基于学习的方法设计公平的时变定价电费策略，结合历史价格和需求响应数据，使用循环神经网络（RNN）捕捉高维度和非线性的消费者价格响应行为，并将 RNN 嵌入到定价优化模型中，提出了基于梯度的快速可扩展的解决方案。仿真使用真实消费者数据表明，公平定价策略能够保护低收入消费者免受价格飙升的冲击，同时有效激励消费者减少峰值需求，该方法还能确保公用事业公司的收益回收，并对需求响应的不确定性和预测误差具有鲁棒的性能。

Jul, 2023

通过对电力负荷预测的广泛技术进行综述，本文测试了人工智能驱动的短期负荷预测方法，包括 Facebook 的 Prophet 和 LSTM 模型，基于季节的 SARIMA 和平滑 Holt-Winters 模型，以及利用领域知识的经验回归模型。结果表明，在负荷预测任务中将持续性和回归项相结合可以实现最佳的预测准确性。

Feb, 2024

该论文提出了一种新颖的通用方法，能够预测任意分位数，并应用于两种不同的神经网络结构，在短期电力需求预测任务中取得了最新的分布预测结果。

Apr, 2024

本文通过引入一种新的方法来模拟未来几个月至三年的逐小时分辨率下的电力价格，使我们能够提供概率预测，甚至在长期内检测价格剧烈波动的概率，从而解决当前长期电力价格预测困难的问题。

Mar, 2017

通过引入自适应标准化来缓解市场中常见的数据集变化效应，学习算法可以优先揭示目标变量和解释变量之间的真实关系，从而提高预测模型性能。

Nov, 2023

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

将可再生资源、储能设备、电力市场、交易策略和电池储能系统作为关键词，研究了通过优化交易策略和量化预测来提高电力市场效率，同时评估了商业电池储能系统的经济可行性。

Jun, 2024

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

采用聚类技术实现需求响应节能项目，并结合预测、聚类和价格策略引擎为参与项目的生产者提供个性化的节约建议和定价策略。

Mar, 2023

研究了基于专家的任意序列的顺序预测，在固定分享规则和与其他学习规则的相关性方面提出了两个理论结果，并将这些规则应用于电力消费的顺序短期预测。通过在斯洛伐克和法国的数据集上进行实证研究，实验结果表明引入的聚合规则在减小方差误差和改进鲁棒性方面能够提高数据集的精确度。

Jul, 2012