分解电力消费时间序列。此外，我们探讨了消费者的地理人口细分可能会影响模型的预测准确性。
2020-03-06 cs.LG eess.SP stat.AP
Electricity Price Forecasting: The Dawn of Machine Learning
电力价格预测（EPF）是电力工程、统计学、计算机科学和金融学的一个分支，主要研究在整个范围内预测电力批发市场的价格。这些时间范围从几分钟（实时/日内拍卖和连续交易）到几天（日前拍卖），到几周，几个月甚至几年（交易所和场外交易的期货和远期合约）。在过去的25年中，各种方法和计算工具已被应用于日内和日前EPF。直到21世纪10年代初，该领域一直由相对较小的线性回归模型和（人工）神经网络主导，通常不超过20多个输入。随着时间的推移，更多的数据和更多的计算能力变得可用。模型变得越来越大，以至于专家知识不再足以管理复杂的结构。这反过来又导致了机器学习（ML）技术在这个快速发展和迷人的领域的引入。在这里，我们概述了截至2022年的主要趋势和EPF模型。
2022-04-02 eess.SP q-fin.ST stat.AP
GEFCOM 2014 - Probabilistic Electricity Price Forecasting
Budapest University of Technology and Economics（布达佩斯技术与经济大学）
能源价格预测是多步时间序列预测领域中的一个重要而又困难的课题。在本文中，我们比较了一个众所周知的和既定的方法，ARMA与一个相对较新的技术梯度提升回归的外生变量。该方法在2014年全球能源预测竞赛的数据上进行了测试，并进行了为期一年的滚动窗口预测。实验结果表明，多模型方法在误差度量方面表现得更好。梯度提升可以处理季节性和自相关的开箱即用，并在真实世界数据上实现较低的归一化平均绝对误差率。
2015-06-23 cs.CE cs.LG stat.AP
Ensemble Forecasting for Intraday Electricity Prices: Simulating Trajectories
University of Duisburg-Essen（杜伊斯堡-埃森大学）
最近关于点电价预测的研究表明，每小时德国日内连续市场是弱式有效的。因此，我们采取了一种新颖的、先进的方法来解决这个问题。通过模拟每个交易窗口中的轨迹来执行每小时日内电价的概率预测，以接收真实的集合，从而允许更有效的日内交易和重新调度。一个广义的加法模型被拟合到价格差，假设它们遵循零膨胀分布，确切地说是狄拉克分布和学生t分布的混合。此外，使用具有套索惩罚的高维逻辑回归估计混合项。我们使用i.a.对序列的期望值和波动率进行建模。自回归和无交易效应或负荷、风能和太阳能发电预测，并考虑到例如到期时间的非线性。使用滚动窗口预测研究的样本内特性和预测性能进行了分析。多个版本的模型进行了比较，几个基准模型，并使用概率预测措施和显着性检验进行评估。该研究旨在预测德国日内连续市场在最后3小时交易中的价格分布，但该方法可以应用于其他连续市场，特别是欧洲市场。结果证明了混合模型的优越性，从波动率的建模中获得最多的基准。它们还表明，XBID的引入降低了市场波动。
2020-08-29 cs.LG cs.SY econ.EM
Electricity Load and Peak Forecasting: Feature Engineering, Probabilistic LightGBM and Temporal Hierarchies
本文介绍了一种在BigDeal 2022能源竞赛中取得高排名的电力负荷与峰值预测模型，通过基于聚类置换的特征工程、概率LightGBM及时间层次结构组合预测提升准确性。
2023-05-09 stat.AP
Regularization for electricity price forecasting
本研究在两种模型结构和两个电力市场中评估了十种惩罚函数在电力价格预测中的表现，发现 LQ 和 elastic net 始终优于包括 LASSO 在内的其他正则化方法，且交叉验证在参数优化中表现最佳。
2024-04-05 q-fin.ST stat.AP
AutoML Algorithms for Online Generalized Additive Model Selection: Application to Electricity Demand Forecasting
EDF R&D（法国电力公司研发部）；Inria Paris（法国国家信息与自动化研究所巴黎分部）；Sorbonne Université（索邦大学）
本文提出利用DRAGON包优化在线GAM的公式与自适应参数，实现自动化的模型选择，并在法国短期电力需求预测中验证了该方法的有效性。
2025-03-31 cs.LG stat.AP stat.ML
Forecasting Italian daily electricity generation disaggregated by geographical zones and energy sources using coherent forecast combination
针对意大利按地理区域和能源来源分解的每日发电量层级预测不一致问题，提出相干平衡多任务预测组合方法，提升了预测准确性与约束相干性。
2025-02-17 stat.AP stat.ME
Coping with area price risk in electricity markets: Forecasting Contracts for Difference in the Nordic power market
差价合约（CfD）是区域价格和系统价格之间价差的远期。这些产品与系统价格远期一起用于对冲北欧电力市场的区域价格风险。CfD通常在接下来的两个月，三个季度和三年内可用。这是好的，除了CfD不是在纳斯达克OMX商品交易的每一个北池现货价格区。因此，我们提出一个假设性的问题：如果CfD被交易，那么在价格区域NO2中，CfD的市场价格会是多少？我们为每个可观察的价格区域建立回归模型，并使用贝叶斯启发技术来获得关于不同价格区域如何相似的先验信息，以预测CfD不交易的区域的价格。
2014-06-26 q-fin.ST stat.AP
On particle filters applied to electricity load forecasting
我们感兴趣的是在动态模型的贝叶斯框架内的电力负荷的在线预测。我们提供了一个审查的序贯蒙特卡罗方法，并提供了计算所需的推导所谓的粒子过滤器。我们还讨论了从他们的使用所产生的实际问题，和一些在文献中提出的变种，以处理它们，尽可能提供详细的算法，以方便实施。我们提出了一个额外的步骤，以帮助使基本的粒子滤波器更强大的离群观测。最后，我们使用这样的粒子滤波器估计的状态空间模型，其中包括外生变量，以预测电力负荷的客户的法国电力公司法国电力公司，并讨论所获得的各种结果。
2013-04-15 math.ST stat.AP stat.TH
mshw, a forecasting library to predict short-term electricity demand based on multiple seasonal Holt-Winters
Universitat Politècnica de València（瓦伦西亚理工大学）
本文提出MATLAB工具箱mshw，结合多重季节性Holt-Winters指数平滑与神经网络模型，并引入离散区间移动季节性以改进特殊日期预测，在欧洲多个电力系统中验证了其有效性。
2024-02-15 cs.LG econ.EM stat.AP
Construction of an informative hierarchical prior for a small sample with the help of historical data and application to electricity load forecasting
我们感兴趣的是在一个短的数据集上的参数模型的估计和预测，预计它会过拟合和表现不佳。为了克服缺乏数据（相对于模型的维度），我们提出了一个信息层次贝叶斯先验的基础上，另一个较长的数据集，这是假设共享一些相似之处，与原始的，短的数据集的建设。我们说明了我们的先验对来自三个标准模型的模拟数据集的性能。然后，我们将该方法应用于实际数据集上的电力负荷预测的工作模型，在那里它导致预测质量的大幅提高。
2014-03-25 math.ST stat.AP stat.TH
Interpretable modeling for short- and medium-term electricity load forecasting
我们考虑的问题，短期和中期的电力负荷预测，通过使用过去的负荷和每日的天气预报信息。传统上，许多研究人员直接应用回归分析。然而，解释天气对这些负荷的影响是困难的与现有的方法。在这项研究中，我们建立了一个统计模型，解决这个解释问题。一个基展开的变系数模式被用来捕捉天气效应的非线性结构。当回归系数为非负时，这种方法产生可解释的模型。为了估计非负回归系数，我们采用非负最小二乘法。三个实际数据分析表明，我们提出的统计建模的实用性。其中两个证明了我们所提出的方法具有良好的预测精度和可解释性。在第三个例子中，我们调查了COVID-19对电力负荷的影响。这种解释将有助于制定节能干预和需求响应战略。
2020-07-02 stat.AP stat.ME
Electricity Demand Forecasting with Hybrid Statistical and Machine Learning Algorithms: Case Study of Ukraine
Europa-Universität Flensburg（弗伦斯堡欧洲大学）；Europa-Universität Viadrina（奥得河畔法兰克福欧洲大学）；DLR Institute of Networked Energy Systems（德国航空航天中心联网能源系统研究所）
本文针对乌克兰电力需求预测问题，提出一种融合宏观经济回归、ARIMA、ARMA与LSTM的混合模型，在17520个时间步的样本外预测中达到96.83%的准确率。
2023-04-11 cs.LG stat.AP
Bayesian Hierarchical Probabilistic Forecasting of Intraday Electricity Prices
Computational Statistics and Data Analysis, Institute of Mathematics, University of Augsburg（计算统计与数据分析研究所，数学学院，乌尔姆大学）
本研究首次对德国日内电力价格进行贝叶斯分层概率预测，采用OMP和正则化先验处理协变量，在2022年高波动数据上验证，相比基准和LASSO显著提升预测精度。
2024-11-27 cs.LG stat.AP
Forecasting electricity consumption by aggregating specialized experts
Ecole Normale Supérieure（巴黎高等师范学院）；CNRS（法国国家科学研究中心）；INRIA（法国国家信息与自动化研究所）；EDF R&D（法国电力集团研发部）；HEC Paris（巴黎高等商学院）
我们考虑设置的顺序预测的任意序列的基础上，专门的专家。我们首先回顾了相关文献，并提出了两个理论贡献：Freund等人（1997）的专家聚集规则的一般分析和Herbster和Warrant（1998）在此设置中的固定份额规则的适应。然后，我们将这些规则应用于连续的短期（提前一天）预测的电力消耗量，这样做，我们考虑两个数据集，一个Escherakian的和法国的，分别与每小时和半小时的预测。我们遵循一个一般的方法来执行所述的实证研究，并详细介绍了学习参数的调整问题。引入的聚合规则表明，在手头的数据集的准确性提高，改进在于减少均方误差，但也在一个更强大的行为相对于大的偶然错误。
2012-07-09 cs.LG stat.AP stat.ML
Forecasting day-ahead electricity prices: A review of state-of-the-art algorithms, best practices and an open-access benchmark
Delft University of Technology（代尔夫特理工大学）；Energyville（能源城（能源研究机构））；Flemish Institute for Technological Research (VITO)（弗拉芒技术研究院）；Wrocław University of Science and Technology（弗罗茨瓦夫理工大学）
虽然电价预测领域在过去二十年中受益于大量的贡献，但可以说缺乏严格的方法来评估新的预测算法。后者通常使用独特的、非公开可用的数据集进行比较，并且在太短且仅限于一个市场的测试样本中进行比较。所提出的新方法很少以成熟和性能良好的简单模型为基准，准确性指标有时不足，很少测试预测性能差异的显著性。因此，目前尚不清楚哪些方法表现良好，也不清楚预测电价时的最佳做法是什么。在本文中，我们通过对最先进的模型进行文献调查，比较多年和市场中最先进的统计和深度学习方法，并提出一套最佳实践来解决这些问题。此外，我们还提供了所考虑的数据集、最先进模型的预测以及专门设计的Python工具箱，以便在未来的研究中对新算法进行严格的评估。
2020-12-21 cs.LG q-fin.ST stat.AP
Forecasting electricity prices with machine learning: Predictor sensitivity
目的：电力市场上的交易发生在交货前，通常是提前一天进行价格结算。实际上，这些价格波动很大，因为它们在很大程度上取决于一系列变量，如电力需求和可再生能源的上网。因此，需要准确的预测。方法：本文旨在比较来自供给侧（太阳能和风力发电）、需求侧、燃料相关和经济影响的不同预测因素。出于这个原因，我们从机器学习中实现了广泛的非线性模型，并利用基于信息融合的敏感性分析。结果：我们解开每个预测的各自的相关性。我们发现，外部预测总共减少根均方误差高达21.96%。一个Diebold-Mariano测试统计证明，所提出的机器学习模型的预测精度是优越的。独创性：添加更多预测因子的好处直到最近才受到关注;然而，人们对单个变量如何有助于改善机器学习中的预测知之甚少。
2020-05-16 stat.AP
Frugal day-ahead forecasting of multiple local electricity loads by aggregating adaptive models
Électricité de France R&D（法国电力公司研发部）；Viking Conseil（维京咨询公司）
我们专注于日前的电力负荷预测的变电站的配电网在法国，因此，我们的问题在于一个单一的消费和稳定的全国总需求之间的不稳定性。此外，我们有兴趣预测一千多个变电站的负荷，因此，我们是在预测多个时间序列的背景下。为此，我们依赖于一种自适应方法，在全国范围内提供了出色的结果;这个想法是将广义加性模型与状态空间表示相结合。然而，这种方法的扩展到超过一千个时间序列的预测提出了一个计算问题。我们解决它通过开发一个节俭的变体，减少估计的参数的数量，我们估计的预测模型只有少数时间序列，并实现迁移学习依靠专家的聚合。它减少了计算需求及其相关排放。我们建立了几个变体，对应于不同级别的参数传递，我们寻找准确性和节俭之间的最佳权衡。与最先进的单个模型相比，所选方法实现了具有竞争力的结果。最后，我们强调了模型的可解释性，这对业务应用程序很重要。
2023-02-16 cs.LG stat.AP stat.ME
Meta-Regression Analysis of Errors in Short-Term Electricity Load Forecasting
University of Bamberg（班贝格大学）
本文通过元回归分析59项研究中421个短期电力负荷预测模型，发现电网层级、预测粒度和算法显著影响MAPE，而数据集规模等无显著影响，并指出LSTM及神经网络组合方法表现最佳。
2023-05-29 cs.LG stat.AP
Smoothing Quantile Regression Averaging: A new approach to probabilistic forecasting of electricity prices
针对电力市场短期电价预测需求，提出平滑分位数回归平均方法，经含疫情及地缘冲突时期数据的两个市场验证，该方法在预测性能和交易收益上均优于点预测基准，证明了概率预测的实用价值。
2024-11-19 q-fin.CP stat.AP
Deep Distributional Time Series Models and the Probabilistic Forecasting of Intraday Electricity Prices
本文基于回声状态网络提出两种深度时间序列概率模型，并利用贝叶斯MCMC方法估计，在澳大利亚国家电力市场数据上实现了高精度的日内电价短期概率预测，其中隐式Copula模型表现最优。
2021-05-27 econ.EM stat.AP stat.CO
Day Ahead Price Forecasting Models in Thin Electricity Market
印度的未来电力市场（DAM）很薄，但正在增长。一致的价格预测对于它们在投资组合优化模型中的利用是重要的。具有标准外生变量（如特殊日效应等）的单变量或多变量模型并不总是有用的。需求和供应的驱动因素包括大范围地理区域的天气变化，电力系统元件的中断以及导致参与者访问电力交易所的合同的突然变化。这些都需要在预测模型中加以考虑。据观察，这种模型大大减少预测误差，优于其他模型的条件下，这是既不是罕见的，也不是在规定的时间间隔内重现。本文开发的模型，印度和测试这些模型的效用模型置信集（MCS）的方法，挑选出最好的模型。该方法已在印度的一个电力公用事业公司在一个为期两年的现场业务环境。
2020-11-03 stat.AP
