[论文解读] Electricity Price Forecasting in the Irish Balancing Market

Ciaran O’Connor, Joseph Collins+2 more|arXiv (Cornell University)|Feb 9, 2024

Energy Efficiency and ManagementEnergy被引用 3

一句话总结

本文提出了一套用于爱尔兰平衡市场（BM）电力价格预测的基准框架，评估了基于新发布公共数据集训练的统计模型、机器学习模型和深度学习模型。尽管在波动性较低的日前市场（DAM）中表现强劲，深度学习模型在BM中表现不佳，这是由于其极端波动性；相反，基于LASSO的LEAR模型实现了最佳精度，优于复杂的深度学习方法，凸显了在高度波动市场中更简单、更稳健模型的必要性。

ABSTRACT

Short-term electricity markets are becoming more relevant due to less-predictable renewable energy sources, attracting considerable attention from the industry. The balancing market is the closest to real-time and the most volatile among them. Its price forecasting literature is limited, inconsistent and outdated, with few deep learning attempts and no public dataset. This work applies to the Irish balancing market a variety of price prediction techniques proven successful in the widely studied day-ahead market. We compare statistical, machine learning, and deep learning models using a framework that investigates the impact of different training sizes. The framework defines hyperparameters and calibration settings; the dataset and models are made public to ensure reproducibility and to be used as benchmarks for future works. An extensive numerical study shows that well-performing models in the day-ahead market do not perform well in the balancing one, highlighting that these markets are fundamentally different constructs. The best model is LEAR, a statistical approach based on LASSO, which outperforms more complex and computationally demanding approaches.

研究动机与目标

• 建立一个可复现的、开源的框架，用于预测爱尔兰平衡市场（BM）的电力价格，该市场具有高度波动性且研究较少。
• 评估最先进的模型——统计模型、机器学习模型和深度学习模型——在更稳定的日前市场（DAM）中原本开发的模型在BM背景下的性能表现。
• 研究在BM环境下，不同模型类别中训练数据规模对模型精度的影响。
• 识别DAM与BM之间的根本差异，这些差异影响模型性能，特别是深度学习在处理极端价格波动时面临的挑战。
• 提供一个公开数据集和代码库，作为未来BM价格预测研究的基准。

提出的方法

• 本研究使用2017年至2020年期间收集的公开小时级爱尔兰平衡市场价格及其相关解释变量（如负荷、可再生能源、DAM价格）数据集。
• 实施了标准化的训练与评估框架，所有模型均采用一致的超参数调优和校准程序，以确保公平比较。
• 框架评估了10种模型：统计模型（LEAR、SVR）、树模型（随机森林、XGBoost）和深度学习模型（SH DNN、MH DNN），训练数据量从1天到365天不等。
• 通过平均绝对误差（MAE）衡量模型性能，结果在多个测试分割中报告，以确保稳健性。
• 通过测量非深度学习模型在CPU上的训练时间以及深度学习模型在GPU上的训练时间，评估计算效率，反映实时部署约束。
• 分析包括将预测结果与实际价格进行可视化对比，以诊断过拟合及对价格尖峰的误预测。

Figure 1 : Schematic overview of the typical sequence of existing electricity markets in the EU. Markets in dotted lines are optional Meeus [ 2020 ]

实验结果

研究问题

• RQ1 在日前市场（DAM）中表现良好的模型，在应用于波动性更高的爱尔兰平衡市场（BM）时表现如何？
• RQ2 在BM背景下，训练数据规模的变化对统计模型、机器学习模型和深度学习模型的预测精度有何影响？
• RQ3 尽管在DAM中表现成功，为何深度学习模型在BM中表现不佳？哪些结构或数据相关因素导致了这一差距？
• RQ4 在BM中，统计模型、机器学习模型或深度学习模型中，哪一类在精度与计算效率之间实现了最佳权衡？
• RQ5 在高度波动的电力市场中，像基于LASSO的LEAR这样更简单的模型能否优于复杂的深度神经网络？

主要发现

• 基于LASSO的统计模型LEAR实现了最低的平均绝对误差（MAE）为€4.21/MWh，优于更复杂的模型，包括深度神经网络架构。
• 深度学习模型如SH DNN和MH DNN在BM中表现出显著更高的误差——最高比LEAR高出€2.81/MWh——这是由于对近期价格尖峰的过拟合以及对剧烈波动的泛化能力差。
• 模型之间的性能差距在BM中比在DAM中更为显著，表明市场结构和数据波动性从根本上改变了模型的有效性。
• 训练数据规模具有显著影响：使用全年数据（365天）训练的模型精度优于使用较短序列训练的模型，尽管超过某一临界点后改进幅度减小。
• 计算效率有利于更简单的模型：LEAR和XGBoost的训练时间仅需1–3分钟，而深度学习模型的训练时间长达30分钟，其中MH DNN因参数量过高而最慢。
• SH DNN在DAM中表现良好，MAE为€7.02/MWh，但在BM中性能显著下降，凸显了深度学习在处理极端波动性方面的局限性。

Figure 2 : MH RNN DNN Model