[论文解读] Day-ahead electricity price prediction applying hybrid models of LSTM-based deep learning methods and feature selection algorithms under consideration of market coupling

Wei Li, Denis Becker|arXiv (Cornell University)|Jan 13, 2021

Electric Power System Optimization被引用 10

一句话总结

本研究提出一种混合深度学习模型，结合LSTM网络与基于包装器的特征选择方法，以提升北欧电力市场中计及跨国市场耦合的日前电价预测精度。该方法通过识别关键特征（尤其是德国市场特征）显著提高预测准确性，同时缓解维度灾难问题。

ABSTRACT

The availability of accurate day-ahead electricity price forecasts is pivotal for electricity market participants. In the context of trade liberalisation and market harmonisation in the European markets, accurate price forecasting becomes difficult for electricity market participants to obtain because electricity forecasting requires the consideration of features from ever-growing coupling markets. This study provides a method of exploring the influence of market coupling on electricity price prediction. We apply state-of-the-art long short-term memory (LSTM) deep neural networks combined with feature selection algorithms for electricity price prediction under the consideration of market coupling. LSTM models have a good performance in handling nonlinear and complex problems and processing time series data. In our empirical study of the Nordic market, the proposed models obtain considerably accurate results. The results show that feature selection is essential to achieving accurate prediction, and features from integrated markets have an impact on prediction. The feature importance analysis implies that the German market has a salient role in the price generation of Nord Pool.

研究动机与目标

• 解决日益整合的欧洲电力市场中准确进行日前电价预测的挑战。
• 研究市场耦合对价格动态的影响，特别是来自整合市场的跨国影响。
• 通过应用先进的特征选择方法处理高维输入数据，克服LSTM模型的维度灾难问题。
• 通过识别来自互联市场的关键特征（尤其是德国市场）来提升预测性能。
• 证明混合LSTM与基于包装器的特征选择方法在提升Nord Pool电价预测精度方面的有效性。

提出的方法

• 采用长短期记忆（LSTM）网络对电力价格时间序列数据中的时间依赖性进行建模。
• 结合使用遗传算法的两步法基于包装器的特征选择算法，以识别最优输入特征子集。
• 引入多个互联市场（如德国、法国、荷兰）的特征，以捕捉跨国价格传导效应。
• 采用均差绝对值（MAD）、均方根误差（RMSE）和对称平均绝对百分比误差（SMAPE）等统计指标进行模型评估。
• 采用混合模型架构，即在LSTM训练前先进行特征选择，以减少过拟合并提升泛化能力。
• 利用遗传算法迭代演化特征子集，通过LSTM预测性能评估适应度，以收敛至最优输入。

Figure 1 : Overview of the Nord Pool market coupling.

实验结果

研究问题

• RQ1 欧洲电力市场之间的市场耦合如何影响日前电价预测的准确性？
• RQ2 来自整合市场的哪些特征对预测Nord Pool电力价格最具影响力？
• RQ3 特征选择在多大程度上提升了基于LSTM的电力价格预测模型性能？
• RQ4 与仅使用本地市场数据相比，包含跨国市场数据（如德国）如何影响预测准确性？
• RQ5 与不进行特征选择的基线模型相比，所提出的混合LSTM-特征选择模型的相对性能如何？

主要发现

• 所提出的混合LSTM模型结合基于包装器的特征选择方法，在测试中平均实现了6.79%的平均绝对百分比误差（MAPE），显著优于未进行特征选择的模型。
• 该模型的均差绝对值（MAD）为2.67%，表明在测试期间具有高精度的电价预测能力。
• 特征重要性分析显示，德国电力市场对Nord Pool价格形成具有主导性影响，凸显其在跨国价格传导中的关键作用。
• 引入整合市场的特征提升了模型性能，证实市场耦合动态对准确预测至关重要。
• 基于包装器的特征选择方法有效降低了模型复杂度并缓解了过拟合，从而实现了更稳健和泛化能力更强的预测结果。
• 在所有评估模型中，M5（LSTM结合包装器特征选择）实现了最低的RMSE（3.33%）和SMAPE（6.87%），表现出卓越的整体性能。

Figure 2 : The electricity cross-border transmission from the coupling countries to Nord Pool.