中长期概率电价预测
准确预测电力价格对于电力系统管理和智能应用的发展至关重要。本研究提出了一种用于德国 - 卢森堡次日电力价格的长短期记忆（LSTM）模型，通过应对俄罗斯入侵乌克兰后欧洲电力价格的大幅上涨和高度波动等挑战，来应对现有预测方法的局限。LSTM 的循环结构允许该模型适应价格趋势，同时通过同时预测均值和标准差，实现了概率性预测。使用超统计学的物理启发方法来解释价格的统计特性，本研究表明 LSTM 模型能够忠实地重现价格和其波动情况。
Oct, 2023
使用因果推断方法，研究了北欧电力价格和主要电力发电燃料价格的动态信息流动情况。发现 Nord 和 German 的电力价格在同时段通过天然气价格进行互联，在长期内则逐渐适应到英国天然气价格共同建立的均衡价格水平。
Oct, 2011
我们首次提出了一项对德国连续日内市场上交易的电力价格进行贝叶斯预测的研究，该研究充分考虑了参数不确定性，并在后验预测分布方面给出了预测。我们使用 2022 年极其波动的电力价格进行验证，证明了在一些点度量和概率得分方面，相较于基于最后价格信息的基准模型，我们的预测模型有明显的改进。最后，我们通过提供强有力的统计证据挑战了在电力价格预测中使用 LASSO 进行特征选择的黄金标准，表明正交匹配追踪（OMP）在预测性能方面更佳。
Mar, 2024
通过比较统计学、机器学习和深度学习模型在爱尔兰平衡市场上的表现，本研究发现短期电力市场和平衡市场是基本不同的构造，并提出了一种基于 LASSO 的 LEARN 模型，其在平衡市场上的预测表现优于更复杂和计算要求更高的方法。
Feb, 2024
南澳大利亚地区的澳大利亚全国电力市场（NEM）显示了现代电力市场中观察到的最高水平的价格波动。本文概述了在这些极端条件下的概率预测方法，包括峰值过滤和几个后处理步骤。我们建议使用分位数回归作为概率预测的集成工具，我们的综合预测相对于所有组成模型都取得了更好的结果。在我们的集成框架中，我们证明了用不同的训练期长度对模型进行平均处理会得到更适应的模型和更高的预测准确性。通过将我们的中位数预测与澳大利亚 NEM 运营商提供的点预测进行比较，对最终模型的适用性进行了评估，我们的模型在预测准确性上超过了这些 NEM 预测的显著幅度。
Nov, 2023
使用全数据驱动的深度生成模型 —— 正规流模型，在电力市场的实现和预测不确定性方面进行电力价格的概率预测。研究表明，正规流模型生成高质量的场景，能够复现真实价格分布并提供高度准确的预测结果；同时，该模型在适应不断变化的市场条件方面的改进，使其能够继续采样高质量的次日价格场景，并在俄罗斯入侵乌克兰导致的能源危机中发挥重要作用。
Nov, 2023
本研究提出了 Masked Multi-Step Multivariate Probabilistic Forecasting （MMMPF）框架，通过结合过去的时间信息和未来的已知信息来进行概率预测，以训练任何能够生成输出序列的神经网络模型，用于短期和中期的多区域电力需求预测，并通过各种机器学习方法进行比较验证，结果表明提出的 MMMPF 框架不仅优于基于样本的方法，还优于现有时间序列预测模型。使用 MMMPF 训练的模型还可以生成期望分位数以捕获不确定性，并实现未来电网的概率规划。
Feb, 2023
该研究使用统计学和机器学习方法来预测国家电力需求，构建了一个完整的长、中、短期电力需求预测模型，其中跨度长的年度趋势采用宏观经济回归分析，中期模型采用温度和日历回归器，短期模型通过多个 ARMA 模型来捕捉小时级别的季节性，结果表明两年外部采样预测精度可达 96.83％。
Apr, 2023
本文提出了一种使用纯 Transformer 模型进行电价预测的新方法，并与其他替代方案进行了公平比较，结果显示 Transformer 模型优于传统方法，为可靠和可持续的电力系统运行提供了有希望的解决方案。
Mar, 2024