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

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

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

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

通过引入两个不变性假设简化供求曲线的建模，我们提出了一种名为 YUI 的模型来预测电力市场的价格，与现有方法相比，YUI 可以减少 13.8％的平均绝对误差和 28.7％的 sMAPE。

May, 2024

本研究旨在比较不同深度学习模型在短期负荷预测方面的准确性，并针对葡萄牙的国家网联合短期负荷预测，进行多层感知器、N-BEATS、长短期记忆神经网络和时间卷积网络等一些具有代表性的自回归神经网络的评估，并进行后续分析以确定最合适的模型。结果表明，N-BEATS 模型始终优于其它深度学习模型，并且外部因素显著影响准确性，从而影响模型的实际和相对性能。

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

短期负荷预测 (STLF) 对电网的日常运营至关重要。然而，电力需求时间序列的非线性、非平稳性和随机性使得 STLF 成为一项具有挑战性的任务。本研究通过考虑一组表示欧洲国家次日电力需求的 27 个时间序列，研究了一种名为迁移学习 (TL) 的特殊 STLF 情况下的性能。我们使用一种流行且易于实施的神经网络 (NN) 模型，并进行聚类分析以识别系列之间的相似模式并辅助 TL。在这个背景下，我们编译并比较了两种不同的 TL 方法，一种包括聚类步骤，一种不包括，并与传统的 NN 训练设置进行了比较。我们的结果表明，TL 可以胜过传统方法，特别是当考虑到聚类技术时。

Oct, 2023

深度学习对电力价格产生影响，本研究探讨了预测误差如何传播到电力价格中，并揭示了拥挤电力系统中显著的定价误差及其空间差异。为了提高公平性，我们建议将电力市场结算优化嵌入深度学习层，通过这一层进行不同程度的预测和定价误差平衡，而不仅仅是最小化预测误差。该层能够隐含地优化公平性并控制系统中价格误差的空间分布。我们在风电预测和短期电力市场结算的交叉领域展示了价格感知的深度学习技术。

Aug, 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