[论文解读] Comparing the Forecasting Performances of Linear Models for Electricity Prices with High RES Penetration

Angelica Gianfreda, Francesco Ravazzolo+1 more|arXiv (Cornell University)|Jan 3, 2018

Energy Load and Power Forecasting参考文献 51被引用 51

一句话总结

本研究比较了在高可再生能源发电（RES）渗透率市场中，用于预测日前每小时电力价格的单变量与多变量线性模型——频率学派与贝叶斯方法。研究发现，结合预测需求、风力、太阳能及化石燃料价格的贝叶斯向量自回归（BVAR）模型，在德国、丹麦、意大利和西班牙四个市场中均表现出更优的点预测与密度预测性能，其中风力预测相较于太阳能预测更具信息量。

ABSTRACT

This paper compares alternative univariate versus multivariate models, frequentist versus Bayesian autoregressive and vector autoregressive specifications, for hourly day-ahead electricity prices, both with and without renewable energy sources. The accuracy of point and density forecasts are inspected in four main European markets (Germany, Denmark, Italy and Spain) characterized by different levels of renewable energy power generation. Our results show that the Bayesian VAR specifications with exogenous variables dominate other multivariate and univariate specifications, in terms of both point and density forecasting.

研究动机与目标

• 评估在高RES电力市场中，单变量与多变量线性模型的预测性能。
• 比较自回归与向量自回归模型的频率学派与贝叶斯估计方法。
• 评估在日前价格模型中，纳入预测需求、风力、太阳能及化石燃料价格的增量预测价值。
• 确定在不同欧洲市场中，风力或太阳能发电预测对价格预测的相对信息量。
• 为市场参与者与监管机构提供关于电力价格预测最优模型设定的经验指导。

提出的方法

• 采用单变量自回归（AR）与多变量向量自回归（VAR）模型对每小时日前电力价格进行建模。
• 引入外生变量：预测需求、预测风力与太阳能发电量，以及化石燃料价格（煤、天然气、CO2）。
• 应用频率学派与贝叶斯估计方法，后者使用信息性先验以提升小样本性能。
• 在四个欧洲电力市场（德国、丹麦、意大利、西班牙）的面板数据结构中进行分析。
• 采用标准评估指标：点预测使用均方根误差（RMSE），密度预测使用连续概率评分（CRPS）。
• 通过滚动窗口进行样本外预测，以评估不同时间段与市场条件下的预测准确性。

实验结果

研究问题

• RQ1 多变量模型是否在预测每小时日前电力价格方面优于单变量模型？
• RQ2 在此背景下，贝叶斯方法是否相比频率学派方法提升了预测准确性？
• RQ3 在需求、风力、太阳能或化石燃料中，哪类外生变量能带来最显著的预测增益？
• RQ4 在高RES市场中，纳入风力发电预测是否比纳入太阳能发电预测更具信息量？
• RQ5 在不同RES渗透率水平的欧洲电力市场中，预测性能如何变化？

主要发现

• 结合外生变量（需求、风力、太阳能及化石燃料）的贝叶斯VAR模型，在点预测与密度预测准确性上，始终优于所有其他单变量与多变量设定。
• 纳入预测风力发电量的模型表现优于仅纳入太阳能发电量的模型，尤其在德国、意大利与西班牙的第8至24小时表现更优。
• 同时纳入风力与太阳能发电预测可进一步提升模型性能，优于单独使用任一变量。
• 即使在高RES渗透率市场中，化石燃料价格（煤、天然气、CO2）仍是重要预测因子，其排除会降低预测准确性。
• 多变量模型优于单变量模型，因其能有效捕捉电力价格动态中的小时间依赖关系。
• 纳入可再生能源与需求预测带来的预测增益在高峰时段最为显著，且在所有评分规则（RMSE与CRPS）下均保持一致改进。